Anticiper une crue ou un étiage suppose des prévisions fiables, alimentées en continu par les débits mesurés sur le bassin. Les modèles d’intelligence artificielle ont prouvé leur efficacité pour cet exercice, mais leur comportement en conditions réelles, lorsque la météo des prochains jours reste incertaine, est encore mal connu. Un travail de recherche du LabCom aiQua, le laboratoire commun de l’Université Gustave Eiffel et d’Aquasys, vient d’être publié sur ce sujet dans la revue scientifique Hydrology and Earth System Sciences. Mené par Bob Saint-Fleur et son équipe, il livre un résultat qui concerne directement quiconque s’appuie sur ces outils pour décider.
Reproduire le passé ou anticiper l’avenir, deux exercices distincts
On confond souvent deux choses qui n’en sont pas. Reproduire le comportement passé d’un bassin à partir de données déjà connues, c’est de la simulation. Anticiper les débits à venir à partir d’informations encore incertaines, c’est de la prévision. La frontière paraît mince, elle est décisive pour un gestionnaire.
La plupart des travaux qui vantent les performances de l’intelligence artificielle en hydrologie portent sur la simulation. Ils en disent moins sur la fiabilité de ces modèles le jour où il faut réellement prévoir, dans l’incertitude, avec des conséquences opérationnelles à la clé. C’est cette zone d’ombre que l’étude éclaire.
L’assimilation de données, ou l’art de recaler le modèle en continu
En situation réelle, on ne prévoit pas une fois pour toutes. À mesure que de nouvelles mesures de débit remontent du terrain, on les réinjecte dans le modèle pour le recaler sur l’état présent du bassin et corriger sa trajectoire au fil de l’eau. Cette technique, l’assimilation de données, est particulièrement utile aux échéances courtes, celles qui comptent pour le pilotage au quotidien et pour l’alerte.
L’étude compare trois façons de l’appliquer, et les évalue sur plusieurs centaines de bassins à des horizons de 1, 3 et 7 jours. Surtout, elle confronte ces approches à deux situations : l’une idéale, où l’on suppose la météo parfaitement connue à l’avance, l’autre réaliste, où la météo des prochains jours demeure très incertaine.
Le résultat qui doit retenir l’attention des gestionnaires
Tant que l’on suppose une météo parfaite, l’assimilation de données améliore nettement les prévisions. Mais dès que l’incertitude météorologique entre en jeu, le classement des modèles s’inverse. Un modèle réputé très performant, le réseau LSTM, perd son avantage au profit d’une approche plus simple intégrant les débits observés.
En cause : les prévisions d’ensemble du LSTM sont trop resserrées. Elles sous-estiment l’incertitude réelle et le modèle devient peu sensible à l’information météorologique nouvelle. Ce qui faisait sa force pour reproduire le passé se retourne contre lui quand il s’agit d’anticiper l’avenir dans des conditions incertaines.
L’étude montre aussi qu’une correction est possible. En analysant les erreurs passées d’un modèle pour les corriger, on réduit ses écarts systématiques et on rapproche les prévisions de la réalité observée. Cette correction supprime certains biais et en atténue d’autres, sans tout régler. Un point utile pour la basse eau : sur la prévision des étiages, l’assimilation conserve un intérêt même sur des horizons plus longs, à condition d’entraîner les modèles spécifiquement pour cette gamme de débits, souvent négligée.
Ce que cela signifie pour piloter la ressource et l’alerte
L’enjeu n’est pas théorique. Une collectivité, un syndicat ou un exploitant qui s’appuie sur la prévision pour déclencher une alerte de crue, anticiper une restriction ou sécuriser un approvisionnement a besoin de modèles robustes, pas seulement performants sur le papier. Le message de cette recherche est clair : un bon score en laboratoire ne garantit pas une prévision fiable le jour où la décision se prend dans l’incertitude. La qualité d’une prévision se juge à sa capacité à rendre compte honnêtement de cette incertitude.
C’est précisément cette exigence qui guide les développements d’Aquasys en matière de surveillance hydrologique et d’aide à la décision, et que le LabCom aiQua approfondit côté recherche, avec le souci constant de transposer les avancées scientifiques en outils réellement utiles sur le terrain. Le travail s’inscrit dans le projet AI_Eau, financé par l’Agence nationale de la recherche au titre du programme France 2030.
L’article complet est consultable en accès libre dans Hydrology and Earth System Sciences : https://doi.org/10.5194/hess-30-3497-2026.
