Approches hybrides physique-IA intégrant des réseaux neuronaux dans des modèles hydrologiques distribués pour la simulation des crues à l’échelle régionale

L'estimation du débit des rivières et la prévision des inondations restent parmi les défis les plus importants des sciences hydrologiques, en particulier pour les bassins versants non jaugés et sous l'effet du changement climatique. Les modèles hydrologiques sont fondamentaux pour les systèmes de prévision des crues, et améliorer leur réalisme et leur précision est crucial. Cependant, ces modèles sont intrinsèquement conceptuels et soumis à plusieurs limitations, notamment l'absence de théorie pertinente à l'échelle des modèles, les incertitudes inhérentes à leur structure et à leur paramétrage, ainsi que l'équifinalité dans l'estimation des paramètres, souvent due à des données d'observation éparses telles que les mesures de débit. A l'ère de l'intelligence artificielle (IA) et des données massives, les modèles hydrologiques peuvent tirer parti des algorithmes d'IA pour exploiter des quantités massives d'informations provenant de jeux de données hétérogènes. Cette thèse présente un ensemble d'approches hybrides innovantes physiques-IA, avec une intégration sans couture des processus physiques et des modèles pilotés par l'IA, afin d'améliorer la modélisation hydrologique, en se concentrant particulièrement sur la modélisation des crues rapides dans la région méditerranéenne française. Les méthodes proposées sont mises en œuvre au sein de SMASH (Spatially distributed Modeling and ASsimilation for Hydrology), un modèle hydrologique différentiable spatialisé, développé pour la recherche sur la ressource en eau et les applications opérationnelles. Les développements principaux sont : - Amélioration de la précision du modèle par une approche de calibration multi-critères basée sur des signatures multi-échelles ; - Intégration des réseaux de neurones dans le modèle direct pour estimer la fonction de transfert des descripteurs aux paramètres, permettant la régionalisation sur des sites non jaugés ; - Recherche de solutions optimales en utilisant une méthode d'estimation pondérée bayésienne en contexte d'équifinalité ; - Diminution de l'incertitude structurelle en intégrant des réseaux de neurones pour corriger les flux d'eau internes au modèle ; - Intégration d'équations différentielles ordinaires neuronales (EDO neuronales) résolues avec un schéma numérique implicite adapté aux approches hybrides. Les résultats montrent que : - La calibration multi-critères avec des signatures hydrologiques améliore les performances de simulation des crues tout en maintenant des scores globaux acceptables ; - Les réseaux de neurones apprennent efficacement des fonctions non-linéaires complexes entre descripteurs physiques et paramètres conceptuels, démontrant une forte capacité de régionalisation et une meilleure contrôlabilité du modèle par rapport à la régression linéaire dans des scénarios de calibration difficiles ; - La stabilité de la solution optimale est améliorée par une estimation pondérée bayésienne des valeurs initiales ; - Les réseaux de neurones, intégrés pour la correction de flux internes dans un système d'espace-état (à partir de solutions analytiques ou numériques d'EDO), améliorent la précision et la robustesse du modèle. Une analyse détaillée révèle le comportement nuancé des modèles hybrides et leur versatilité améliorée, démontrant le potentiel des approches hybrides physiques-IA pour découvrir des lois et paramétrisations en hydrologie et plus largement. Ces avancées ont permis d'améliorer la modélisation hydrologique spatialisée en intégrant l'IA dans les modèles physiques qui pourront être appliqués pour la prévision opérationnelle des crues, sous-tendre le développement de nouvelles approches hydrauliques pour le ruissellement et les inondations.