Cerfacs Entrez dans le monde de la haute performance...

Extension de l'échéance de prévision des crues par apprentissage automatique sur des bases de données restreintes et hétérogènes

👉https://youtube.com/live/4veabZeo77o?feature=share

En France, les services de prévision de crues sont une entité assez récente. Les don- nées qu'ils ont à disposition ainsi que les modèles utilisés sont eux-aussi récents. Il y a plusieurs initiatives qui sont menées aux échelles locales, régionales et nationales pour répondre aux différents besoins sur le territoire. On peut notamment citer des efforts d'harmonisation des modèles de prévision. Mais aussi des efforts de renouvellement et de veille des techniques. Les services publics territoriaux travaillent ainsi conjointement avec les organismes de recherche pour améliorer la prévision de crue aux différentes échelles.

En prévision de crues, les modèles les plus utilisés sont pour la plupart issus de modèles physiques. Ceux-ci peuvent prendre de multiples formes. Les plus précis vont résoudre les équations de Barré de Saint Venant finement. Il faut alors disposer de données précises sur le domaine d'étude. D'autres, moins précis, font des simplifications ou remplacent tout ou partie de ces équations. Tous ces modèles sont calibrés empiriquement par l'hydrologue pour chaque bassin versant. Certains sont très simples et ont peu de paramètres à caler. Ils sont cependant limités dans leur représentation du bassin versant. C'est le cas de modèles empiriques basés sur des décalages d'hydrogrammes. Le calage de ces modèles est fait empirique par l'hydrologue, pour chaque nouveau cas d'étude. C'est ce qu'utilise le Service de Prévision des Crues Garonne-Tarn-Lot pour la prévision de crues à la station de Toulouse Pont Neuf. Ces modèles fonctionnent avec les informations des stations amont, pour des échéances 4 h, 6 h et 8 h.

Comme dans de nombreux domaines, les approches d'apprentissage automatique par la donnée sont de plus en plus utilisées. L'hydrologie et la prévision de crues ne sont pas des cas particuliers. Cette thèse aborde l'utilisation de modèles d'apprentissage automatique pour la prévision de crues à court terme. Pour la prévision de crues à Toulouse, chaque échéance nécessite la calibration d'un nouveau modèle. Les modèles d'apprentissage automatique permettent de se libérer de ces processus supervisés par l'hydrologue.

Les choix de modèles d'apprentissage automatique possibles sont ici déterminés par la petite taille de la base de données. On ne travaille qu'avec des évènements de crues. Ils sont peu nombreux à être numériquement disponibles. La taille de la base de données force certaines mesures adaptatives.

On n'utilise par ailleurs que des chroniques temporelles de données (pas de don- nées spatialisées). Les modèles d'apprentissage automatique sont utilisés avec les mêmes données que les modèles empiriques. Les modèles d'apprentissage sont une régression linéaire, un régresseur par renforcement de gradient et un perceptron multicouches, tous achroniques (pas d'ordre temporel des données d'entrée). Les données de débit puis de pluies sont donc prétraitées (décalages d'hydrogrammes, moyennes mobiles, etc.) pour intégrer de l'information temporelle avant d'être passées aux modèles.

Les modèles sont d'abord expérimentés à 6 h d'échéance, avec différentes configurations des données d'entrée. Avec la même configuration que le modèle du service de prévision de crues, les performances sont meilleures. L'ajout des pluies a un effet positif, mais moins significatif. À 8 h d'échéance, on n'utilise pas de référence, les modèles obtiennent des performances convenables. L'apport des données de pluies est plus difficile à valoriser, mais plus important. Le transfert de l'approche à un nouveau cas plus complexe est réussi. Il reste encore améliorable et d'autres approches plus souples pourraient être explorées.

Jury

• Mme. Borrell Estupina Valérie, Maîtresse de conférence, Rapporteur
• M. Lucor Didier, DR, Rapporteur
• M. El Moçayd Nabil, Assistant Professeur, Rapporteur
• M. Thual Olivier, DR émérite, Examinateur
• M. Bousquet Nicolas, CR, Examinateur
• Mme. Ricci Sophie, Chercheuse senior CERFACS, encadrement
• M. Lapeyre Corentin J., CR, Invité
• M. Marchandise Arthur, Ingénieur, Invité