Les inondations figurent parmi les catastrophes naturelles les plus répandues et les plus dévastatrices au monde. La précision des prévisions de débit et la diffusion rapide des alertes d'inondation ont un impact direct sur les capacités de prévention et d'atténuation des catastrophes d'un bassin versant, sa sécurité écologique et la stabilité de son fonctionnement socio-économique. C'est pourquoi l'hydrologie considère depuis longtemps l'amélioration de la prévision des inondations comme l'un de ses enjeux fondamentaux.

Au cours des dernières décennies, l'apprentissage automatique a connu une évolution continue dans les domaines de la simulation hydrologique et de la prévision des crues. Les premières recherches portaient principalement sur des modèles conceptuels pluie-débit.Ces méthodes ont joué un rôle important dans les « bassins versants sans données » où les données d'observation sont rares et où les stations de mesure sur le terrain sont peu nombreuses.Avec l'augmentation du volume de données et de la puissance de calcul, la recherche s'est progressivement déplacée de la simple amélioration de la précision des prévisions vers des directions plus complexes telles que l'interprétabilité des modèles, la quantification de l'incertitude, l'assimilation des données et l'intégration de modèles mécanistes avec l'apprentissage profond, propulsant ainsi la prévision hydrologique dans une nouvelle phase guidée par la synergie « données + mécanisme ».

Dans ce contexte, Google Research a récemment déployé à grande échelle un modèle hydrologique d'apprentissage automatique validé par les entreprises pour le système mondial de prévision des inondations.Sa deuxième version (v2) du système mondial de prévision des crues a été officiellement lancée et est devenue le moteur principal du module de prévision des crues de Google FloodHub.Par rapport à la première version, la version 2 propose des améliorations systématiques visant à résoudre trois problèmes majeurs et persistants qui freinent son déploiement opérationnel : l’insuffisance des données d’entraînement, la longueur limitée des séries temporelles et le biais de distribution des données d’entrée. Ces améliorations renforcent considérablement la stabilité et la fiabilité des prévisions de ruissellement à l’échelle mondiale.

Toutefois, pour passer de l'« efficacité du modèle » à la « reproductibilité et à l'évolutivité au sein de la communauté », il est nécessaire de s'attaquer à des problèmes tels que la transparence des algorithmes et l'ouverture des données. Dans cette optique, l'équipe de recherche, parallèlement à la publication de la version 2 du système, a également rendu publics des détails clés de la mise en œuvre du processus de développement ainsi que les défis actuellement rencontrés.Ils ont également lancé le jeu de données de réanalyse et de prévision des ruissellements de Google (GRRR).Cet ensemble de données couvre plus d'un million de stations fluviales dans le monde entier et comprend des décennies de résultats de simulations historiques et de prévisions actualisées, fournissant une base de données importante pour les recherches méthodologiques ultérieures et l'itération du modèle.

Les jeux de données pertinents sont disponibles en ligne :

https://go.hyper.ai/PdolQ

Les résultats de cette recherche, intitulée « Extension des prévisions mondiales d'inondations à moyen terme : le modèle de prévision mondiale des inondations de Google, version 2 », ont été publiés dans EGUsphere.

Points saillants de la recherche :

* Introduction de la deuxième version du Système mondial de prévision des crues, améliorant considérablement la durée effective des prévisions fiables.

* Dans 1 223 bassins d'essai à travers le monde, la deuxième version des prévisions intégrées a démontré une précision supérieure à celle de la première version et de deux modèles de référence tiers.

* Utilisation du NSE comme métrique d'évaluation : par rapport à la première version des prévisions en direct, la deuxième version étend la durée de prévision fiable de 6 jours dans les bassins versants dotés de stations d'observation réelles et d'1 jour dans les bassins versants dépourvus de stations d'observation réelles.

