Prévision des crues sur le bassin amont de la Loire à partir de modèles pluie-débit globaux et de réseaux de neurones. Rapport Final
Résumé
Flood Forecasting is an old hydrological problem, which has not yet received a satisfying answer. In the framework of the RIO2 research program, we aimed to compare and improve flood-forecasting tools, while focusing on a very interesting but challenging area: the upper catchment of the Loire River. We relied exclusively on methods involving rainfall-runoff modelling, which is the best-adapted in this area in terms of forecast lead time, as well as in terms of applicability on upland catchments. More generally, the research presented here is a contribution to the development of flood-forecasting tools targeting operational services. Around 15 catchments were studied, with an area between 30 and 5000 km². Several modelling approaches were tested. We obtained promising results, both at the hourly and the daily time step. We started with a methodological review, which was needed as a basis for our comparative approach: we defined criteria that could be used to assess model efficiency in a flood-forecasting context. We also present an approach allowing estimating the maximum possible forecast lead on a given basin. Last, we reviewed the possibilities for updating hydrological models for flood forecasting applications. Then our work focused on intercomparing and improving rainfall-runoff models. We were inspired by the direct assimilation of Artificial Neural Networks to propose a similar solution for a conceptual rainfall-runoff model (GR), which appears quite promising for its efficiency and its robustness. We also had considered improving forecasting efficiency through a multi-model approach. But the test we made (on a single basin) did not give the expected success, and resulted only in an uncertainty processing. Last, we studied the sensitivity of flood forecasting models to the quality of rainfall information, and assessed the minimum number of raingages needed for reliable flood forecasting on the Loire River.The main perspectives for continuing research encompasses pursuing the quest for an efficient multi-model approach, validating the GR-Prévi algorithm on a larger number of watersheds, comparing with physically-based approaches, and optimising raingage networks.
La prévision des crues est un problème ancien, qui reste encore aujourd`hui difficile à résoudre. Dans le cadre du programme "Risque d'Inondation" (RIO2), nous avons voulu comparer et améliorer des outils de prévision des crues, en nous concentrant sur une zone particulièrement intéressante (mais difficile) : le haut bassin de la Loire. Nous nous sommes exclusivement intéressés à la modélisation pluie-débit, qui est la mieux adaptée à la prévision dans cette zone, notamment pour ce qui est des délais de prévision possibles, et de son utilisation sur des bassins amont. Ce travail s'inscrivait de manière plus générale dans le cadre du développement d'outils pluie-débit de prévision des crues pour les services opérationnels. Une quinzaine de bassins versants, d'une taille comprise entre 30 et 5000 km² au total ont été étudiés, et plusieurs approches de modélisation ont été testées. Des résultats intéressants ont été obtenus, à la fois au pas de temps horaire et au pas de temps journalier. Nous avons en premier lieu effectué un travail méthodologique indispensable pour pouvoir progresser dans notre démarche comparative : la définition des critères utilisables pour évaluer la performance de modèles de prévision des crues. Nous avons également proposé une démarche permettant d`évaluer le délai maximum de prévision sur un bassin. Enfin, nous avons abordé la question de la mise à jour des modèles hydrologiques pour une application en prévision. Ensuite, notre travail a porté sur un aller-retour entre intercomparaisons et améliorations méthodologiques sur les modèles pluie-débit utilisés. Nous avons proposé d'imiter l`assimilation directe des dernières données de débit connues dans les RNA pour faire progresser les modèles conceptuels (GR) et proposer une version à assimilation directe, qui apparaît très prometteuse par sa performance et par sa robustesse. Nous avons aussi mis en oeuvre une approche multi-modèle, proposée à l`origine dans un double objectif d`amélioration des performances et de la robustesse des prévisions de crue et de calcul des incertitudes. Pour le premier objectif, nous n`avons pas remporté le succès escompté, et l`approche multi-modèle n`aura finalement permis qu`un calcul d`incertitude. Enfin, nous avons étudié la sensibilité des modèles de prévision de crue à la qualité de l`information pluviométrique et proposé une méthode permettant d'évaluer le nombre de pluviomètres nécessaires à une prévision fiable des crues. Les principales perspectives de poursuite du travail engagé concernent l`approche multi-modèle, la validation de l`algorithme GR-Prévi, la comparaison avec des approches à base physique, et l`optimisation des réseaux pluviométriques.