Assas Recherche | Apprentissage ?r?f?nd dans l'?ydr?l?gie de l'Estuaire de la Seine : Rec?nstructi?n des D?nnées ?ist?riques et ?révisi?n ?ydraulique

Apprentissage ?r?f?nd dans l'?ydr?l?gie de l'Estuaire de la Seine : Rec?nstructi?n des D?nnées ?ist?riques et ?révisi?n ?ydraulique (Document en Anglais, Anglais, Anglais, Anglais, Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse soumise à l'embargo de l'auteur jusqu'au 20/03/2025 (communication intranet).

Informations sur les contributeurs

Auteur : Janbain Imad

Janbain, Imad

Nom

Janbain

Prénom

Imad

Nationalité

Français

Date de soutenance : 20-09-2024

Directeur(s) de thèse : Jardani Abderrahim

Jardani, Abderrahim

Nom

Jardani

Prénom

Abderrahim

- Deloffre Julien

Deloffre, Julien

Nom

Deloffre

Prénom

Julien

Etablissement de soutenance : Normandie

Normandie

Nom

Normandie

Laboratoire : Morphodynamique continentale et côtière (Caen ; 1996-....)

Morphodynamique continentale et côtière (Caen ; 1996-....)

Nom

Morphodynamique continentale et côtière (Caen ; 1996-....)

Ecole doctorale : École doctorale Normande de biologie intégrative, santé, environnement (Mont-Saint-Aignan, Seine-Maritime)

École doctorale Normande de biologie intégrative, santé, environnement (Mont-Saint-Aignan, Seine-Maritime)

Nom

École doctorale Normande de biologie intégrative, santé, environnement (Mont-Saint-Aignan, Seine-Maritime)

Informations générales

Discipline : Sciences de l'univers
Classification : Sciences de la terre

Mots-clés libres : Intelligence artificielle, Apprentissage Profond, Série Temporelle, Base de données historiques, Hydrologie, Prévision d'Inondation
Mots-clés :

Intelligence artificielle
Apprentissage profond
Séries chronologiques
Hydrologie
Inondations -- Prévision
Bases de données spatio-temporelles

Résumé : Cette thèse de doctorat explore l’application des algorithmes d’apprentissage profond (Deep Learning - DL) pour relever les défis hydrologiques dans le bassin de la Seine, le deuxième plus long fleuve de France. Le régime hydraulique complexe de la Seine, influencé par les précipitations variables, les affluents, les interventions humaines et les fluctuations des marées, constitue un cadre idéal pour l’utilisation de techniques computationnelles avancées. Les modèles DL, notamment les réseaux neuronaux récurrents et les mécanismes d’attention, ont été choisis pour leur capacité à capturer les dépendances temporelles à long terme dans les séries chronologiques, surpassant ainsi les modèles traditionnels d’apprentissage machine (ML), tout en nécessitant moins de calibration manuelle que les modèles à base physique. La recherche se concentre sur le développement de méthodologies personnalisées pour améliorer l’efficacité du DL et optimiser son application face aux défis spécifiques du bassin de la Seine. Ces défis incluent la compréhension et la gestion des interactions complexes dans la zone d’étude, la gestion des limitations des données, le comblement des lacunes de données, la reconstruction et la projection des bases de données historiques manquantes, cruciales pour analyser les fluctuations du niveau d’eau en réponse à des variables telles que les changements climatiques, ainsi que la prédiction des événements d’inondations, notamment les crues extrêmes.Nos contributions, détaillées à travers quatre articles, illustrent l’efficacité du DL dans divers défis hydrologiques et applications : le comblement des lacunes des données de niveau d’eau sur plusieurs mois dans les enregistrements horaires, la reconstruction historique des paramètres de qualité de l’eau sur une période de plus de 15 ans dans le passé, l’analyse des interactions entre les stations, ainsi que la prédiction des événements de crue extrême à grande échelle (jusqu’à 7 jours à l’avance dans les données quotidiennes) et à petite échelle (jusqu’à 24 heures dans les données horaires).Les techniques proposées, telles que l’approche de décomposition Mini-Look-Back, les stratégies automatisées de reconstruction historique, les fonctions de perte personnalisées et l’ingénierie des caractéristiques approfondie, mettent en lumière la polyvalence et l’efficacité des modèles DL pour surmonter les limitations des données et surpasser les méthodes traditionnelles. La recherche souligne l’importance de l’interprétabilité en plus de la précision de la prédiction, offrant ainsi des informations sur la dynamique complexe de la Seine.Ces résultats mettent en évidence les potentialités du DL et des méthodologies développées dans les applications hydrologiques, tout en suggérant une applicabilité plus large à travers divers domaines traitant des séries chronologiques de données.

Informations techniques

Type de contenu : Text, Text, Text, Text, Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024NORMR033
Type de ressource : Thèse