Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

Les inondations comptent parmi les forces les plus destructrices de la Terre, remodelant les paysages et menaçant les communautés avec une rapidité terrifiante. Pour protéger les personnes et les biens, les scientifiques s'appuient sur des modèles informatiques qui simulent la façon dont l'eau se déplace sur la terre, à travers les rivières et dans les plaines d'inondation. Ces simulations numériques, appelées modèles hydrauliques, prennent en compte les précipitations, la forme du sol et le débit des rivières pour prédire jusqu'à quelle hauteur l'eau montera. Cependant, ces modèles ne sont pas parfaits. Ils sont construits sur une physique complexe et des données imparfaites, ce qui signifie que leurs prédictions s'écartent souvent de la réalité, manquant parfois le niveau d'eau réel de plusieurs pieds. Lorsqu'un modèle se trompe, la différence entre l'eau prédite et l'eau réelle peut signifier la différence entre un avertissement de sécurité et une surprise catastrophique. Le défi pour les scientifiques n'est pas seulement de lancer ces simulations, mais de trouver comment corriger leurs erreurs après coup, en utilisant les informations que le modèle a déjà générées pour faire une meilleure estimation de ce qui s'est réellement passé.

Dans le sud-est de la Louisiane, une équipe de chercheurs s'est lancée dans le test d'une idée spécifique : les niveaux d'eau prédits par un modèle informatique en ce moment même, ainsi que le chemin parcouru par ces niveaux pour arriver là, peuvent-ils aider à corriger les erreurs du modèle ? Ils se sont concentrés sur le Hydrologic Engineering Center's River Analysis System, un outil largement utilisé qui divise le paysage en une grille de cellules et calcule la profondeur et l'élévation de l'eau au fil du temps. Les chercheurs ont recueilli des données provenant de huit inondations majeures qui s'étaient déjà produites dans la région, allant de tempêtes tropicales à des épisodes de fortes pluies. Ils ont comparé les niveaux d'eau prédits par l'ordinateur aux mesures réelles prises par des jauges le long des rivières et des cours d'eau. L'objectif était de voir si un système d'apprentissage automatique (machine learning) — un type de programme informatique qui apprend des modèles à partir de données — pouvait utiliser la propre sortie du modèle pour apprendre à corriger ses erreurs, sans avoir besoin de connaître la cause exacte de l'erreur.

Les chercheurs ont conçu une expérience minutieuse pour séparer les différentes sources d'information. D'abord, ils ont construit un modèle de correction qui connaissait la pluie, l'emplacement et le temps, mais qui lui était interdit de regarder le niveau d'eau actuel du modèle informatique. Cela servait de base de référence pour voir ce que le modèle pouvait apprendre uniquement grâce à la météo et à la géographie. Ensuite, ils ont permis au système de voir le niveau d'eau actuel du modèle informatique au moment exact de l'observation. Enfin, ils ont donné au système un court historique des niveaux d'eau précédant ce moment, montant comment l'eau avait monté ou descendu au cours des heures précédentes. En testant ces différentes versions sur des inondations que l'ordinateur n'avait jamais vues auparavant, ils pouvaient mesurer exactement la valeur ajoutée par chaque fragment d'information.

Les résultats ont montré que le niveau d'eau actuel du modèle informatique était l'outil le plus puissant pour corriger les erreurs. Lorsque les chercheurs ont ajouté le niveau d'eau actuel à leur système de correction, l'erreur moyenne de prédiction de la hauteur d'eau a chuté de manière significative, passant d'environ 1,63 mètre à 0,67 mètre. Cette amélioration s'est produite de manière constante sur les huit inondations testées. Le système a appris que l'état actuel du modèle contient un résumé caché de tout ce qui s'est passé jusqu'à ce point — la pluie qui est tombée, l'eau stockée dans le sol et la façon dont la rivière a acheminé le flux. Même si la prédiction brute du modèle était erronée, la manière spécifique dont elle était erronée contenait un indice que le système d'apprentissage automatique pouvait utiliser pour ajuster le chiffre final. Cela suggère que l'état interne du modèle, même s'il est défaillant, porte des informations utiles sur le comportement de l'inondation que les simples données météorologiques ne peuvent fournir.

