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.

Les inondations, un risque récurrent au potentiel dévastateur, peuvent causer des dommages humains et économiques importants et sont susceptibles de s'intensifier avec le changement climatique. Leurs impacts soulignent la nécessité d'anticiper les inondations en développant continuellement des outils efficaces et de pointe pour la gestion du risque d'inondation. En France, la prévision des inondations s'appuie sur des outils de modélisation spécifiques basés sur la physique, les données ou une combinaison des deux. L'intelligence artificielle (IA), en pleine expansion, offre de nouvelles possibilités et perspectives aux ingénieurs et chercheurs du domaine, mais n'est pas encore utilisée à l'échelle nationale pour la prévision des inondations. Si les algorithmes complexes d'apprentissage automatique sont prometteurs pour la prévision des inondations, leur mise en œuvre et leur utilisation généralisée restent difficiles pour les non-spécialistes. Cet article explore l'utilisation de six algorithmes d'apprentissage automatique, dont des modèles d'ensemble simples, pour prévoir les niveaux d'eau 24 heures à l'avance dans deux stations de prévision des inondations dans la région du Grand Est en France. Les résultats démontrent que les niveaux d'eau, et par conséquent les inondations, peuvent être anticipés en utilisant uniquement des données de niveau d'eau grâce à des modèles d'apprentissage automatique simples appartenant à des modèles d'ensemble (Random Forest et Gradient Boosting). Ces modèles sont performants tout en restant accessibles aux non-spécialistes, alors que les modèles plus complexes ne donnent pas de résultats supérieurs en l’absence de données météorologiques complémentaires
telles que les précipitations. Ces travaux ouvrent la voie à l’utilisation de l’apprentissage automatique et de l’intelligence artificielle dans la prévision des inondations en France.