Le 16 décembre 2021, Bob Saint-Fleur, doctorant à Hydro Science Montpellier – IMT Mines Alès/ CREER – Universite des Sciences de Montpellier / GAIA, a soutenu sa thèse intitulée:
Vers une meilleure prise en compte des comportements multi-échelles des aquifères complexes (crues rapides) par les modèles à réseaux de neurones
Contexte de la thèse
Cette thèse est dirigée par Anne Johannet (directrice du Centre de Recherches et d’Enseignement en Environnement et en Risques de l’IMT Mines Alès) et Séverin Pistre (ingénieur-chercheur à l’Unité Mixte de Recherche – HydroScience Montpellier) en partenariat avec l’école doctorale GAIA.
Composition du Jury
- Didier GRAILLOT (Rapporteur) – Directeur de recherche à l’École des Mines de Saint-Etienne
- Didier JOSSELIN (Rapporteur) – Directeur de recherche au CNRS-Laboratoire UMR ESPACE
- Danièle VALDÈS-LAO (Examinatrice) – Maîtresse de conférences à l’UPMC Paris VI
- Roger MOUSSA (Examinateur) – Directeur de recherche à l’INRAE
- Guillaume ARTIGUE (Encadrant, invité) – Maître assistant à l’IMT Mines Alès)
- Anne JOHANNET (Directrice de thèse) – Professeure à l’IMT Mines Alès
- Séverin PISTRE (Directeur de thèse, invité) – Professeur à HSM Université de Montpellier
Après 3 années de recherches, mises en application et interprétations de résultats, cette thèse s’insère complètement dans la thématique du projet Hydr.IA, regroupant les problématiques et enjeux des crues dites « éclair » et les techniques de modélisation de l’intelligence artificielle comme l’utilisation des réseaux de neurones profonds.3
Résumé de la thèse
Les crues éclair
Les crues éclair font partie des risques naturels les plus dévastateurs dans le monde. Elles seraient responsables de près de 84 % des décès causés par les désastres naturels. Si l’inondation par une crue classique peut être anticipée avec un certain délai, une crue éclair est bien plus rapide et localisée, et donc bien plus difficile à prévoir. Tel est le cas des régions méditerranéennes en France.
Lors des épisodes de précipitations dites « cévenoles » de grandes quantités d’eau s’abattent sur les sols et déclenchent des phénomènes qui ne sont pas complètement connus dans des contextes géologiques hétérogènes et complexes, comme on les rencontre dans la bordure cévenole. En particulier, mais pas seulement, les aquifères karstiques qui contribuent à la dynamique des crues, ont un comportement complexe, non linéaire, qui dépend de leurs propriétés intrinsèques, lesquelles ne peuvent être approchées physiquement par des méthodes non destructives.
Face à cette problématique, les institutions chargées de la prévision des crues et des inondations ont besoin d’informations de qualité et de modèles performants afin d’optimiser leurs réponses. Du fait que les pluies génératrices de ces crues éclair sont très hétérogènes aussi bien dans le temps que dans l’espace, en sus du caractère fondamentalement non-linéaire de la relation pluie-débit, leur prévision reste un défi très sérieux.
Les réseaux de neurones
Depuis maintenant trois décennies, les réseaux de neurones ont prouvé leur efficacité pour résoudre des problèmes complexes et non linéaires, en particulier les relations pluie-débits dans diverses situations hydrologiques. Au sein de ces types de modèles, le Deep Learning en tant qu’une méthode d’apprentissage qui s’applique principalement aux réseaux de neurones profonds, s’est montré particulièrement performant dans de nombreuses disciplines.
Cependant, du fait de leur caractère de boîtes noires, qui nous parait plutôt un avantage compte tenu du manque de connaissance sur certains processus hydrologiques, l’intérêt de leur application est parfois mis en doute.
Pour cette raison ce travail qui vise à appliquer les réseaux de neurones profonds à la prévision des crues éclair s’appuie sur trois principaux objectifs.
Les principaux objectifs
Le premier est l’interprétation des paramètres des couches profondes des trois types de perceptrons généralement utilisés en hydrologie : statique, dirigé, récurrent. Pour atteindre cet objectif, il faut passer par deux étapes : extraire les valeurs des paramètres des modèles optimisés en utilisant la méthode « Knowledge eXtraction (KnoX)» proposée par Kong A Siou et Al. (2013) et interpréter ces paramètres grâce à une analyse comparative de ces informations avec les données caractérisant certains processus hydrologiques du bassin versant ; cette partie a été publiée dans les actes de la conférence internationale ITISE 2018, pour le volet prévision, et dans un chapitre de livre de la série LNCS (Lecture Notes in Computer Sciences) pour l’interprétation des paramètres.
Le second objectif est de prendre en compte la spatialisation des précipitations et les effets d’échelle associés grâce à une modélisation profonde par bassins emboités. Cela permet d’allonger l’échéance de prévision qui avait été réalisée par G.Artigue (2012) de 2 à 3 heures, grâce à l’introduction d’informations physiques dans le modèle ; ce travail a été soumis à la revue Water.
Le troisième objectif, en suivant une approche duale du premier objectif, propose d’injecter de l’information dans les paramètres des couches profondes des modèles afin d’améliorer leur performance en prévision.
Si ce dernier objectif n’a pas été complètement atteint on note cependant qu’il apporte des bénéfices pour les réseaux récurrents avec une amélioration des résultats de prévision significative.
Conclusion
Ce travail a mis, une fois de plus, en évidence la qualité de la méthode de sélection de modèles, qui permet non seulement de réaliser des prévisions performantes sur les évènements les plus intenses de la base de données, mais aussi d’aboutir à une architecture profonde parcimonieuse permettant, grâce à la règle d’apprentissage de Levenberg-Marquardt d’apprendre les couches profondes sans observer d’atténuation du gradient.