Développement et application des réseaux de neurones par graphes pour la prévision spatio-temporelle des niveaux d'eau souterraine

Liang, Xiao Xia (2025). Développement et application des réseaux de neurones par graphes pour la prévision spatio-temporelle des niveaux d'eau souterraine Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en sciences de la Terre, 141 p.

Prévisualisation

PDF - Version publiée Télécharger (33MB) | Prévisualisation

Résumé

La prévision spatio-temporelle des niveaux des nappes phréatiques est une approche de modélisation prédictive qui utilise des données spatiales et temporelles pour estimer les niveaux futurs des nappes phréatiques. Cette méthodologie joue un rôle essentiel dans la gestion et la planification des ressources en eau en fournissant des indicateurs précoces de pénuries potentielles, permettant ainsi une atténuation proactive des sécheresses et favorisant une utilisation durable de l’eau. Dans cette dissertation, nous explorons des modèles d’apprentissage automatique afin d’améliorer la précision et la fiabilité de ces prévisions. Plus précisément, nous nous concentrons sur l’applicabilité et la capacité des réseaux de neurones par graphe (RNG) à modéliser les niveaux spatio-temporels des niveaux d’eau souterraine. Les RNG conviennent particulièrement bien à cette tâche, car ils peuvent capturer les relations complexes et non linéaires ainsi que les schémas de connectivité inhérents aux données spatiales, offrant ainsi un cadre robuste pour estimer les interactions entre les différents points de surveillance des nappes phréatiques. Pour évaluer de manière approfondie le potentiel de prévision de ces modèles RNG, nous commençons par tester l’approche en utilisant des données simulées dérivées de modèles physiques qui reproduisent le comportement des puits de pompage et de surveillance. Cet environnement contrôlé nous permet d’ajuster nos modèles par rapport à des paramètres connus et de valider leurs performances dans des conditions idéales. En nous appuyant sur cette base, nous étendons ensuite notre analyse en intégrant un ensemble de données de puits de surveillance mesurées sur le terrain, ce qui fournit un cas d’essai plus réaliste et exigeant. Enfin, pour démontrer la polyvalence de notre approche, nous appliquons également notre cadre de prévision aux débits des sources karstiques, illustrant ainsi comment les modèles RNG peuvent être utilisés efficacement dans une gamme de contextes hydrologiques et de types de données. Trois articles sont présentés dans cette thèse. Le premier article présente un cadre de RNG pour la prévision spatio-temporelle des niveaux des nappes phréatiques dans les puits de surveillance et de pompage. Ce cadre est développé en tant que substitut aux modèles physiques hydrogéologiques afin de surmonter des défis tels que l’adaptabilité et l’efficacité computationnelle. Le deuxième article présente une étude sur l’importance de la résolution et de la taille des données pour obtenir une prévision précise des niveaux spatio-temporels d’eau souterraine. Le troisième article présente une nouvelle fonction de perte, l’extrême perte, visant à améliorer les capacités de prévisions spatio-temporelles de RNG pour prédire les événements extrêmes, tels que les inondations et les sécheresses. Ces articles visent à développer des outils en accès libre pour aider à la gestion des ressources en eau souterraine.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Gloaguen, Erwan
Co-directeurs de mémoire/thèse:	Claprood, Maximeet Paradis, Daniel
Mots-clés libres:	apprentissage automatique; réseau de neurones profond; réseau de neurones par graphe; prévision spatio-temporelle; prévision des niveaux des nappes phréatiques; prévision de sécheresse; développement de fonctions de perte; prévision des sources karstiques
Centre:	Centre Eau Terre Environnement
Date de dépôt:	18 juin 2026 15:58
Dernière modification:	18 juin 2026 15:58
URI:	https://espace.inrs.ca/id/eprint/16903

Gestion Actions (Identification requise)

Modifier la notice