Modélisation des crues de bassins karstiques par réseaux de neurones. Cas du bassin du Lez (France)

• Main Author: Kong A Siou, Line
• Language: FRE
• Published: Université Montpellier II - Sciences et Techniques du Languedoc 2011
• Subjects: [SDU:STU:HY] Sciences of the Universe/Earth Sciences/Hydrology; [SDE:MCG] Environmental Sciences/Global Changes; KARST; MODELISATION HYDRODYNAMIQUE; RESEAUX DE NEURONES; LEZ; CRUE
• Online Access: http://tel.archives-ouvertes.fr/tel-00649103; http://tel.archives-ouvertes.fr/docs/00/64/91/03/PDF/THESELine.pdf

Les karsts sont l'une des formations aquifères les plus présentes au monde. Exploités, ils fournissent de l'eau potable pour près de 25% de la population mondiale. Cependant la forte hétérogénéité de leur structure implique un comportement non-linéaire particulièrement difficile à simuler et à prévoir. Les réseaux de neurones formels sont des modèles d'apprentissage statistique qui ont été largement utilisés en hydrologie de surface depuis les années 1990, grâce à leurs propriétés de parcimonie et d'approximation universelle. Dans cette thèse, il est proposé d'utiliser les réseaux de neurones pour étudier le comportement des aquifères karstiques. L'aquifère du Lez est choisi pour appliquer le modèle par réseaux de neurones. Cet aquifère, situé près de l'agglomération de Montpellier (400 000 habitants), est exploité pour fournir de l'eau potable à une grande partie de l'agglomération. Dans un premier temps, un réseau de neurones " classique ", de type boîte noire, est appliqué à la simulation et à la prévision des débits de la source du Lez. Une méthode de sélection des entrées de pluie est proposée, couplant analyse par corrélations croisées et méthode de validation croisée. Les résultats montrent l'adéquation du modèle neuronal pour la simulation et la prévision du débit de la source d'un aquifère karstique complexe. Le test du modèle est effectué sur les deux cycles hydrologiques comportant les crues les plus intenses de la base de données. Les hydrogrammes montrent que le modèle neuronal a été capable de correctement prévoir les débits des crues majeures en test, qui sont supérieurs aux débits présents dans la base d'apprentissage du modèle. La prévision est acceptable jusqu'à un horizon de prévision de un jour. Dans un second temps, une méthode d'extraction des données contenues dans la boîte noire est proposée. Afin de contraindre le modèle neuronal à donner des valeurs physiquement interprétables, des connaissances a priori sur la géologie de l'aquifère sont incluses dans l'architecture du réseau de neurones. La méthode KnoX (Knowledge eXtraction) proposée dans cette étude permet d'extraire du modèle les contributions des différentes zones géologiques à la source du Lez ainsi que les temps de réponse correspondants. L'application de la méthode KnoX à un hydrosystème fictif dont on contrôle en particulier les temps de réponse et contributions des différents sous-hydrosystèmes fictifs a permis de valider cette méthode. Les résultats obtenus sur le bassin du Lez sont très satisfaisants et en adéquation avec les connaissances actuelles que l'on a sur ce système. De plus la méthode a permis d'affiner ces connaissances, notamment l'infiltration retardée par des aquifères perchés et les limites du bassin d'alimentation de la source du Lez. Enfin, la méthode KnoX est générique et applicable à tout hydrosystème pour lequel on dispose de mesures de pluie et de débit.