Johann Franziskakis
Au sein de l’entreprise Hydrique Ingénieurs, fournissant des prévisions de débits utiles à l’optimisation de production d’hydroélectricité conjointe à la gestion des crues, des améliorations sont amenées aux prévisions à l’horizon vingt-quatre heures de bassins versants glaciaires avec des modèles d’apprentissage automatique. Les modèles initialement pris en main sont purement empiriques, basant la prévision à partir d’exemples appris, contenant des données météorologiques (précipitation, température, rayonnement) et des mesures passées de débit. Des améliorations d’ordre méthodologique (validation croisée, arrêt précoce, taux d’apprentissage adaptatif) sont d’abord amenées, puis diverses techniques issues de l’état de l’art sont explorées. Il résulte des recherches que c’est en plaçant ces modèles en posttraitement de prévisions d’autres modèles que la performance est largement améliorée. En particulier, les modèles hybrides prenant comme données d’apprentissage des données spatialement interpolées par le modèle physique sont les plus intéressants. En outre, la possibilité d’utiliser des modèles glaciaires globaux est développée : celle-ci est intéressante lorsque le modèle physique est lacunaire. Une nouvelle approche de modélisation sur de multiples échelles de temps est proposée, montrant un potentiel. Une méthode de quantification de l’incertitude autour de telles prévisions est aussi amenée. D’autres procédures purement empiriques (auto-encodeurs, réseaux convolutifs) montrent des résultats négatifs. Il est finalement conclu que l’essentiel de l’information prédictive des données en est extraite, d’éventuelles futures améliorations se plaçant désormais du côté des données d’entrée et du modèle physique.
2020
