Reconstruction à long terme des débits naturels dans des bassins versants régulés à l’aide de l’apprentissage automatique et d’approches d’ensembles multi-modèles

Description :

Doctorant : Shahriar Mehrvand

Direction de thèse : Marie-Amélie Boucher
Président de soutenance : À être confirmé

Résumé : « Cette thèse propose un cadre de reconstruction des débits naturels intégrant l’apprentissage automatique, les ensembles multi-modèles et la validation dendrohydrologique.

Trois algorithmes (ANN, RF, LGBM) ont été entraînés sur 675 bassins pour estimer les paramètres du modèle GR4J-CemaNeige à partir d’attributs physio-climatiques.
Les approches ML surpassent la régionalisation classique (DAR, proximité spatiale) pour estimer les débits.
Un ensemble de cinq modèles calibrés avec ces débits a permis de reconstruire 74 ans (1950-2023) d’écoulements quotidiens de l’Abitibi.
La validation indépendante montre de fortes corrélations avec la rivière Harricana ($r=0.721$) et les séries de cernes de crues ($r=0.44$–0.69).
L’analyse bayésienne hiérarchique révèle une hausse crédible des débits depuis 1950 : +1.91 m³/s/an (annuel) et +2.67 m³/s/an (printemps).
Cette recherche démontre l’efficacité de l’apprentissage automatique et des ensembles pour représenter les incertitudes structurelles et paramétriques.
Le cadre proposé offre une méthode reproductible pour reconstruire les débits naturels dans des bassins régulés et guider la gestion de l’eau face au climat. »