Résumé
Les crues éclair font partie des risques naturels les plus dévastateurs dans le monde. Selon Jamali et al. (2020), elles sont 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. 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. 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 a appliqué des réseaux de neurones profonds à la prévision des crues éclair avec trois principaux objectifs : le premier objectif vise l’interprétation des paramètres des couches profondes des trois types de perceptrons généralement utilisés en hydrologie : statique, dirigé, récurrent. Pour ce faire ce travail a suivi deux étapes : (i) extraire les valeurs des paramètres des modèles optimisés en utilisant la méthode « Knowledge eXtraction (KnoX)» proposée par Kong A Siou et al. (2013) ; (ii) 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. Ceci a permis d’allonger l’échéance de prévision qui avait été réalisée par Artigue (2012) de 2 à 3 heures, grâce à l’introduction d’information 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. 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.