Réunion de clôture du projet FLASH

Le 18 octobre a eu lieu la réunion de clôture du projet FLASh. Les résultats ont été présentés à Toulouse dans les locaux du SCHAPI avec une audience élargie aux membres du SCHAPI et de Météo France.

Les communications suivantes ont été présentées :

 

Participation aux rencontres du numérique de l’ANR

Les 17 et 18 avril 2013 le projet FLASH a été présenté lors des rencontres du numérique organisées par l’ANR. 3 projets, dont FLASH, ont été sélectionnés pour la qualité de leurs résultats afin d’être présentés en session orale. Un poster a également été affiché au village « Simulation et calcul haute performance »

Lien vers la présentation orale

Lien vers le poster

 

Soutenance de la thèse d’Audrey Bornancin-Plantier

Le 25 février 2013 à 14h,  Audrey Bornancin-Plantier soutiendra sa thèse à l’Ecole des Mines d’Alès :

Thèse de doctorat de l’université Pierre et Marie Curie

Spécialité : Informatique

École Doctorale Informatique, Télécommunications et Électronique (Paris)

Présentée par :

Audrey Bornancin Plantier

Pour obtenir le grade de :

Docteur de l’universitÉ Pierre et Marie Curie

Conception de modèles de prévision des crues éclair par apprentissage artificiel

Directeurs de thèse : Madame Anne Johannet et Monsieur Gérard Dreyfus

Encadrement : Monsieur Pierre Roussel

Soutenue le 25 février 2013

Devant le jury composé de :

Monsieur Denis Dartus, rapporteur

Monsieur Claude Touzet, rapporteur

Madame Caroline Wittwer, examinatrice

Monsieur Pierre Ribstein, examinateur

Monsieur Georges-Marie Saulnier, examinateur

Madame Anne Johannet, co-directrice de thèse

Monsieur Gérard Dreyfus, co-directeur de thèse

Monsieur Pierre Roussel, encadrant

Résumé

Le Sud de la France subit régulièrement des inondations dévastatrices et meurtrières résultant d’épisodes pluvieux très intenses et localisés. La prévision de ces événements rapides et complexes est très difficile.

Créé dans ce contexte, le projet FLASH (Flood forecasting with machine Learning, data Assimilation and Semi-pHysical modeling) regroupe plusieurs laboratoires partenaires qui ont pour objectif de fournir au SCHAPI (Service Central d’Hydrométéorologie et d’Appui à la Prévision des Inondations) des modèles de prévision des crues afin d’alimenter la carte de vigilance des crues disponible sur internet.

La zone d’étude principale est le Gardon d’Anduze. Des modèles à réseaux de neurones avec deux types d’architecture sont réalisés pour prévoir la hauteur du cours d’eau à partir des pluies et des hauteurs passées. La sélection du nombre de neurones cachés, du nombre de variables, de certains paramètres de l’algorithme d’apprentissage, ainsi que l’initialisation des paramètres des réseaux, déterminante pour l’estimation des performances des modèles, est effectuée par validation croisée. Les prévisions obtenues en test permettent une anticipation utile jusqu’à un horizon de prévision de 2h voire 3h suivant l’événement en test. La mise en œuvre d’un apprentissage adaptatif est décevante.

L’utilisation de hauteurs de pluies issues des mesures radar, plutôt que celles provenant des pluviomètres, a conduit à des premiers résultats équivalents.

Enfin, la méthodologie établie a été appliquée à la conception de modèles pour la prévision des crues sur le Gardon à Remoulins, bassin versant qui inclut celui précédemment étudié ; ces modèles donnent des résultats satisfaisants pour un horizon de prévision de 7h voire 9h.

Mots-clés : Crue éclair, apprentissage artificiel, réseaux de neurones, modélisation, prévision, Gardon, sélection, généralisation

Réunion des 13 et 14 décembre 2012

Programme de la réunion des 13/14 décembre 2012 à Chambéry

Jeudi 13 décembre

12h Accueil des participants à EDYTEM

Repas pris en commun : hôtel « week end » 139 rue Colonel Bachetta 73420 Viviers du Lac, Tél. : 04 79 54 40 22

14h30 Début de la réunion

15h-15h30 Anne Johannet : analyse du déroulement du projet, communications prévue aux journées de l’ANR.

15h30         Audrey Bornancin-Plantier « comparaison de deux architectures pour la prévision des crues rapides à Anduze »

17h30         Khaled Boukharouba « Classification des crues pour l’apprentissage de modèles à noyaux »

18h30         fin de la réunion

Vendredi 14 décembre

 9h Accueil

9h30         Pierre Alain Ayral, Yann Visserot et Anne Johannet «Traitement de la réflectivité RADAR pour alimenter un modèle neuronal»

10h30       Georges Marie Saulnier « hydrologie inverse »

11h00       Anne Johannet, Georges Marie Saulnier, William Castaings « estimation des erreurs futures d’un modèle hydrologique »

11h30       Anne Johannet « Orientations futures des travaux sur les chantiers restant à effectuer ».

Le futur de FLASH

13h repas en commun à l’hôtel Week-End

Après-midi : suite des discussions, échanges de fichiers de données, ou départ.

