« Apport de l’intelligence artificielle pour la prévision spatio-temporelle des inondations »
Université de Montpellier
ED GAIA – Laboratoire HSM – INRIA – IRD
Lundi 25 août 2025 à 9h30
Lieu : Université de Montpellier – campus Triolet
Adresse : 163 Rue Auguste Broussonnet, 34093 Montpellier
Salle : SC36.09 (bâtiment 36)
En ligne (Zoom) : https://umontpellier-fr.zoom.us/j/96117180283?pwd=jHpTZRXaQrj4bbOhaXC4Zak54VvnsV.1
Le jury :
Directeurs de thèse, Mme Carole Delenne (Université Aix-Marseille) et M. Renaud Hostache (IRD),
Rapporteurs, M. Robert Mose (Université de Strasbourg) et M. Hamouda Bouthagane (Université Badji Mokhtar-Annaba),
Examinatrices, Mme Flavie Cernesson (AgroParisTech) et Mme Anne Laurent (Université de Montpellier),
ainsi que de M. Joris Guerin (IRD), invité.
Résumé :
Face à l’accroissement des risques d’inondations liés aux changements climatiques, leur prévision précise et rapide constitue un enjeu majeur pour la gestion opérationnelle des risques associés. Cette thèse explore le potentiel des méthodes d’intelligence artificielle (IA), notamment les réseaux de neurones récurrents (LSTM) et les réseaux de neurones graphiques (GNN), afin d’améliorer la modélisation spatio-temporelle (débits, niveaux d’eau, étendues inondées…) des inondations.
Dans un premier temps, l’étude évalue la sensibilité des performances des modèles LSTM à la durée et à la diversité des données d’entraînement, en les comparant à un modèle pluie-débit conceptuel classique, Superflex. Si les LSTM surpassent le modèle conceptuel avec des données abondantes et représentatives, atteignant un coefficient de Nash-Sutcliffe (NSE) de 0,89, ils subissent une forte dégradation en situation de données limitées, avec une baisse moyenne de 0,14 du NSE — un phénomène beaucoup moins marqué avec Superflex. Ce constat soulève des questions majeures sur la robustesse des LSTM face aux évolutions climatiques futures.
Dans une seconde partie, un modèle innovant fondé sur les réseaux de neurones graphiques, baptisé HydroGCN, est développé pour prédire les hauteurs d’eau à partir des débits, en exploitant la structure topologique des systèmes hydrauliques. Testé sur un canal synthétique puis sur le bassin versant réel de la Severn (Royaume-Uni), HydroGCN démontre une capacité remarquable à reproduire les dynamiques simulées par un modèle hydraulique à surface libre de référence (Shallow Water 2-D: SW2D), avec un NSE atteignant 0,99, tout en offrant une diminution des temps de calcul d’un facteur supérieur à 80.
Ce travail met en lumière l’intérêt d’une modélisation explicite des relations spatiales via un graphe, tout en identifiant des axes d’amélioration, notamment l’intégration d’interactions bidirectionnelles et l’enrichissement des attributs physiques. Cette recherche ouvre ainsi la voie à une nouvelle génération d’outils de prévision des inondations, combinant rapidité, précision et adaptabilité. Elle souligne également la nécessité de concevoir de nouvelles méthodes d’évaluation, essentielles pour garantir la robustesse des modèles d’intelligence artificielle dans un contexte climatique en évolution, et permettre ainsi l’émergence de solutions véritablement opérationnelles pour la gestion future des risques d’inondation.
Mots-clés : intelligence artificielle, machine learning, prévision d’inondation, modèle hydrodynamique, modèle hydrologique, ANN, LSTM, GNN