Voir le document :
https://egusphere.copernicus.org/preprints/2026/egusphere-2026-2283/

Ensembles de données : attributs statiques, facteurs dynamiques et observations de ruissellement

La tâche principale des modèles de prévision des débits fluviaux est de prédire le débit journalier moyen à l'exutoire de chaque bassin.Les données d'entrée du modèle se composent principalement de trois parties : les attributs statiques du bassin versant, les données météorologiques dynamiques et les données de ruissellement cibles.

Les attributs statiques d'un bassin versant servent à décrire ses caractéristiques physiques stables, invariantes dans le temps et à long terme.L'étude a utilisé un total de 92 attributs spatiaux moyens.Les données proviennent principalement d'HydroATLAS et sont combinées aux données de réanalyse ERA5-Land pour calculer des statistiques hydroclimatiques, couvrant divers aspects tels que la topographie, le climat, la couverture terrestre, le sol et les activités humaines, y compris l'altitude moyenne, l'aridité, la saisonnalité des précipitations, la couverture forestière, les propriétés hydrauliques du sol et la densité de population.

Les données météorologiques dynamiques servent à caractériser les processus météorologiques à l'origine des réponses hydrologiques. Les recherches existantes ont démontré que la fusion de données météorologiques multi-sources peut améliorer significativement la capacité prédictive des modèles de type LSTM. C'est pourquoi le système v2 intègre simultanément plusieurs produits météorologiques mondiaux, notamment ceux du Centre européen pour les prévisions météorologiques à moyen terme (HRES), du CPC de la NOAA (National Oceanic and Atmospheric Administration), de GraphCast et de l'IMERG (National Aeronautics and Space Administration). Les variables d'entrée couvrent des facteurs météorologiques clés tels que les précipitations totales et la température à 2 mètres, et sont agrégées uniformément à l'échelle journalière. Comparée à l'utilisation d'une seule source météorologique, cette approche de fusion multi-sources permet de mieux atténuer les problèmes d'erreur entre les différentes régions et échelles temporelles.

Concernant les données sur le ruissellement,Le système v2 est entraîné à l'aide de trois ensembles de données : Caravan, GRDC et BANDAS.La version 1 (v1) reposait exclusivement sur GRDC. Afin de garantir la comparabilité, les sites de test GRDC utilisés dans v1 ont été intégralement conservés dans l'ensemble de test de la version 2 (v2). Comme illustré dans la figure ci-dessous, les échantillons d'entraînement élargis couvrent différentes zones climatiques et environnements hydrologiques à l'échelle mondiale, améliorant considérablement la représentativité spatiale. Caravan est un vaste ensemble de données de bassins versants en accès libre, construit sur le système CAMELS et intégrant des ressources de données provenant de nombreux pays et instituts de recherche.

Le modèle distingue deux étapes dans les opérations commerciales : « post-reporting » et « prévision ».La phase de post-production utilise principalement les données à jour zéro de HRES et GraphCast, tandis que CPC et IMERG sont exclus des prévisions temporelles futures en raison de leur incapacité à fournir des prévisions en temps réel. Les archives opérationnelles de HRES et GraphCast débutant respectivement en 2012 et 2016, tandis que les observations d'ERA5-Land et de ruissellement remontent à 1980, l'équipe de recherche a utilisé ERA5-Land pour compléter les premières périodes manquantes, assurant ainsi la cohérence de l'apprentissage des séries à long terme.

La mise à niveau de l'architecture résout complètement le défaut lié aux changements soudains dans l'initialisation des prévisions.

Le cœur de la deuxième version du système mondial de prévision des inondations de Google est le réseau de mémoire à long terme intégré à la moyenne (ME-LSTM).Comparé au LSTM encodeur-décodeur (ED-LSTM) utilisé dans la première version, le ME-LSTM est mieux adapté à la gestion des entrées manquantes et des prévisions de séries temporelles à long terme, et il résout également le problème des mutations de prédiction qui se produisent facilement lors du passage entre les étapes de post-rapport et de prévision dans la v1.

