Évaluation des performances de l'intelligence artificielle et de l'apprentissage automatique pour la prévision des crues : étude de cas du bassin versant de l'Ill

Les inondations, une aléa récurrente pouvant se montrer dévastatrice, peuvent causer de lourds dommages humains et économiques, et sont susceptibles de s’intensifier avec le changement climatique. Leurs impacts soulignent la nécessité d’anticiper les crues en développant constamment des outils efficaces et à la pointe pour la gestion du risque d’inondation. En France, la prévision des crues repose sur des outils de modélisation spécifiques basés sur la physique, la donnée ou une combinaison des deux. L’intelligence artificielle (IA), en plein essor, offre de nouvelles possibilités et perspectives pour les ingénieurs et chercheurs du domaine, mais n’est cependant pas encore utilisée à l’échelle nationale pour la prévision des crues. Bien que les algorithmes complexes d’apprentissage automatique (ML, Machine Learning) soient prometteurs pour la prévision des crues, leur mise en œuvre et leur utilisation courante restent difficiles pour les non-spécialistes. Cet article explore l’utilisation de six algorithmes d’apprentissage automatique, incluant des modèles simples d’ensemble, pour prévoir les hauteurs d’eau à 24 heures au niveau de deux stations de prévision des crues en France situées dans le Grand Est. Les résultats montrent que les niveaux d’eau, et donc les crues, peuvent être anticipés 24 heures à l’avance en utilisant uniquement des données de hauteur d’eau et par l’intermédiaire de modèles d’apprentissage automatique simples appartenant aux modèles ensemblistes. (Random Forest et Gradient Boosting). Ces derniers se révèlent performants, tout en restant accessible aux non-spécialistes, tandis que les modèles plus complexes ne permettent pas d’obtenir des résultats supérieurs en l’absence de données météorologiques supplémentaires telles que les pluies. Ce travail ouvre la voie vers l’utilisation de l’apprentissage automatique et de l’intelligence artificielle pour la prévision des crues en France.

Floods, a recurring hazard with devastating potential, can cause significant human and economic damage, and are likely to intensify with climate change. Their impacts underscore the need to anticipate floods by continually developing effective and cutting-edge tools for flood risk management. In France, flood forecasting relies on specific modeling tools based on physics, data, or a combination of both. Artificial intelligence (AI), currently expanding, offers new possibilities and perspectives for engineers and researchers in the field, but is not yet used nationally for flood forecasting. While complex machine learning algorithms show promise for flood prediction, their implementation and widespread use remain challenging for non-specialists. This article explores the use of six machine learning algorithms, including simple ensemble models, to forecast water levels 24 hours ahead at two flood forecasting stations in the Grand Est region of France. The results demonstrate that water levels, and consequently floods, can be anticipated using only water level data through simple machine learning models belonging to ensemble models (Random Forest and Gradient Boosting). These models perform well while remaining accessible to non-specialists, whereas more complex models do not yield superior results in the absence of additional meteorological data such as rainfall. This work paves the way for the use of machine learning and artificial intelligence in flood forecasting in France