APPRENTISSAGE STATISTIQUE, ASSIMILATION DE DONNEES ET ... · l’angle de l’apprentissage...
1
PREVISION DES CRUES PAR APPRENTISSAGE STATISTIQUE, ASSIMILATION DE DONNEES ET MODELISATION SEMI-PHYSIQUE OBJECTIFS DU PROJET La prévision des crues en temps réel constitue un problème complexe dont les implications économiques et sociétales sont de la plus grande importance. Sa complexité résulte du couplage entre les modèles atmosphériques, les modèles hydrologiques et les modèles hydrogéologiques. Face à cette problématique, le projet FLASH a pour objectif le développement de nouveaux outils opérationnels de vigilance et de prévision de crue. La chaîne hydrométéorologique d’alerte aux crues est abordée sous l’angle de l’apprentissage statistique afin de modéliser les relations entre les différentes entrées et sorties. Cette approche alternative à la modélisation hydrologique à base physique permet d’introduire l’assimilation de données et de réaliser l’identification de lois postulées dans les modèles conceptuells. MÉTHODOLOGIE ET RÉSULTATS La modélisation des différentes relations entrées – sorties a été effectuée à partir de deux familles de modèles paramétrés, les réseaux de neurones et les machines à vecteurs supports, ainsi que d’un modèle conceptuel, TOPMODEL. Les modèles paramétrés sont utilisés comme prédicteurs des grandeurs de sortie à un horizon allant de 30mn à plusieurs heures sans connaissance des pluies à venir. Pour modéliser ces processus dynamiques non linéaires, des méthodes de sélection de descripteurs ont permis de définir l’ordre des processus. La complexité des fonctions mises en œuvre a été ajustée par réglage des hyperparamètres des modèles. La difficulté de l’apprentissage de ces fonctions non linéaires liée à la présence de nombreux minima a été abordée : dans le cadre de la modélisation par réseaux de neurones, une architecture modulaire a été proposée et a permis d’améliorer la qualité des prédictions. L’étude initialement menée sur un bassin versant de petite dimension a été élargie à un bassin versant de taille et de nature différentes. La modélisation par SVM a conduit à des résultats comparables à ceux des réseaux de neurones. Devant la difficulté à modéliser toute la complexité des phénomènes avec un seul modèle, une approche par évènement est en cours d’étude. La modélisation par modèle conceptuel a permis d’analyser les sources d’erreurs résiduelles. CONCLUSION ET PRESPECTIVES Les méthodes mises en œuvre dans le cadre du projet ont permis la réalisation d’un prototype de prévision des crues testé par le SCHAPI. Il va maintenant être étendu et adapté à des bassins versants voisins du site initial d’étude, puis à des bassins versants de natures différentes. Programme SYSCOMM 2009 ARMINES/Ecole des Mines d’Alès SCHAPI ESPCI ParisTech EDYTEM/CNRS [email protected] http://blog.espci.fr/flash/ 2 thèses soutenues : - Audrey Bornancin-Plantier : Application de l'apprentissage artificiel à la modélisation systémique de la chaîne hydrométéorologique pour la prévision des crues éclair. Février 2013 - Guillaume Artigue : Prévision des crues éclair par réseaux de neurones : généralisation aux bassins non jaugés. Décembre 2012. FLASH (2009-2013)
Transcript of APPRENTISSAGE STATISTIQUE, ASSIMILATION DE DONNEES ET ... · l’angle de l’apprentissage...
PREVISION DES CRUES PAR
APPRENTISSAGE STATISTIQUE,
ASSIMILATION DE DONNEES ET
MODELISATION SEMI-PHYSIQUE
OBJECTIFS DU PROJET
La prévision des crues en temps réel constitue un problème
complexe dont les implications économiques et sociétales
sont de la plus grande importance. Sa complexité résulte du
couplage entre les modèles atmosphériques, les modèles
hydrologiques et les modèles hydrogéologiques. Face à
cette problématique, le projet FLASH a pour objectif le
développement de nouveaux outils opérationnels de
vigilance et de prévision de crue. La chaîne
hydrométéorologique d’alerte aux crues est abordée sous
l’angle de l’apprentissage statistique afin de modéliser les
relations entre les différentes entrées et sorties. Cette
approche alternative à la modélisation hydrologique à base
physique permet d’introduire l’assimilation de données et de
réaliser l’identification de lois postulées dans les modèles
conceptuells.
MÉTHODOLOGIE ET RÉSULTATS
La modélisation des différentes relations entrées – sorties a
été effectuée à partir de deux familles de modèles
paramétrés, les réseaux de neurones et les machines à
vecteurs supports, ainsi que d’un modèle conceptuel,
TOPMODEL.
Les modèles paramétrés sont utilisés comme prédicteurs
des grandeurs de sortie à un horizon allant de 30mn à
plusieurs heures sans connaissance des pluies à venir.
Pour modéliser ces processus dynamiques non linéaires,
des méthodes de sélection de descripteurs ont permis de
définir l’ordre des processus. La complexité des fonctions
mises en œuvre a été ajustée par réglage des
hyperparamètres des modèles.
La difficulté de l’apprentissage de ces fonctions non
linéaires liée à la présence de nombreux minima a été
abordée : dans le cadre de la modélisation par réseaux de
neurones, une architecture modulaire a été proposée et a
permis d’améliorer la qualité des prédictions.
L’étude initialement menée sur un bassin versant de petite
dimension a été élargie à un bassin versant de taille et de
nature différentes.
La modélisation par SVM a conduit à des résultats
comparables à ceux des réseaux de neurones. Devant la
difficulté à modéliser toute la complexité des phénomènes
avec un seul modèle, une approche par évènement est en
cours d’étude.
La modélisation par modèle conceptuel a permis d’analyser
les sources d’erreurs résiduelles.
CONCLUSION ET PRESPECTIVES
Les méthodes mises en œuvre dans le cadre du projet ont
permis la réalisation d’un prototype de prévision des crues
testé par le SCHAPI. Il va maintenant être étendu et adapté
à des bassins versants voisins du site initial d’étude, puis à
des bassins versants de natures différentes.
Programme SYSCOMM 2009
ARMINES/Ecole des Mines d’Alès SCHAPI
ESPCI ParisTech EDYTEM/CNRS
http://blog.espci.fr/flash/
2 thèses soutenues :
- Audrey Bornancin-Plantier : Application de l'apprentissage artificiel à la modélisation systémique de la chaîne hydrométéorologique pour la prévision des crues éclair. Février 2013
- Guillaume Artigue : Prévision des
crues éclair par réseaux de neurones : généralisation aux bassins non jaugés. Décembre 2012.
FLASH (2009-2013)