Dans la version 1, l'évaluation et la prévision sont traitées par deux réseaux LSTM indépendants. Les états cachés et les états des cellules produits par le réseau d'évaluation sont transformés par un petit réseau de neurones et utilisés pour initialiser le réseau de prévision. Cette conception vise à permettre aux étapes d'évaluation et de prévision d'apprendre différentes distributions de données, atténuant ainsi les écarts entre les données observées, les données de réanalyse et les données de prévision météorologique. Cependant, en pratique…Cette structure peut facilement entraîner une instabilité dans l'état initial de la prévision, amenant le modèle à privilégier l'ajustement de son état interne plutôt que de réagir rapidement au processus hydrologique réel, ce qui se traduit par des résultats de prévision discontinus.

Pour remédier à ce problème, ME-LSTM ne combine plus directement toutes les données météorologiques.Chaque produit météorologique est traité comme une source d'entrée indépendante et mappé sur un espace caché partagé via un réseau embarqué dédié.Avant l'intégration, les attributs statiques du bassin versant sont concaténés aux entrées dynamiques correspondantes. Ensuite, le modèle agrège automatiquement les données provenant de différentes sources à l'aide d'un mécanisme de moyenne masquée, tout en ignorant les entrées manquantes, ce qui améliore sa robustesse face aux données manquantes et aux variations de la distribution des entrées.

Au niveau de la modélisation des séries temporellesME-LSTM utilise deux couches LSTM superposées pour traiter uniformément l'ensemble de la série temporelle, éliminant ainsi la nécessité de séparer manuellement les phases de prévision et d'estimation. Par conséquent, l'état du modèle peut évoluer en continu.Cela élimine fondamentalement le problème de transition d'état de la version 1. La première couche LSTM est responsable du traitement de la séquence d'entrée complète et de la génération de caractéristiques agrégées, tandis que la seconde couche LSTM utilise ces caractéristiques pour effectuer la prédiction du ruissellement.

Les deux modèles utilisent une couche de sortie à densité mixte pour réaliser des prévisions probabilistes, en fournissant des paramètres de distribution de Laplace asymétrique à mélange dénombrable (CMAL) afin de caractériser l'incertitude des débits futurs. Les résultats déterministes présentés dans cet article sont obtenus à partir de la moyenne de la distribution prédite.

Pour l'entraînement, la version 2 utilise l'optimiseur Adam et la fonction de perte de vraisemblance CMAL, et améliore la robustesse du modèle grâce à des stratégies telles que l'injection de bruit gaussien, l'élagage du gradient et l'élimination aléatoire des entrées. L'élimination aléatoire de certaines caractéristiques temporelles des entrées renforce la capacité du modèle à gérer les données manquantes dans des environnements d'entreprise réels. Le processus d'entraînement complet comprend 125 époques afin d'améliorer la capacité de généralisation du modèle dans des environnements hydrologiques globaux complexes.

L'amélioration de la corrélation temporelle conduit à une amélioration significative de la précision de la deuxième version de la prévision intégrée.

Cette étude évalue principalement les performances du système v2 dans deux types de scénarios :On distingue deux catégories de bassins versants : ceux disposant de stations hydrologiques de mesure, et les « bassins versants sans données », dépourvus de données locales et pour lesquels la prédiction repose uniquement sur la généralisation inter-bassins. Contrairement à la validation croisée aléatoire à 10 itérations utilisée dans la version 1, la version 2 utilise des ensembles de test indépendants pour l’évaluation, ce qui rapproche l’expérience des conditions réelles de déploiement.

Parce que la version 2 a non seulement mis à jour l'architecture du modèle, mais a également étendu les données d'entraînement et les entrées météorologiques,L'équipe de recherche a également construit une version simplifiée qui supprimait l'entrée GraphCast, afin d'analyser séparément la contribution des données de prévision météorologique de l'IA.L'expérience a utilisé le coefficient d'efficacité de Nash-Satcliffe (NSE) et le coefficient d'efficacité de Kling-Gupta (KGE) comme indicateurs principaux. Le premier mesure la capacité globale d'ajustement, tandis que le second analyse la performance du modèle selon des dimensions telles que la cohérence temporelle, le bilan hydrique et les fluctuations de débit. La période de test s'est étendue de 2016 à 2023.

