Résumé
Les inondations sont l’une des catastrophes naturelles les plus dévastatrices, affectant des millions de personnes et causant des dégâts majeurs chaque année. En hydrologie, deux types de modèles sont couramment utilisés pour les prévoir: les modèles pluie-débit, efficaces pour estimer les débits de pointe des rivières, et les modèles d’eau peu profonde, Shallow Water (SW) en 2D, qui simulent les niveaux d’eau et les vitesses de manière spatiale. Bien que ces derniers fournissent des informations précises sur l’étendue et la profondeur des inondations, leur complexité computationnelle les rend peu adaptés à une gestion en temps réel.Face à l’efficacité des approches d’apprentissage profond, cette étude explore l’utilisation de l’intelligence artificielle, notamment des réseaux de neurones graphiques (GNN), pour améliorer la prédiction spatiale des risques d’inondation. Dans les modèles SW, le domaine est discrétisé en un maillage de cellules et d’interfaces. Notre approche propose de représenter ce domaine sous forme de graphe, où les cellules deviennent des nœuds et les interfaces des arêtes, permettant une modélisation plus générique.En raison du manque de données mesurées, les données d’entraînement ont été générées via une simulation longue durée d’un modèle SW. Les données d’entrée du modèle SW comprennent les conditions aux limites amont/aval ainsi que les données topographiques.Les résultats du modèle hydraulique — niveaux d’eau et vitesses d’écoulement pour chaque maille — servent la base d’entrainement au modèle GNN. Celui-ci apprend à modéliser les échanges de flux entre les nœuds et prédit ensuite les profondeurs et vitesses futures pour chaque point du graphe.Un tronçon de la rivière Severn (Royaume-Uni) a été utilisé comme cas test. Les données correspondant à environ deux années de simulation ont été réparties en 70% pour l’entraînement et 15% pour la validation et le test. La précision du GNN a été évaluée en comparant ses prédictions à celles du modèle SW de référence, à l’aide de l’erreur absolue moyenne (MAE), calculée sur tous les nœuds et pas de temps.Sur la base de données de test, les résultats montrent une MAE d’environ 0,003 m pour la profondeur d’eau et 0,004 m/s pour la vitesse d’écoulement. Le modèle GNN permet des prédictions spatiales avec un temps d’exécution de 10 secondes, environ 3 fois plus rapides que le modèle SW (31 secondes), tout en offrant une précision satisfaisante. Ces performances suggèrent un fort potentiel pour une évaluation et une gestion des risques d’inondation en temps réel. Les travaux en cours se concentrent sur la réduction du nombre de paramètres qui est de 18890, ainsi que sur la généralisabilité du modèle.