L'ajout de l'historique des niveaux d'eau — le passé récent de l'inondation — a apporté un gain supplémentaire, bien que plus faible et positif. Il a réduit l'erreur davantage, de 0,67 mètre à 0,62 mètre, et a amélioré les prédictions pour sept des huit inondations. Cependant, cette information supplémentaire était moins constante que le niveau d'eau actuel. Dans certains cas, connaître le passé récent aidait, mais dans d'autres, cela ne faisait que peu de différence. Les chercheurs ont constaté que le niveau d'eau actuel contenait déjà la majeure partie des informations nécessaires sur l'évolution de l'inondation, rendant l'historique quelque peu redondant. Le système n'avait pas besoin d'une chronologie détaillée des heures précédentes pour effectuer une bonne correction ; l'instantané du niveau d'eau à l'instant présent suffisait à guider la correction.

L'étude a également testé l'efficacité de ces corrections dans le monde réel, où les emplacements spécifiques des jauges pourraient ne pas faire partie des données d'entraînement. Lorsque les chercheurs ont supprimé toutes les données d'une jauge spécifique de l'ensemble d'entraînement, forçant le système à apprendre à partir d'autres lieux, la correction qui ne reposait que sur la météo et la géographie a presque totalement échoué. Elle ne pouvait pas prédire le niveau d'eau pour un nouvel emplacement sans aide. Cependant, lorsque le système a été autorisé à utiliser le niveau d'eau actuel du modèle informatique, il a continué à bien performer, réduisant l'erreur de manière significative même pour des jauges qu'il n'avait jamais vues auparavant. C'est une découverte cruciale car elle signifie que la méthode de correction ne se contente pas de mémoriser le comportement de rivières spécifiques ; elle apprend une règle générale sur la façon dont les erreurs du modèle sont liées au niveau de l'eau lui-même. Les plus grandes améliorations dans ces cas difficiles se sont produites dans les zones où la carte du sol du modèle informatique était significativement différente du chenal réel, suggérant que le système a appris à compenser les erreurs de cartographie en observant le niveau de l'eau.

Malgré ces succès, les chercheurs ont pris soin de noter ce que la méthode ne pouvait pas faire. Bien que les corrections aient amélioré le niveau d'eau global et la hauteur de l'eau maximale, elles n'ont pas parfaitement corrigé le moment des pics d'inondation ni la vitesse exacte à laquelle l'eau montait et descendait toutes les trois heures. Le système peut vous dire quelle sera la hauteur de l'eau, mais il ne peut pas prédire de manière fiable quand l'eau atteindra son point culminant. De plus, l'étude était limitée aux inondations déjà passées. Les chercheurs ont utilisé des événements terminés pour entraîner et tester leur système, ce qui signifie que les résultats montrent comment la méthode fonctionne sur des données passées, et non nécessairement comment elle se comportera lors d'une inondation future et inédite. Le modèle informatique qu'ils ont utilisé présentait également des limites connues, telles que l'absence de certains apports fluviaux et des enregistrements incomplets de la mesure de l'élévation du sol, ce qui signifie que les corrections travaillent sur une base défaillante.

L'étude conclut que, bien que l'apprentissage automatique puisse améliorer considérablement les prévisions d'inondation en utilisant les propres données de niveau d'eau du modèle, il ne s'agit pas d'une solution miracle pour tous les problèmes. Le niveau d'eau actuel a fourni le gain le plus important et le plus fiable, tandis que l'historique de l'eau a apporté un bénéfice plus faible et moins constant. La méthode fonctionne mieux lorsque le niveau d'eau du modèle est soutenu par le terrain, c'est-à-dire quand l'ordinateur pense que l'eau est présente là où elle l'est réellement. Dans les zones où le modèle ne montre pas l'eau qui est pourtant présente, ou là où la cartographie de la rivière dans la grille informatique est médiocre, les corrections deviennent moins fiables. Les chercheurs suggèrent qu'avant que ce type de post-traitement puisse être utilisé pour des alertes en temps réel, les modèles informatiques sous-jacents ont besoin de meilleures données sur la forme du sol, de débits de rivières plus précis et d'une compréhension plus claire de la manière dont les niveaux d'eau sont mesurés. D'ici là, la méthode sert de démonstration puissante du fait que même les modèles informatiques imparfaits contiennent des indices précieux qui, lorsqu'ils sont lus correctement, peuvent nous rapprocher de la vérité d'une inondation.