Soutenance de la thèse de Guillaume Artigue

Guillaume Artigue va soutenir sa thèse le 3 décembre 2012 à l’École des Mines d’Alès.

THESE

Présentée à l’Université Montpellier II

Sciences et Techniques du Languedoc

Pour obtenir le grade de docteur

Spécialité : Eaux Continentales et Sociétés

École Doctorale : Systèmes Intégrés en Biologie, Agronomie, Géosciences, Hydrosciences et Environnement (SIBAGHE)

 

Prévision des Crues Éclair par Réseaux de Neurones :

Généralisation aux Bassins non Jaugés.

Présentée et soutenue publiquement par :

Guillaume ARTIGUE

Le 3 décembre 2012

Directeurs de thèse : Monsieur Séverin Pistre et Madame Anne Johannet.

Encadrement : Madame Valérie Borrell.

Jury

Monsieur Vazken Andréassian : rapporteur.

Madame Françoise Prêteux : rapporteur.

Madame Marie-George Tournoud : examinatrice, présidente du jury.

Madame Caroline Wittwer : examinatrice.

Madame Valérie Borrell : encadrante, invitée.

Monsieur Roger Moussa : invité.

Madame Anne Johannet : co-Directrice de thèse.

Monsieur Séverin Pistre : co-Directeur de thèse.

Résumé
Dans les régions méditerranéennes françaises, des épisodes pluvieux diluviens se produisent régulièrement et provoquent des crues très rapides et volumineuses que l’on appelle crues éclair. Elles font fréquemment de nombreuses victimes et peuvent, sur un seul évènement, coûter plus d’un milliard d’euros. Face à cette problématique, les pouvoirs publics mettent en place des parades parmi lesquelles la prévision hydrologique tient une place essentielle.
C’est dans ce contexte que le projet BVNE (Bassin Versant Numérique Expérimental) a été initié par le SCHAPI (Service Central d’Hydrométéorologie et d’Appui à la Prévision des Inondations) dans le but d’améliorer la prévision des crues rapides. Ces travaux s’inscrivent dans le cadre de ce projet et ont trois objectifs principaux : réaliser des prévisions sur des bassins capables de ces réactions qu’ils soient correctement jaugés, mal jaugés ou non jaugés.
La zone d’étude choisie, le massif des Cévennes, concentre la majorité de ces épisodes hydrométéorologiques intenses en France. Ce mémoire la présente en détails, mettant en avant ses caractéristiques les plus influentes sur l’hydrologie de surface.
Au regard de la complexité de la relation entre pluie et débit dans les bassins concernés et de la difficulté éprouvée par les modèles à base physique à fournir des informations précises en mode prédictif sans prévision de pluie, l’utilisation de l’apprentissage statistique par réseaux de neurones s’est imposée dans la recherche d’une solution opérationnelle.
C’est ainsi que des modèles à réseaux de neurones ont été synthétisés et appliqués à un bassin de la zone cévenole, dans des contextes bien et mal jaugés. Les bons résultats obtenus ont été le point de départ de la généralisation à 15 bassins de la zone d’étude.
A cette fin, une méthode de généralisation est développée à partir du modèle élaboré sur le bassin jaugé et de corrections estimées en fonction des caractéristiques physiques des bassins.
Les résultats de l’application de cette méthode sont de bonne qualité et ouvrent la porte à de nombreux axes de recherche pour l’avenir, tout en démontrant encore que l’utilisation de l’apprentissage statistique pour l’hydrologie peut constituer une solution pertinente.
Summary
In the French Mediterranean regions, heavy rainfall episodes regularly occur and induce very rapid and voluminous floods called flash floods. They frequently cause fatalities and can cost more than one billion euros during only one event. In order to cope with this issue, the public authorities’ implemented countermeasures in which hydrological forecasting plays an essential role.
In this contexte, the French Flood Forecasting Service (called SCHAPI for Service Central d’Hydrométéorologie et d’Appui à la Prévision des Inondations) initiated the BVNE (Digital Experimental Basin, for Bassin Versant Numérique Expérimental) project in order to enhance flash flood forecasts. The present work is a part of this project and aim at three main purposes: providing flash flood forecasts on well-gauged basins, poorly gauged basins and ungauged basins.
The study area chosen, the Cévennes range, concentrates the major part of these intense hydrometeorological events in France. This dissertation presents it precisely, highlighting its most hydrological-influent characteristics.
With regard to the complexity of the rainfall-discharge relation in the focused basins and the difficulty experienced by the physically based models to provide precise information in forecast mode without rainfall forecasts, the use of neural networks statistical learning imposed itself in the research of operational solutions.
Thus, the neural networks models were designed and applied to a basin of the Cévennes range, in the well-gauged and poorly gauged contexts. The good results obtained have been the start point of a generalization to 15 basins of the study area.
For this purpose, a generalization method was developed from the model created on the gauged basin and from corrections estimated as a function of basin characteristics.
The results of this method application are of good quality and open the door to numerous pats of inquiry for the future, while demonstrating again that the use of statistical learning for hydrology can be a relevant solution.