Sécheresses plus longues, alternance plus brutale entre étiages et crues, épisodes extrêmes, incertitudes accrues sur les trajectoires pluviométriques : le changement climatique accentue la variabilité hydrologique et impose une transformation des méthodes de pilotage de la ressource. Pour les acteurs publics, les gestionnaires et les experts, l’enjeu n’est plus seulement de “prévoir”, mais de décider dans un environnement où l’incertitude devient structurelle.
Dans ce contexte, l’intelligence artificielle (IA) prend une place croissante dans la modélisation hydrologique. Mais une question reste centrale : qu’est-ce qu’un modèle « performant » si ses conditions d’usage opérationnel ne sont pas prises en compte ? Autrement dit : un bon score sur un banc d’essai ne suffit pas si le modèle n’est pas robuste, traçable, compréhensible et actionnable quand il faut engager une décision.
La limite d’une prévision déterministe unique : l’incertitude devient une donnée de décision
Dans les situations de gestion réelles (tensions quantitatives, franchissement de seuils, déclenchement de mesures, durée d’une crise), une prévision déterministe unique est rarement suffisante pour engager une décision robuste. La question pratique n’est pas seulement “quelle valeur de débit est attendue ?”, mais plutôt :
- quelle est la marge de risque associée à cette prévision ?
- quel est le niveau de vigilance justifié au regard de l’incertitude ?
- quelle est la probabilité de dépassement de seuils pertinents pour l’action ?
- à quel horizon les risques deviennent-ils significatifs, et avec quel degré de confiance ?
C’est précisément là que les approches probabilistes et les approches d’ensemble apportent une valeur décisive : elles permettent d’éclairer l’incertitude plutôt que de la subir, d’objectiver des seuils et des niveaux de prudence, et de sécuriser l’enchaînement “prévision → décision → action”.
De la recherche au déploiement : l’opérationnel est à la fois crucial et complexe en hydrologie
La prévision hydrologique opérationnelle impose des contraintes rarement prises en compte dans les démonstrations “idéales”. Un système réellement exploitable doit composer avec :
- des données incertaines, hétérogènes, parfois incomplètes ;
- une disponibilité variable des forçages météorologiques (horizons, qualité, mises à jour) ;
- des besoins explicitement centrés sur la décision : horizons pertinents, dépassement de seuils, qualité de l’anticipation des risques, robustesse des déclencheurs ;
- la nécessité de rendre l’incertitude compréhensible et exploitable par des acteurs aux responsabilités fortes.
Cela implique deux exigences structurantes.
1) Évaluer les modèles avec des critères cohérents avec l’usage
Les critères classiques (erreurs quadratiques, NSE, etc.) sont utiles, mais ne suffisent pas toujours à qualifier l’utilité décisionnelle. Dans de nombreux cas, la capacité d’un modèle à anticiper correctement un événement (par exemple un dépassement de seuil) et à caractériser correctement son incertitude est au moins aussi importante que la minimisation d’une erreur moyenne.
Les évaluations probabilistes (par exemple, scores dédiés à la détection d’événements) permettent de juger la pertinence de la prévision au regard des décisions qu’elle doit supporter.
2) Intégrer l’incertitude météorologique et la réalité des cycles d’observation
Dès lors que l’on utilise des prévisions météorologiques incertaines, les modèles peuvent se comporter différemment que dans un cadre “parfait”. Une approche utile doit être capable de produire une information exploitable quand les forçages sont eux-mêmes incertains, et de ne pas donner une illusion de certitude.
C’est aussi pourquoi l’intégration des observations disponibles (par exemple via des mécanismes d’assimilation) est un levier important : elle permet de “recadrer” la prévision par rapport à l’état observé du système et d’améliorer la robustesse en contexte opérationnel.
LabCom aiQua (UGE × Aquasys) : industrialiser des approches IA utiles à la décision
Au sein du LabCom aiQua, les équipes de l’Université Gustave Eiffel (UGE) et d’Aquasys travaillent précisément sur ce chaînon manquant entre recherche et déploiement : construire et évaluer des modèles hydrologiques développés par IA en intégrant les incertitudes météorologiques, celles liées aux modèles, ainsi que la connaissance du terrain, avec un objectif explicite d’opérationnalisation.
Cette articulation répond à une ambition claire : ne pas produire des “objets de démonstration”, mais des méthodes et des modèles qui franchissent réellement le passage vers :
- des indicateurs actionnables (seuils, niveaux de vigilance, marges de risque),
- des workflows reproductibles (apprentissage, validation, mise à jour),
- une intégration dans des outils d’aide à la décision,
- une traçabilité compatible avec la décision publique et la gestion multi-acteurs.
Congrès SHF “Eau & IA” : une présentation centrée sur l’évaluation et l’opérationnalisation
Les travaux du LabCom aiQua seront présentés lors du congrès “Eau & IA” organisé par la SHF à Grenoble. La présentation (le 6 mars 2026 à 14h45) portera sur le thème :
« Prévision opérationnelle pluie-débit fondée sur l’IA : évaluations et perspectives »
Elle mettra l’accent sur trois éléments déterminants pour l’usage :
- l’évaluation rigoureuse des performances sur des cadres de test adaptés,
- la quantification de l’incertitude (notamment en contexte ensembliste),
- l’intégration des observations (par exemple via l’assimilation) pour améliorer la robustesse.
Ces points sont essentiels car ils structurent la capacité à industrialiser les approches IA : passer du modèle “qui fonctionne” au modèle “qui s’intègre”, “qui se maintient”, et “qui soutient une décision robuste”.
L’article scientifique complet sera mis en ligne après la conférence.
Perspectives : franchir des TRL plus bas sans perdre l’exigence d’évaluation
Le LabCom aiQua permet également d’explorer des thématiques de maturité technologique plus faible (TRL plus bas), tout en conservant une exigence élevée en matière d’évaluation, de reproductibilité et de transfert vers l’opérationnel. Parmi les pistes de recherche figurent notamment :
- la spatialisation des modèles pour des bassins étendus ;
- des prévisions à horizons plus longs (mensuel / saisonnier) ;
- la prise en compte d’influences anthropiques ;
- des stratégies d’évaluation adaptées aux usages et à la décision.
Cette recherche “amont” est essentielle : elle prépare les briques scientifiques qui permettront ensuite le développement de services opérationnels plus fiables et mieux adaptés aux réalités de gestion.
Une IA hydrologique robuste, compréhensible et orientée décision
Dans un climat plus instable, la question n’est pas seulement de prédire, mais de décider : avec des seuils, des niveaux de vigilance et des marges de risque explicités. Les approches probabilistes, l’évaluation en conditions représentatives de l’opérationnel, l’intégration des observations et l’industrialisation des processus sont autant de conditions pour que l’IA hydrologique devienne un outil crédible et utile aux décisions publiques.
C’est l’ambition portée par Aquasys et l’UGE au sein du LabCom aiQua : faire converger excellence scientifique et applicabilité opérationnelle, pour contribuer à une gestion plus anticipatrice et plus robuste de la ressource en eau.
