Offre de thèse : Que peut-on attendre du Machine Learning pour la prévision des crues et des sécheresses ?

L’objectif principal de cette thèse est d’explorer l’apport des méthodes issues du Machine Learning pour améliorer les capacités prédictives de systèmes de prévision des aléas hydrologiques. L’idée est de s’appuyer sur une approche hybride, c’est-à-dire d’explorer des systèmes associant approches traditionnelles de prévision (basées sur les processus physiques) et composantes performantes issues de techniques du Machine Learning. Ces dernières offrent notamment de nouvelles perspectives pour dépasser les limites rencontrées par les méthodes utilisées habituellement pour assimiler des données, comme les variantes des filtres de Kalman ou les filtres à particules. On s’intéressera aux problématiques liées à : i) la cohérence et la complémentarité entre stratégies d’assimilation, de post-traitement déterministe et de post-traitement d’incertitudes ; ii) la mise en place de stratégies d’assimilation multi-variables dans des contextes climatiques et hydrologiques variés ; iii) la mise en place de stratégies spatialement cohérentes pour des modélisations qui découpent le bassin versant en sous-bassins (modélisations semi-distribuées) pour mieux appréhender la dynamique spatiale des événements de crues et de sécheresses.

Le travail s’appuiera sur un grand échantillon de bassins français. Il sera réalisé dans un contexte de modélisation hybride, à l’aide de stratégies d’évaluation adaptées aux prévisions probabilistes. Les développements méthodologiques devront permettre de faire émerger une nouvelle génération de systèmes opérationnels de prévision des aléas hydrologiques, et, notamment, d’ouvrir des voies d’évolution future des systèmes de prévision du réseau Vigicrues et de la plateforme PREMHYCE en France.