Modélisation hydrologique multi-échelles apprenable
Des modélisations numériques précises et fiables sont essentielles pour faire face aux enjeux socio-économiques de la prévision des inondations et des sécheresses dans un contexte de changement climatique. Néanmoins, la modélisation hydrologique reste très incertaine à cause de l'hétérogénéité des propriétés des hydrosystèmes, de la complexité des processus physiques de surface et de subsurface et de leur observabilité limitée - éparse par rapport aux paramètres à estimer. Afin d'avancer dans la découverte de lois hydrologiques utilisables à différentes échelles, la combinaison de modèles basés sur les processus et d'apprentissage machine est une approche récente et très prometteuse. L’utilisation de techniques d'assimilation de données est indispensable pour intégrer la richesse informative de données multi-sourcées d'observation (in situ, drones et satellite) des écoulements et des propriétés de leur support.
Cette contribution présente une approche de modélisation hydrologique multi-échelle, apprenable (MLPM) et régionalisable (LPR, Huynh et al. (2023)) avec assimilation variationnelle de données (VDA) (Huynh et al. 2024). Elle repose sur un modèle direct différentiable qui associe ici (i) deux réseaux de neurones artificiels pour l'apprentissage modèle et la régionalisation des paramètres, (ii) un modèle hydrologique conceptuel spatialement distribué pour la production de ruissellement, et (iii) un modèle de routage de surface simple. L'approche est testée sur une modélisation régionale multi-bassins à une résolution spatio-temporelle de 1km et 1h. Les performances relativement élevées en matière de prédiction des débits mettent en évidence la précision et la robustesse de l'approche proposée, ses capacités d'extrapolation spatio-temporelles par rapport aux approches classiques. Un aspect crucial est l'interprétabilité physique des paramètres spatialement distribués et des états internes qui permet de mettre en avant le comportement nuancé du modèle hybride et sa capacité d'adaptation à des situations particulières et des réponses hydrologiques variées.
Cette approche MLPM-PR, implémentée dans la plateforme open-source SMASH (Spatially distributed Modelling and ASsimilation for Hydrology, https://smash.recover.inrae.fr/) développée à INRAE, est applicable à d’autres structures de modèle hydrologiques et hydrauliques. Elle pourra être utilisée pour apprendre des opérateurs capable par exemple de mieux représenter la répartition de la pluie nette entre composantes latérales lentes et rapides, la représentation de l'évaporation et d'échanges souterrains. Enfin, elle permettra la mise au point de modèles hydrologiques-hydrauliques (e.g. Larnier et al. (2023)) apprenable permettant d'envisager la remontée d'information multi-capteurs à l'échelle de grand bassins versants, et notamment des observations sans précédent des réseaux hydrographiques mondiaux collectées par le satellite SWOT depuis décembre 2022.
Références :
Ngo Nghi Truyen Huynh, Pierre-André Garambois, François Colleoni, Benjamin Renard, Jérôme Monnier, Hélène Roux. Multiscale Learnable Physical Modeling and Data Assimilation Framework: Application to High-Resolution Regionalized Hydrological Simulation of Flash Flood. (2024) (Submitted)
Ngo Nghi Truyen Huynh, Pierre-André Garambois, François Colleoni, Benjamin Renard, Hélène Roux, Julie Demargne, Pierre Javelle. Learning Regionalization within a Differentiable High-Resolution Hydrological Model using Accurate Spatial Cost Gradients. (2023) (submitted), https://arxiv.org/abs/2308.02040
Larnier K., Garambois P.-A., Pujol L., Monnier J., Emery C., Ledauphin T., Yesou H. Calmant S. (2023) Towards enhanced regionalization of Hydrologic-hydraulic river networks models with assimilation of multi-source data and SWOT hydraulic visibility. Colloque SHF, prévision des crues-inondations, Toulouse. https://hal.inrae.fr/hal-04217797/document
