Éditeur(s) : HAL CCSD springer
Résumé : International audience
In this paper, we address the problem of flood prediction in complex situations. We present an original solution in order to achieve the main goals of accuracy, flexibility and readability. We propose the SM2D modular data driven approach that provides predictive models for each sub-process of a global hydrological process. We show that this solution improves the predictive accuracy regarding a global approach. The originality of our proposition is threefold: (1) the predictive model is defined as a set of aggregate variables that act as classifiers, (2) an evolutionary technique is implemented to find best juries of such classifiers and (3) the flood process complexity problem is addressed by searching for sub-models on sub-processes identified partly by spatial criteria. The solution has proved to perform well on flash flood phenomena of tropical areas known to be hardly predictable. It was indeed successfully applied on a real caribbean river dataset after both preprocessing and preliminary analysis steps presented in the paper.
Lecture notes in computer science
Singapour, Singapore

hal-00878780
https://hal.archives-ouvertes.fr/hal-00878780
DOI : 10.1007/978-3-642-40897-7_13

Résumé : Les travaux de recherche présentés dans ce mémoire s'inscrivent dans la lignée des approches de modélisation hydrologiques prédictives dirigées par les données. Nous avons particulièrement développé leur application sur le contexte difficile des phénomènes de crue éclairs caractéristiques des bassins versants de la région Caraïbe qui pose un dé fi sé.curi taire. En envisageant le problème de la prévision de crues comme un problème d'optimisation combinatoire difficile nous proposons d'utiliser la notion de métaneuristiques, à travers les algorithmes évolutionnaire notamment pour leur capacité à parcourir efficacement de grands espaces de recherche et fi fournir des solutions de bOlIDe qualité en des temps d'exécution raisonnables. Nous avons présenté l'approche de prédiction AV2D : Aggregate Variable Data Driven dom le concept central est la notion de variable agrégée. L'idée sous-jacente à ce concept est de considérer le pouvoir prédictif de nouvelles variables définies comme le résultat de fonctions tatistiques, dites d'agrégation calculées sur de donnée' correspondant à des périodes de temps précédent uo événem nt à prédire. Ces variable sont caractérisées par des ensembles de paramètres correspondant a leur pJ:opriétés. Nous avons imroduitle variables agrégées hydrométéorologiques permettant de répondre au problème de la classification d événements hydrologiques. La complexité du parcours de l'espace de recherche engendré par les paramètres définissant ces variables a été prise en compte grâce à la njse en oeuvre d'un algorithme évolutionnaire particulier dont les composants ont été spécifiquement définis pour ce problème. Nous avons montré, à travers une étude comparative avec d'autres approches de modélisation dirigées par les données, menée sur deux cas d'études de bassins versant caribéens, que l'approche AV2D est particulièrement bien adaptée à leur contexte. Nous étudions par la suite les bénéfices offerts par les approches de modélisation hydrologiques modulaires dirigées par les données, en définissant un procédé de division en sous-processus prenant en compte les caractéristiques paniculières des bassins versants auxquels nous nous intéressons. Nou avons proposé une extension des travaux précédents à travers la définition d'une approche de modélisation modulaire M2D: Spatial Modular Data Driven, consistant à considérer des sous-processus en divisant l'ensemble des exemples à classifier en sous-ensembles correspondant à des comportements hydrologiques homogènes. Nous avons montré à travers une étude comparative avec d autres approches dU'igées par les données mises en oeuvre sur les mêmes sous-ensembles de données que celte approche permet d améliorer les résultats de prédiction particulièrement à coun Lenne. Nous avons enfin proposé la modélisation d un outil de pi
The work presented in this thesis is in the area of data-driven hydrological modeling approaches. We particularly investigared their application on the difficult problem of flash flood phenomena typically observed in Caribbean watersheds. By considering the problem of flood prediction as a combinatorial optimization problem, we propose to use the notion of Oleraheuristics, through evolutionary algorithms, especially for their capacity ta visit effjciently large search space and to provide good solutions in reasonable execution times. We proposed the hydrological prediction approach AV2D: Aggregate Variable Data Driven which central concept is the notion of aggregate variable. The underlying idea of this [concept is to consider the predictive power of new variables defined as the results of statistical functions, called aggregation functions, computed on data corresponding ta time periods before an event ta predict. These variables are characterized by sets of parameters corresponding ta their specifications. We introduced hydro-meteorological aggregate variables allowing ta address the classification problem of hydrological events. We showed through a comparative study on two typical caribbean watersheds, using several common data driven modelling techniques that the AV2D approach is panicul.rly weil fitted ta the studied context. We also study the benefits offered by modulaI' approaches through the definition of the SM2D: Spatial Modular DataDriven approach, consisting in considering sub-processes partly defined by spatial criteria. We showed that the results obtained by the AV2D on these sub-processes allows to increase the performances particularly for short term prediction. Finally we proposed the modelization of a generic control tool for hydro-meteorological prediction systems, H2FCT: Hydro-meteorological Flood Forecasting Control 1'001

http://www.theses.fr/2013AGUY0673/document

Éditeur(s) : HAL CCSD Lavoisier
Résumé : National audience
Dans cette étude, nous présentons, une méthode permettant de découvrir, par le biais de variables agrégées et d’un algorithme génétique, des informations non connues a priori et utiles pour la prédiction de crues. Cette méthode se prête particulièrement bien aux données dans lesquelles des informations à propos d’un même élément sont dispersées à travers plusieurs lignes du jeu de données initial.
In this paper, we present an heuristic based approach for feature selection in the context of flood prediction. Features are complex variables that represent aggregate values. We apply a preprocessing method on data in order to elicit relevant information that could not be easily accessible initially because it is split through several lines of a dataset. A genetic algorithm is used in order to search for the features that may prove the best performances for flood prediction.
ISSN: 1633-1311

hal-01184510
https://hal.archives-ouvertes.fr/hal-01184510

Éditeur(s) : HAL CCSD EDP Sciences
Résumé : Cette communication présente les principaux résultats du projet ExtraFlo sur l'estimation des pluies et crues extrêmes. A partir d'un jeu de données conséquent de plusieurs milliers de stations, une procédure d'inter-comparaison a permis d'évaluer les performances d'une trentaine d'implémentations différentes issues de différentes combinaisons (modèle probabiliste, méthode d'estimation, cadre local / régional / mixte local et régional). Le projet ExtraFlo a permis de mettre en évidence le manque de robustesse des approches basées sur le traitement statistique d'une série de quelques dizaines d'années d'observation. Des alternatives intéressantes existent, basées sur l'exploitation des records de pluie et de débit à l'échelle d'une région, de la collecte de données historiques quand cela est possible, de méthodes de simulation basées sur le couplage d'un générateur d'averses avec un modèle hydrologique pour la transformation des pluies en débit, ou des traces morphologiques laissées par les crues anciennes.
ISSN: 0018-6368

hal-01054313
https://hal.archives-ouvertes.fr/hal-01054313
DOI : 10.1051/1hb/2014010