Geomatique à France

Institut national de recherche pour l'agriculture, l'alimentation et l'environnement

Anticiper les risques hydrologiques (inondations et sécheresses) permet de sauver des vies, de mieux gérer la ressource en eau et les écosystèmes aquatiques, et plus généralement de réduire les impacts socio-économiques et environnementaux de ces risques. En ce sens, l’amélioration des systèmes opérationnels de prévision des aléas hydrologiques est un enjeu majeur. Les systèmes de prévision hydrologique les plus avancés réunissent diverses composantes comme l’intégration de la prévision météorologique (pluie, neige, température), la modélisation hydrologique de la transformation des forçages météorologiques en débits de rivière, des méthodes statistiques de traitement des entrées ou sorties des modèles, et des méthodes d’assimilation de données qui permettent d’exploiter une variété d’observations disponibles en temps réel pour corriger les modèles (débit en rivière, niveau de nappe, humidité du sol, etc.). Ces composantes s’inscrivent généralement dans un cadre probabiliste permettant de quantifier les principales sources d’incertitude. INRAE développe de tels systèmes de prévision, utilisés actuellement pour alimenter la plateforme nationale de prévision des crues Vigicrues[1] et celle de prévision des étiages PREMHYCE[2]. Aujourd’hui, le développement rapide de l'intelligence artificielle et des algorithmes d’apprentissage automatique (Machine Learning) ouvre la voie pour optimiser l’usage des données existantes et améliorer notre capacité à apprendre à partir de ces données passées pour mieux prévoir l’avenir.

L’objectif principal de cette thèse est d’explorer l’apport des méthodes issues du Machine Learning pour améliorer les capacités prédictives de systèmes de prévision des aléas hydrologiques. L’idée est de s’appuyer sur une approche hybride, c’est-à-dire d’explorer des systèmes associant approches traditionnelles de prévision (basées sur les processus physiques) et composantes performantes issues de techniques du Machine Learning. Ces dernières offrent notamment de nouvelles perspectives pour dépasser les limites rencontrées par les méthodes utilisées habituellement pour assimiler des données, comme les variantes des filtres de Kalman ou les filtres à particules. On s’intéressera aux problématiques liées à : i) la cohérence et la complémentarité entre stratégies d’assimilation, de post-traitement déterministe et de post-traitement d’incertitudes; ii) la mise en place de stratégies d’assimilation multi-variables dans des contextes climatiques et hydrologiques variés; iii) la mise en place de stratégies spatialement cohérentes pour des modélisations qui découpent le bassin versant en sous-bassins (modélisations semi-distribuées) pour mieux appréhender la dynamique spatiale des événements de crues et de sécheresses.

Le travail s’appuiera sur un grand échantillon de bassins français. Il sera réalisé dans un contexte de modélisation hybride, à l’aide de stratégies d’évaluation adaptées aux prévisions probabilistes. Les développements méthodologiques devront permettre de faire émerger une nouvelle génération de systèmes opérationnels de prévision des aléas hydrologiques, et, notamment, d’ouvrir des voies d’évolution future des systèmes de prévision du réseau Vigicrues et de la plateforme PREMHYCE en France.

Funding category: Autre financement public



PHD title: Doctorat en Hydrologie

PHD Country: France

Formation de niveau Master 2 ou d’école d’ingénieur avec une spécialisation dans le domaine de l’hydrologie, de l’hydrométéorologie, de l’environnement, ou des mathématiques appliquées (analyse numérique, optimisation, probabilités, statistique) en interface avec le climat ou les sciences de la Terre et de l’environnement

Connaissances techniques et expériences souhaitées:

Capacité à manipuler de larges bases de données;
Goût pour le calcul numérique et la programmation informatique (par ex. R, Python, Fortran, C++);
Compétences en modélisation (hydrologique, environnementale ou statistique);
Une connaissance des problématiques de prévision hydrologique et une expérience avec les outils de modélisation associés seraient des atouts pour traiter ce sujet de thèse.

Qualités recherchées:

Organisation, autonomie et rigueur dans le travail scientifique ;
Capacité de travail en équipe;
Capacités de rédaction et communication en français et en anglais scientifique;
Intérêt pour les problématiques liées à l’environnement et les risques associés.

Number of offers available 1 Company/Institute Institut national de recherche pour l'agriculture, l'alimentation et l'environnement Country France City Antony Geofield