Intranet
Le développement de stratégies durables de gestion de l’eau requiert la capacité à prédire, sur le long terme, les flux d’eau et les transferts de matière associés dans un paysage. Cette capacité repose sur des approches de modélisation spatialement explicites des mécanismes reliant les activités humaines locales (par exemple les pratiques agricoles) à leurs conséquences immédiates ou différées, à des échelles spatiales intégrées telles que le bassin versant. Ces approches présentent toutefois des limites pour leur mise en œuvre opérationnelle. D’une part, leur temps de calcul peut être très élevé, ce qui est peu compatible avec une exploration numérique intensive et/ou avec l’étude de grandes étendues spatiales sur de longues périodes. D’autre part, les données requises pour leur utilisation sont souvent difficilement accessibles, en particulier les chroniques de données long terme utilisées comme forçages ou pour le calage et l’évaluation de la précision de ces modèles. Dans ce contexte, l’essor des méthodes de modélisation par apprentissage statistique ouvre de nouvelles perspectives pour lever certains de ces verrous qui freinent l’utilisation des modèles hydrologiques distribués.
Ainsi, je présenterai, à travers mes travaux, l’intérêt des méthodes de modélisation par apprentissage statistique pour la modélisation hydrologique spatialement distribuée. Je commencerai par une approche de méta-modélisation visant à améliorer la performance sur le plan numérique d’un modèle distribué, développée et mise en œuvre dans le cadre de ma thèse à l’INRAE (UMR LISAH), appliquée à la simulation du devenir des pesticides dans un paysage agricole. Je poursuivrai avec une démarche de reconstruction de chroniques long terme de variables hydrologiques à l’échelle d’un grand bassin fluvial, appliquée à la température des eaux de surface dans le bassin de la Seine dans le cadre de mon postdoctorat en cours à Mines Paris – PSL (Centre de Géosciences).
Français
English