On passe d’une hydrologie calibrée bassin par bassin à une hydrologie apprenante et généralisable
Une avancée issue de la thèse de Mathilde Puche qui ouvre de nouvelles perspectives pour la modélisation hydrologique dans un contexte de changement climatique et de non-stationnarité des régimes hydrologiques.
Réalisée au sein d’Hydroclimat et du CNRS Laboratoire UMR ESPACE Université Côte d’Azur, la thèse Mathilde Puche intitulée « Vers une modélisation hydrologique flexible et opérationnelle pour la simulation des débits : optimisation et comparaison des approches à base physique et de Deep Learning », constitue une contribution majeure à l’hydroclimatologie numérique.
Ces travaux fournissent aujourd’hui le socle scientifique du nouveau modèle LSTM opérationnel déployé par Hydroclimat pour la modélisation hydrologique.
Dans cet article, nous revenons sur les principales avancées scientifiques et technologiques issues de ces recherches, et sur la manière dont elles améliorent notre capacité à simuler les débits dans un contexte de changement climatique et de non-stationnarité hydrologique.
Les réseaux LSTM (« Long Short-Term Memory ») sont particulièrement adaptés à la modélisation des systèmes hydrologiques. Leur principal atout réside dans leur capacité à capturer des dépendances longues et non linéaires dans les séries temporelles, caractéristiques des processus hydrologiques.
Contrairement aux modèles hydrologiques physiques traditionnels, tels que SWAT ou les modèles de la famille GR, les LSTM :
Les résultats présentés dans le chapitre 5 de la thèse de Mathilde Puche montrent des performances particulièrement robustes :
89 % des bassins français présentent une bonne généralisation temporelle avec le modèle LSTM-TI (Temporal Induction).
Le modèle reste robuste sous conditions non stationnaires, notamment lors d’années plus chaudes et plus sèches, où certains modèles physiques calibrés peuvent perdre en fiabilité.
Ces résultats démontrent qu’un LSTM correctement entraîné est capable d’apprendre des dynamiques hydrologiques implicites, ouvrant ainsi de nouvelles perspectives pour la modélisation hydrologique dans un contexte de changement climatique.
L’implémentation déployée chez Hydroclimat repose sur les choix méthodologiques rigoureux présentés dans le manuscrit de thèse.
Tout d’abord, le modèle repose sur une architecture volontairement simple mais optimisée. Les travaux montrent qu’une architecture LSTM standard, composée d’une seule couche cachée avec un nombre d’unités ajusté par hypertuning, offre un excellent compromis entre performance prédictive et coût de calcul. Cette approche se révèle souvent plus efficace que des architectures plus complexes telles que les LSTM multicouches, Bi-LSTM ou CNN-LSTM, qui augmentent la complexité sans gain systématique de performance.
Ensuite, un hypertuning avancé des hyperparamètres a été mis en place afin d’optimiser le comportement du modèle. Cette procédure de calibration repose notamment sur l’optimisation des paramètres suivants :
Cette calibration fine contribue à la capacité du modèle à reproduire fidèlement une grande diversité de régimes hydrologiques, notamment :
Ces choix d’architecture et d’optimisation constituent un élément clé de la robustesse du modèle et de sa capacité à s’adapter à la diversité des dynamiques hydrologiques observées sur les bassins versants.
L’un des enjeux majeurs des modèles hydrologiques basés sur le deep learning est leur capacité de généralisation, à la fois dans le temps et dans l’espace.
Dans la thèse, cette capacité est évaluée à travers trois types de tâches d’apprentissage (p.129).
La première correspond à la Temporal Induction (TI). Elle consiste à prédire une période donnée à partir d’une autre période sur les mêmes bassins versants, ce qui permet d’évaluer la capacité du modèle à généraliser dans le temps.
La deuxième configuration est la Spatial Induction (SI), qui vise à prédire les débits dans des bassins jamais vus lors de l’entraînement.
