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 opé-rationnelle des risques associés. Cette thèse explore le potentiel des méthodesd’intelligence artificielle (IA), notamment les réseaux de neurones récurrents(LSTM) et les réseaux de neurones graphiques (GNN), afin d’améliorer la mo-délisation spatio-temporelle (débits, niveaux d’eau, étendues inondées...) desinondations.Dans un premier temps, l’étude évalue la sensibilité des performances des modèlesLSTM à la durée et à la diversité des données d’entraînement, en les comparant àun modèle pluie-débit conceptuel classique, Superflex. Si les LSTM surpassent lemodèle conceptuel avec des données abondantes et représentatives, atteignant uncoefficient de Nash-Sutcliffe (NSE) de 0,89, ils subissent une forte dégradationen situation de données limitées, avec une baisse moyenne de 0,14 du NSE —un phénomène beaucoup moins marqué avec Superflex. Ce constat soulève desquestions majeures sur la robustesse des LSTM face aux évolutions climatiquesfutures.Dans une seconde partie, un modèle innovant fondé sur les réseaux de neuronesgraphiques, baptisé HydroGCN, est développé pour prédire les hauteurs d’eau àpartir des débits, en exploitant la structure topologique des systèmes hydrauliques.TestésuruncanalsynthétiquepuissurlebassinversantréeldelaSevern(Royaume-Uni), HydroGCN démontre une capacité remarquable à reproduire les dynamiquessimulées 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 tempsde calcul d’un facteur supérieur à 80. Ce travail met en lumière l’intérêt d’unemodélisation explicite des relations spatiales via un graphe, tout en identifiantdes axes d’amélioration, notamment l’intégration de la vitesse d’écoulement etl’enrichissement des attributs physiques.Cette recherche ouvre ainsi la voie à une nouvelle génération d’outils de prévisiondes inondations, combinant rapidité, précision et adaptabilité. Elle souligne égale-ment la nécessité de concevoir de nouvelles méthodes d’évaluation, essentiellespour garantir la robustesse des modèles d’intelligence artificielle dans un contexteclimatique en évolution, et permettre ainsi l’émergence de solutions véritablementopérationnelles pour la gestion future des risques d’inondation.