L’eau se déplace dans un cycle constant d’évaporation, de condensation, de précipitations, de ruissellement et de réévaporation. L’écoulement de l’eau est l’un des éléments les plus importants du cycle de l’eau sur terre.
Il décrit la quantité d’eau qui tombe sous forme de précipitations dans une zone spécifique et qui atteint nos lacs et nos mers par ruissellement naturel via les ruisseaux et les rivières. Alors qu’un débit élevé peut provoquer des inondations et une stagnation, un débit faible peut être préjudiciable aux écosystèmes qui dépendent de la rivière.
Dans les deux cas, les conséquences peuvent être dévastatrices, entraînant de graves dommages socio-économiques et la destruction des écosystèmes. Le débit d’eau doit donc être prédit au plus juste, car il est d’une importance cruciale pour planifier la gestion de l’eau, assurer et réguler l’approvisionnement en eau potable et gérer les sécheresses.
De nombreuses variables telles que le climat et l’hydrologie, les propriétés hydrauliques de la rivière (débit, débit, niveau d’eau), l’altitude et le prélèvement d’eau affectent le débit. Combiné à l’augmentation de l’incertitude et des risques hydroclimatiques, il devient de plus en plus difficile de prévoir avec précision le débit et de remédier aux vulnérabilités des systèmes fluviaux.
Ozgur Kisi et Christoph Külls du TH Lübeck, en collaboration avec une équipe internationale, ont mené une étude sur l’adéquation de trois méthodes d’apprentissage automatique (CatBoost (CB), Random Forest (RF) et Extreme Gradient Tree Boosting (XGBoost, XGB)) pour les prévisions mensuelles de ruissellement à l’aide des données de ruissellement de trois stations en Turquie (Ducurasu, Sutluce et Kale) et des données satellitaires de précipitations de la Mission de mesure des précipitations tropicales (TRMM).
Dans la première partie de l’étude, les chercheurs ont prédit le débit à chaque station. Dans la deuxième partie, ils l’ont prédit à la station aval en utilisant les données des stations amont.
Les résultats ont montré que les données satellitaires TRMM sont non seulement très précises et très utiles pour les prévisions mensuelles de ruissellement, mais aussi qu’elles améliorent considérablement la capacité des méthodes d’apprentissage automatique (par exemple CB, RF et XGB).
Les résultats de l’étude peuvent fournir des informations utiles aux décideurs, en particulier dans les pays en développement où les données sur les précipitations manquent ou ne sont pas disponibles pour des raisons techniques. Sur la publication originale de Mojtaba Mehraein, Aadhityaa Mohanavelu, Sujay Raghavendra Naganna, Christoph Külls et Ozgur Kisi au MDPI (Institut d’édition numérique multidisciplinaire) : https://www.mdpi.com/2073-4441/14/22/3636
À propos du docteur Ozghour Kissi
Ozgur Kisi est professeur invité au TH Lübeck depuis octobre 2021. Le professeur est venu à Lübeck avec une bourse de la Fondation Alexander von Humboldt. L’ingénieur en génie hydraulique, hydrologie et gestion de l’eau est l’un des dix scientifiques les plus cités au monde dans son domaine.
Plus d’informations
Le département construction