Apprentissage Ρrοfοnd dans l'Ηydrοlοgie de l'Estuaire de la Seine : Recοnstructiοn des Dοnnées Ηistοriques et Ρrévisiοn Ηydraulique

Deep Learning in the Hydrology of the Seine Estuary : Historical Database Reconstruction & Hydraulic Forecasting

• Auteur / Autrice : Imad Janbain
• Direction : Abderrahim Jardani, Julien Deloffre
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'univers
• Date : Soutenance le 20/09/2024
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale Normande de biologie intégrative, santé, environnement (Mont-Saint-Aignan, Seine-Maritime)
• Partenaire(s) de recherche : Laboratoire : Morphodynamique continentale et côtière (Caen ; 1996-....)
• Partenaire(s) de recherche : Établissement co-accrédité : Université de Rouen Normandie (1966-....)
• Jury : Examinateurs / Examinatrices : Abderrahim Jardani, Julien Deloffre, Anne Johannet, Laurent Oudre, Sabine Schmidt, Sébastien Adam, Marie Morin
• Jury : Rapporteurs / Rapporteuses : Anne Johannet, Laurent Oudre
• DOI : 10.70675/da2ba78bzca60z4c49z9658z880fcf696892

Mots clés

Mots clés contrôlés

Intelligence artificielle

Apprentissage profond

Séries chronologiques

Hydrologie

Inondations -- Prévision

Bases de données spatio-temporelles

Mots clés libres

Intelligence artificielle

Apprentissage Profond

Série Temporelle

Base de données historiques

Hydrologie

Prévision d'Inondation

Artificial Intelligence

Deep Learning

Time Series

Historical Database

Hydrology

Flood Forecasting

Résumé

Cette thèse de doctorat explore l’application des algorithmes d’apprentissage profond (Deep Learning - DL) pour relever les défis hydrologiques dans le bassin de la Seine, le deuxième plus long fleuve de France. Le régime hydraulique complexe de la Seine, influencé par les précipitations variables, les affluents, les interventions humaines et les fluctuations des marées, constitue un cadre idéal pour l’utilisation de techniques computationnelles avancées. Les modèles DL, notamment les réseaux neuronaux récurrents et les mécanismes d’attention, ont été choisis pour leur capacité à capturer les dépendances temporelles à long terme dans les séries chronologiques, surpassant ainsi les modèles traditionnels d’apprentissage machine (ML), tout en nécessitant moins de calibration manuelle que les modèles à base physique. La recherche se concentre sur le développement de méthodologies personnalisées pour améliorer l’efficacité du DL et optimiser son application face aux défis spécifiques du bassin de la Seine. Ces défis incluent la compréhension et la gestion des interactions complexes dans la zone d’étude, la gestion des limitations des données, le comblement des lacunes de données, la reconstruction et la projection des bases de données historiques manquantes, cruciales pour analyser les fluctuations du niveau d’eau en réponse à des variables telles que les changements climatiques, ainsi que la prédiction des événements d’inondations, notamment les crues extrêmes.Nos contributions, détaillées à travers quatre articles, illustrent l’efficacité du DL dans divers défis hydrologiques et applications : le comblement des lacunes des données de niveau d’eau sur plusieurs mois dans les enregistrements horaires, la reconstruction historique des paramètres de qualité de l’eau sur une période de plus de 15 ans dans le passé, l’analyse des interactions entre les stations, ainsi que la prédiction des événements de crue extrême à grande échelle (jusqu’à 7 jours à l’avance dans les données quotidiennes) et à petite échelle (jusqu’à 24 heures dans les données horaires).Les techniques proposées, telles que l’approche de décomposition Mini-Look-Back, les stratégies automatisées de reconstruction historique, les fonctions de perte personnalisées et l’ingénierie des caractéristiques approfondie, mettent en lumière la polyvalence et l’efficacité des modèles DL pour surmonter les limitations des données et surpasser les méthodes traditionnelles. La recherche souligne l’importance de l’interprétabilité en plus de la précision de la prédiction, offrant ainsi des informations sur la dynamique complexe de la Seine.Ces résultats mettent en évidence les potentialités du DL et des méthodologies développées dans les applications hydrologiques, tout en suggérant une applicabilité plus large à travers divers domaines traitant des séries chronologiques de données.

This PhD thesis explores the application of deep learning (DL) algorithms to address hydrological challenges in the Seine River basin, France’s second longest river. The Seine’s intricate hydraulic regime, shaped by variable rainfall, tributaries, human interventions, and tidal fluctuations, presents an ideal scenario for advanced computational techniques. DL models, particularly recurrent-based neural networks and attention mechanisms, were chosen for their ability to capture long-term temporal dependencies in time series data, outperforming traditional machine learning (ML) models and their reduced need for manual calibration compared to physical-based models.The research focuses on developing custom methodologies to enhance DL efficiency and optimize its application to specific challenges within the Seine River Basin. Key challenges include addressing complex interactions within the study area, predicting extreme flood events, managing data limitations, and reconstructing missing historical databases crucial for analyzing water level fluctuations in response to variables such as climatic changes. The objective is to uncover insights, bridge data gaps, and enhance flood prediction accuracy, particularly for extreme events, thereby advancing smarter water management solutions.Detailed across four articles, our contributions showcase the effectiveness of DL in various hydrological challenges and applications: filling missing water level data gaps that may span several months in hourly records, projecting water quality parameters over 15 years in the past, analyzing station interactions, and predicting extreme flood events on both large (up to 7 days ahead in daily data) and small scales (up to 24 hours in hourly data).Proposed techniques such as the Mini-Look-Back decomposition approach, automated historical reconstruction strategies, custom loss functions, and extensive feature engineering highlight the versatility and efficacy of DL models in overcoming data limitations and outperforming traditional methods. The research emphasizes interpretability alongside prediction accuracy, providing insights into the complex dynamics of hydrological systems. These findings underscore the potential of DL and the developed methodologies in hydrological applications while suggesting broader applicability across various fields dealing with time series data.