Amélioration de la prévision des crues par l’utilisation de réseaux de neurones récurrents de type LSTM : étude de cas du bassin versant de l’Ill et de la Sarre

Les inondations représentent les catastrophes naturelles les plus fréquentes dans le monde, et leur intensité devrait s’accentuer en raison du changement climatique, rendant crucial le défi de limiter leurs impacts humains et économiques dévastateurs. L’anticipation des crues constitue une stratégie clé pour atténuer ces risques, nécessitant des modèles et outils de prévision toujours plus performants. En France, la prévision des crues repose principalement sur des modèles hydrologiques traditionnels basés sur des données empiriques ou des principes physiques, tandis que les modèles d’intelligence artificielle (IA) et d’apprentissage automatique (ML), qui offrent des avantages en matière de précision et de rapidité, ne sont pas encore pleinement intégrés dans la gestion des inondations à l’échelle nationale. Une étude récente a mis en lumière le potentiel des modèles d’ensemble, tels que le Random Forest (RF) et le Gradient Boosting (GB), pour prévoir les crues sur deux stations hydrométriques du bassin de l’Ill. La présente étude vise à évaluer l’intérêt des modèles d’IA plus avancés, en particulier des réseaux de neurones récurrents (RNN) de type LSTM (Long Short-Term Memory), pour améliorer la prévision des hauteurs d’eau à 24 heures. Ces modèles utilisent des données hydrométriques (hauteur et débit des cours d’eau) et météorologiques (précipitations, humidité, température) enregistrées à un pas de temps horaire. Les résultats montrent que ces données publiques permettent une représentation précise de la dynamique hydrologique locale, et que les modèles LSTM surpassent les modèles RF et GB dans la précision de prévision à 24 heures. Ce travail démontre le potentiel des algorithmes d’IA avancés pour renforcer la prévision des crues en France en complément des modèles traditionnels et souligne l’importance d’intégrer ces outils dans les stratégies de gestion des risques d’inondation.

Floods are the most frequent natural disasters worldwide, and their intensity is expected to increase due to climate change, making it crucial to address the challenge of minimizing their devastating human and economic impacts. Flood forecasting is thus a key strategy for mitigating these risks, requiring increasingly effective models and prediction tools. In France, flood forecasting primarily relies on traditional hydrological models based on empirical data or physical principles, while artificial intelligence (AI) and machine learning (ML) models—which offer advantages in terms of accuracy and speed—have not yet been fully integrated into national flood management. A recent study highlighted the potential of ensemble models, such as Random Forest (RF) and Gradient Boosting (GB), for forecasting floods at two hydrometric stations in the Ill River basin. The present study aims to evaluate the benefits of more advanced AI models, specifically Long Short-Term Memory (LSTM) recurrent neural networks (RNN), for improving 24-hour water level forecasts. These models utilize hydrometric data (water height and river flow) and meteorological data (precipitation, humidity, temperature) recorded at hourly intervals. The results show that this publicly available data enables an accurate representation of local hydrological dynamics, and that LSTM models outperform RF and GB models in 24-hour forecasting accuracy. This work demonstrates the potential of advanced AI algorithms to enhance flood forecasting in France, complementing traditional models, and emphasizes the importance of incorporating these tools into flood risk management strategies.