Étant donné que le modèle nécessite une longue séquence historique pour son initialisation, les chercheurs ont réservé un intervalle d'isolement d'un an avant et après l'année de test, et ont complètement supprimé ces intervalles de l'ensemble d'entraînement afin d'éviter toute fuite d'informations temporelles. Au final, 1 222 bassins versants de test partagés ont été sélectionnés pour une évaluation unifiée. Les modèles de référence comprenaient des modèles opérationnels traditionnels tels que le Système mondial d'alerte aux inondations (GloFAS) et le Système européen d'alerte aux inondations (EFAS).

Les résultats montrent queLa version 2 surpasse nettement la version 1 à l'échelle mondiale, sur différentes durées de prévision et dans les deux scénarios.Parallèlement, les deux générations de modèles de Google surpassent nettement les modèles commerciaux traditionnels. L'architecture de modèle améliorée et les données d'entraînement étendues ont principalement optimisé les performances dans les bassins versants disposant de points de données mesurés ; quant à GraphCast, ses gains ont été plus marqués dans les prévisions à moyen et long terme, améliorant aussi bien les scénarios mesurés que non mesurés. Les résultats de la décomposition KGE indiquent en outre que cette amélioration provient essentiellement d'une meilleure caractérisation des variations temporelles et des fluctuations de débit du ruissellement.

Un résultat typique est que, dans les bassins versants disposant de données mesurées, la précision des prévisions de v2 au jour 6 peut atteindre, voire dépasser, le niveau de prévision en temps réel de v1 ; tandis que dans les bassins versants sans données mesurées, le délai de prévision n’est que légèrement prolongé. Ceci indique également que…Les données d'observation locales restent un facteur clé influençant la performance du modèle.

L'étude a également révélé que les caractéristiques naturelles d'un bassin versant influent considérablement sur la précision des prévisions. En général, les bassins versants caractérisés par une forte humidité, un enneigement abondant et une végétation dense sont plus susceptibles de produire des prévisions stables, tandis que les régions arides subissent généralement des erreurs plus importantes en raison des fortes fluctuations du débit. Cependant, compte tenu des données mesurées…L'amélioration apportée par la version 2 est plus marquée dans les bassins versants arides.En revanche, les bassins versants comportant de nombreux réservoirs et installations de contrôle artificielles ont montré une amélioration limitée même après les mises à jour des modèles, ce qui indique que les modèles d'apprentissage profond actuels sont encore insuffisants pour caractériser les processus complexes contrôlés par l'homme.

Derniers mots

Du développement du modèle à son déploiement opérationnel, en passant par la mise à disposition des données et du code en open source, le système v2 illustre une tendance de plus en plus marquée dans le domaine de la modélisation hydrologique par apprentissage automatique : l’objectif de la recherche ne se limite plus à « améliorer la précision de quelques points de pourcentage », mais met désormais davantage l’accent sur la stabilité, la capacité de généralisation et l’adaptabilité du modèle dans des environnements réels et complexes. Bien entendu, le système actuel présente encore des limitations importantes. Les bassins versants arides, les zones artificiellement aménagées et les scénarios sans stations de mesure constituent toujours des défis pour la prévision des crues à l’échelle mondiale ; la dépendance du modèle aux données d’observation locales n’a pas encore été totalement éliminée.

Ce travail démontre au moins un point : la combinaison de données d’entraînement de haute qualité, d’informations météorologiques multisources à l’échelle mondiale et d’une architecture d’apprentissage profond conçue pour des scénarios opérationnels permet à l’apprentissage automatique de soutenir un système de prévision des crues véritablement mondial. Il s’agit sans aucun doute d’une avancée significative et remarquable pour la prévention des inondations et des catastrophes, la gestion des ressources en eau et la gestion des risques liés aux changements climatiques extrêmes.