Enfin, la Spatio-Temporal Induction (STI) combine ces deux dimensions : le modèle doit alors généraliser simultanément dans l’espace et dans le temps, c’est-à-dire prédire des périodes nouvelles sur des bassins non observés lors de l’entraînement.
Les résultats montrent des performances particulièrement intéressantes :
Ces résultats montrent qu’un modèle LSTM correctement entraîné peut apprendre des dynamiques hydrologiques transférables entre bassins, ouvrant la voie à une modélisation hydrologique plus généralisable et plus scalable. Cette approche marque une transition importante : passer d’une modélisation hydrologique calibrée bassin par bassin à une logique d’apprentissage hydrologique à grande échelle.
Ce socle scientifique constitue aujourd’hui l’une des briques méthodologiques intégrées dans les outils opérationnels d’Hydroclimat.
La robustesse du modèle face aux anomalies climatiques constitue un point central des travaux. Des tests de simulation ont été réalisés sur plusieurs années présentant des conditions climatiques contrastées, notamment une année chaude et sèche (2017/2020) et une année chaude et humide (2018).
Les résultats mettent en évidence des différences marquées entre les approches de modélisation.
Tout d’abord, sous des conditions plus chaudes et plus sèches, le modèle physique SWAT tend à surestimer fortement les débits, produisant des hydrogrammes parfois peu réalistes.
À l’inverse, le modèle LSTM maintient une précision stable, en particulier pour la simulation des bas débits, qui constituent un indicateur critique pour la gestion des ressources en eau.
Le modèle reproduit également plus fidèlement certaines dynamiques hydrologiques complexes, notamment les réponses karstiques et les variations saisonnières.
Dans un contexte de changement climatique et de non-stationnarité hydrologique, cette capacité à maintenir des performances robustes constitue un avantage déterminant pour les stratégies d’adaptation et la gestion des ressources en eau.
À partir de 2026, Hydroclimat déploie un moteur LSTM opérationnel optimisé, directement issu des travaux de thèse. Ce moteur repose sur une architecture optimisée, un entraînement réalisé sur plusieurs centaines de bassins français et européens, ainsi qu’une intégration avancée de métadonnées hydrologiques. L’ensemble est désormais pleinement intégré à notre pipeline opérationnel dédié à l’analyse et à la modélisation des risques hydrologiques.
Cette nouvelle brique technologique permet d’obtenir des simulations de débits rapides et facilement scalables, tout en offrant une meilleure robustesse face aux conditions climatiques futures et aux régimes hydrologiques non stationnaires. Elle améliore également la capacité de modélisation dans les bassins non jaugés et fournit des hydrogrammes plus stables lors d’épisodes chauds et secs ou d’années présentant des anomalies climatiques marquées.
Cette avancée renforce ainsi la place de l’intelligence hydrologique au cœur des solutions développées par Hydroclimat pour anticiper les risques hydrologiques et accompagner les stratégies d’adaptation au changement climatique.
L’intégration du modèle LSTM issu de la thèse renforce plusieurs composantes des outils développés par Hydroclimat, notamment :
Cet apport méthodologique contribue à améliorer à la fois la précision des simulations hydrologiques et la robustesse des analyses prospectives, en particulier dans un contexte de changement climatique et de non-stationnarité des régimes hydrologiques.
La modélisation hydrologique entre ainsi dans une nouvelle phase : celle de l’apprentissage hydrologique à grande échelle, capable d’exploiter simultanément les données climatiques, hydrologiques et territoriales.
Les travaux de Mathilde Puche montrent que les approches basées sur les LSTM ne constituent plus seulement une alternative aux modèles hydrologiques traditionnels.
Elles s’imposent progressivement comme une nouvelle référence pour la modélisation hydrologique, capable de combiner précision, efficacité computationnelle et robustesse face aux conditions climatiques futures.
Chez Hydroclimat, nous sommes fiers de transformer ces avancées scientifiques en solutions opérationnelles au service de l’anticipation des risques hydrologiques et de l’adaptation des territoires au changement climatique.
