Characterization and hydrodynamic modelling of karst aquifers by neural networks. Case study on the Lez hydrosystem

Improving knowledge of karst hydrodynamics represents a global challenge for water resources because karst aquifers provide approximately 25% of the world population in fresh water. Nevertheless, complexity, anisotropy, heterogeneity, non-linearity and possible non-stationarity of these aquifers make them underexploited objects due to the difficulty to characterize their morphology and hydrodynamics. In this context, the systemic paradigm proposes others methods by studying these hydrosystems through input-output (rainfall-runoff) relations.The approach proposed in this thesis is to use information from field measurement and from systemic analyses to constrain neural network models. The goal is to make these models interpretable in terms of hydrodynamic processes by making model functioning to be similar to natural system in order to obtain a good representation and extract knowledge from model parameters.This work covers the association of information available on the hydrosystem with correlation and spectral analyses to develop a temporal multiresolution decomposition of variables and to constrain neural network models. A new method for variable selection, adapted to represent long term hydrodynamics of the system, has been proposed. These constrained models show very good results and allow, through their parameters, to study the temporal contribution of inputs variables to the output.Modeling nonlinear and non-stationary hydrosystems with neural network has been improved by a novel implementation of data assimilation. More precisely, when non-stationarity is attributed to the catchment, data assimilation is used to modify the model parameters. When the inputs are non-stationary, data assimilation can be used to modify the inputs.The modification of inputs opens considerable scope to: i) fill gaps or homogenizing time series, ii) estimate effective rainfall.Finally, these various analyses and modeling methods, mainly developed on the karst hydrosystem Lez, can improve the knowledge of the rainfall-runoff relationship at different time scales. These methodological tools thus offer perspectives of better management of the aquifer in terms of floods and resources. The advantage of these analyses and modeling tools is that they can be applicable to other systems.
La connaissance du fonctionnement hydrodynamique des karsts représente un enjeu planétaire pour la ressource en eau car ils alimentent en eau potable près de 25% de la population mondiale. Néanmoins, la complexité, l’anisotropie, l’hétérogénéité, la non-linéarité et l’éventuelle non-stationnarité de ces aquifères en font des objets encore largement sous-exploités du fait de la difficulté de caractériser leur morphologie et leur fonctionnement hydrodynamique. Dans ce contexte, le paradigme systémique permet d’apporter de nouvelles méthodes en étudiant ces hydrosystèmes au travers de la relation entre leurs signaux d’entrée (pluie) et de sortie (débit).La démarche proposée dans cette thèse consiste à utiliser un maximum d’informations, issues du terrain et des analyses systémiques, pour contraindre les modèles par réseaux de neurones. L’objectif est de les rendre interprétables en termes de processus hydrodynamiques en rapprochant le fonctionnement du modèle à celui du système naturel afin d’obtenir une bonne représentation et d’extraire des connaissances à partir des paramètres du modèle.Ainsi ce travail porte sur l’association des informations disponibles sur l’hydrosystème avec les résultats des analyses corrélatoires et spectrales pour le développement d’une décomposition multirésolution temporelle ainsi que pour contraindre les modèles par réseaux de neurones. Une nouvelle méthode de sélection des variables, plus à même de représenter le fonctionnement hydrodynamique du système à long terme, a ainsi pu être proposée. Ces modèles contrains par l’information présentent de très bons résultats et offrent la possibilité, grâce à leurs paramètres, d’étudier la contribution temporelle des variables d’entrée à l’estimation de la sortie mesurée.La modélisation des hydrosystèmes non-linéaires et non-stationnaires par réseaux de neurones a été enrichie par une implémentation originale de l’assimilation de données qui conduit à l’amélioration des performances. En effet, selon que les non-stationnarités concernent le bassin ou les forçages, l’assimilation a pu être respectivement utilisée pour modifier les paramètres ou les variables d’entrée des modèles.La modification des variables d’entrées ouvre un champ d’application considérable puisque celle-ci peut être utilisée pour i) combler des lacunes ou encore homogénéiser des séries chronologiques, ii) estimer la pluie efficace.Finalement, ces différentes méthodes d’analyse et de modélisation, essentiellement développées sur l’hydrosystème karstique du Lez, permettent d’améliorer la connaissance de la relation pluie-débit à différentes échelles temporelles. Ces outils méthodologiques offrent donc la perspective d’une meilleure gestion de l’aquifère tant en termes de crues que de ressource. L’avantage de ces outils d’analyse et de modélisation est qu’ils peuvent être transposés à d’autres systèmes.