Les inondations dans la mire des réseaux de neurones
Achetée sur Gettyimages. Droits d’auteur.
Les modèles hydrologiques traditionnels utilisent typiquement deux variables pour estimer les processus d’évaporation, de ruissellement et d’infiltration d’eau et calculer ainsi l’eau qui parviendra à la rivière et en gonflera le débit : les précipitations et les températures. Une des raisons de ce choix est la difficulté d’obtenir des observations de qualité et en grande quantité. Par exemple, les stations météorologiques tombent parfois en panne ou subissent des bris d’équipements, laissant des trous dans les séries temporelles de données. Les stations ne sont pour la plupart pas équipées pour mesurer les variables comme le vent, la radiation solaire ou la pression atmosphérique, qui sont également susceptibles d’affecter le cycle hydrologique. De plus, seulement une fraction des rivières sont jaugées afin d’en mesurer le débit, variable essentielle pour calibrer les modèles hydrologiques.
Heureusement, il est maintenant possible de faire des réanalyses combinant les observations passées et des prévisions provenant de modèles de météorologiques pour recréer un historique de données complet, incluant même des variables modélisées qui n’ont pas été mesurées par les stations.
À l’aide d’une base de données provenant de 15 000 bassins versants d’Amérique du Nord, le Laboratoire HC3 alimente et entraîne des systèmes d’intelligence artificielle, basés sur des réseaux de neurones, une approche d’apprentissage profond, afin d’évaluer leur potentiel comparativement aux modèles hydrologiques traditionnels.
Les réseaux de neurones en action
Jean-Luc Martel, professeur à l’ÉTS
Alors que le modèle hydrologique traditionnel prend un bassin versant pour déterminer le débit de la rivière en fonction de deux variables météorologiques, le réseau de neurones prend toutes les données à sa disposition pour trouver des liens entre les variables et faire des prévisions. De plus, le réseau de neurones n’est pas limité à un seul bassin versant, comme c’est souvent le cas avec les modèles hydrologiques traditionnels. « Je peux entraîner le réseau avec une grande quantité de bassins versants. Ensuite, si j’ai un bassin non jaugé, mais que je fournis ses caractéristiques physiques comme la superficie, l’occupation des sols, et l’ensemble des variables météorologiques disponibles, le réseau est capable de faire des liens avec d’autres bassins versants sur lesquels il a été entraîné pour estimer le débit d’une rivière non jaugée », dit Jean-Luc Martel.
L’accès à un vaste ensemble de données facilite aussi la prévision des événements extrêmes, qui par définition sont rares. Or un réseau de neurones a besoin de beaucoup de données pour apprendre. « Si le réseau a accès à une grande base de données, il n’aura peut-être pas vu d’événements extrêmes dans un bassin versant précis, mais il en aura probablement vu dans des bassins similaires et pourra faire des liens sur ce qui les causes », poursuit Jean-Luc Martel.
Les prévisions hydrologiques dépendent non seulement des événements météorologiques en cours, mais aussi des conditions du bassin versant, notamment l’humidité du sol et le couvert de neige. C’est pourquoi Jean-Luc Martel utilise un réseau de neurones particulier, appelé LSTM (Long Short-Term Memory), capable de prendre en compte les données en cours et celles de la dernière année. « Un réseau de neurones classique n’est pas capable de garder une mémoire de ce qui est tombé comme neige durant l’hiver et il ne sera pas capable de prédire le débit de la crue printanière reliée à la fonte. » Le réseau LSTM a la capacité d’avoir cette mémoire à court et à long terme. « Il va comprendre qu’il y a de la neige accumulée, qu’elle va fondre à telle température et quelle quantité d’eau sera libérée pour alimenter la rivière », explique Jean-Luc Martel.
Ces modèles LSTM sont encore en cours de développement, mais ils se démontrent très prometteurs quant à leur capacité prédictive. Jean-Luc Martel s’affaire avec ses collègues du HC3 à en vérifier la fiabilité et à déterminer leurs forces et leurs limites. Il sera alors possible de pousser plus loin leurs simulations dans un contexte de changements climatiques.
Intégrer les changements climatiques
Il est possible d’alimenter le réseau de neurones avec les variables météorologiques tirées de modèles climatiques pour voir plus loin dans l’avenir et tenter d’anticiper le comportement d’une rivière. « Cela nous donne un outil pour mieux comprendre comment le débit des rivières va évoluer dans un futur climat », indique Jean-Luc Martel.
Si les modèles se trouvent à être fiables, les ingénieurs et ingénieures pourront alors en utiliser les projections pour concevoir des infrastructures résilientes aux changements climatiques ou même pour la prévision des crues printanières.
