Le changement climatique favorise les précipitations extrêmes, soulignant le besoin critique de prévisions précises et rapides des inondations afin de protéger les vies humaines, les infrastructures et l'environnement. En France seulement, les dommages annuels liés aux inondations s'élèvent en moyenne à 520 millions d'euros, ce qui souligne l'urgence de développer des outils de prévision plus efficaces. Les méthodes traditionnelles de prévision des inondations reposent sur des modèles physiques à forte intensité de calcul basés sur les équations de Barré de Saint-Venant qui sont souvent trop lents pour permettre une prise de décision en temps réel, en particulier dans les zones urbaines où des réponses rapides sont essentielles.
Cette thèse explore et présente deux paradigmes complémentaires d'apprentissage profond pour la prévision des inondations, reflétant une trajectoire de recherche adaptative et innovante. Au départ, nous nous sommes concentrés sur les réseaux de neurones informés par la physique (PINN) en raison de leur respect de la physique inhérent et de leur nature peu dépendante des données. Bien que les PINN soient très prometteurs et qu'ils aient permis des avancées significatives (comme les stratégies d'optimisation hiérarchique à plusieurs niveaux qui ont amélioré la convergence et la précision), leur transposition aux équations de Barré de Saint-Venant s'est avérée difficile malgré des améliorations méthodologiques substantielles. Les innovations comme les stratégies d'optimisation hiérarchique à plusieurs niveaux, les mécanismes informés par la fréquence et les algorithmes de décomposition de domaine ont permis de remédier à des limitations importantes et de faire progresser le domaine, en positionnant les PINN comme un outil précieux pour résoudre les EDP canoniques comme les équations de Poisson et de la chaleur.
Parallèlement, nous avons poursuivi une autre approche en utilisant des réseaux de neurones en graphes (GNN) pour créer des modèles de substitution pour la simulation des inondations. Ce volet s'appuie sur des données d'inondation réelles, ce qui nous permet de produire des solutions pertinentes d'un point de vue opérationnel. Appliqués au bassin de la Têt dans le sud de la France, ces modèles GNN ont démontré une grande efficacité de calcul (plusieurs ordres de grandeur plus rapides que les méthodes numériques traditionnelles) tout en conservant une précision raisonnable. En capturant efficacement les variations de niveau d'eau et les événements d'inondation soudains, ils se sont révélés adaptés aux applications en temps réel dans les scénarios d'intervention d'urgence.
Ce travail établit une base pour les approches hybrides physique-ML dans la modélisation hydraulique tout en faisant progresser le domaine dans plusieurs aspects clés. Les modèles développés fournissent des solutions opérationnelles pour la prévision des inondations, proposant un juste milieu entre la précision physique des méthodes traditionnelles avec l'efficacité et la réactivité requises pour les interventions d'urgence. Les orientations futures de la recherche comprennent des capacités d'adaptation du modèle en temps réel, une quantification robuste de l'incertitude et une intégration transparente avec les systèmes d'alerte existants. L'ensemble de ces efforts marque une étape importante vers des systèmes de prévision des inondations plus fiables et plus réactifs, essentiels pour s'adapter aux défis posés par le changement climatique. |
Climate change is intensifying extreme precipitation events, underscoring the critical need for accurate and rapid flood forecasting to protect lives, infrastructure, and the environment. In France alone, annual flood-related damages average €520 million, emphasizing the urgency of developing more efficient predictive tools. Traditional flood forecasting methods rely on computationally intensive physical models based on shallow water equations, which are often too slow for real-time decision-making, especially in urban settings where rapid responses are essential.
This research explores and advances two complementary deep learning paradigms for flood forecasting, reflecting an adaptive and innovative research trajectory. Initially, we focused on Physically-Informed Neural Networks (PINNs) due to their inherent physical constraints and data-efficient nature. Although PINNs showed significant promise and led to meaningful advancements (such as multi-level hierarchical optimization strategies that enhanced convergence and accuracy) scaling them to the shallow water equations proved challenging despite substantial methodological improvements.Innovations like multi-level hierarchical optimization strategies, frequency-informed mechanisms, and domain decomposition algorithms addressed key limitations and advanced the field, positioning PINNs as a valuable tool for solving canonical PDEs like the Poisson and heat equations.
In parallel, we pursued an alternative approach using Graph Neural Networks (GNNs) to create surrogate models for flood simulation. This pivot leveraged real flood data, enabling us to produce operationally relevant solutions. Applied to the Têt River basin in southern France, these GNN models demonstrated a great computational efficiency (orders of magnitude faster than traditional numerical methods) while maintaining a correct predictive accuracy. By effectively capturing both gradual water level changes and sudden flood events, they proved suitable for real-time applications in emergency response scenarios.
This work establishes a foundation for hybrid physics-ML approaches to hydrological modelling and advances the field in several key aspects. The developed models provide operationally relevant solutions for flood forecasting, balancing the physical accuracy of traditional methods with the efficiency and responsiveness required for emergency response. Future research directions include real-time model adaptation capabilities, robust uncertainty quantification, and seamless integration with existing warning systems. Together, these efforts represent a significant step towards more reliable and responsive flood forecasting systems, which are essential for adapting to the challenges of climate change. |