Résumé de la thèse : Les crues et les sécheresses sont deux des risques majeurs en France et nécessitent une attention particulière. Dans ces conditions où le changement climatique engendre des phénomènes extrêmes de plus en plus fréquents, la modélisation de ces risques est désormais un élément incontournable pour la gestion de la ressource en eau. Actuellement, les débits ou hauteurs d’eau sont principalement anticipés à partir de modèles à base physique ou conceptuelle. Bien qu’efficaces et nécessaires, la calibration et la mise en œuvre de ces modèles nécessitent la réalisation d’études longues et coûteuses.
Dans ce contexte, cette thèse, soutenue par l’IMT Mines Alès et conjointement financée par la société aQuasys et l’ANRT, a pour objectif de développer des modèles issus du paradigme systémique. Ceux-ci nécessitent uniquement des connaissances a priori basiques sur la caractérisation physique du bassin étudié, et qui peuvent être calibrés à partir des seules informations d’entrées et de sorties (pluies et débits/hauteurs). Les modèles les plus utilisés dans le monde environnemental sont les réseaux neuronaux, qui sont utilisés sur ce projet. Cette thèse cherche à répondre à trois objectifs principaux :
1. Élaboration d’une méthode de conception de modèle adaptée aux différentes variables (débits/hauteur des eaux de surface) et à des bassins de types très différents : bassins versants ou bassins hydrogéologiques (hauteur des eaux souterraines)
2. Évaluation des incertitudes liées à ces modèles en fonction des types de bassins visés
3. Réduction de ces incertitudes
Plusieurs bassins sont utilisés pour répondre à ces problématiques : la nappe du bassin du Blavet en Bretagne et le bassin de la nappe de la Craie de Champagne sud et Centre.
Abstract : Floods and droughts are the two main risks in France and require a special attention. In these conditions, where climate change generates increasingly frequent extreme phenomena, modeling these risks is an essential element for water resource management.
Currently, discharges and water heights are mainly predicted from physical or conceptual based models. Although efficient and necessary, the calibration and implementation of these models require long and costly studies.
Hydrogeological forecasting models often use data from incomplete or poorly dimensioned measurement networks. Moreover, the behavior of the study basins is in most cases difficult to understand. This difficulty is thus noted to estimate the uncertainties associated with hydrogeological modeling.
