La question de la disponibilité en eau est devenue cruciale, notamment en période estivale où les sécheresses sont de plus en plus fréquentes. Anticiper les niveaux d’eau dans les nappes phréatiques est un défi majeur pour une gestion durable des ressources hydriques.
Un défi de taille pour notre société et l’environnement
C’est dans ce cadre qu’ILLUIN Technology et le BRGM (Bureau de Recherches Géologiques et Minières) ont collaboré pour développer une approche innovante basée sur le Machine Learning, afin de prédire l’évolution des nappes phréatiques et de mieux planifier leur gestion.
La prédiction des niveaux d’eau dans les nappes phréatiques est essentielle pour éviter les pénuries d’eau et optimiser son utilisation, en particulier dans des régions comme le bassin Adour-Garonne qui sont confrontées à des périodes de sécheresse prolongée. Le BRGM souhaitait explorer les possibilités offertes par le Machine Learning pour améliorer la précision des prédictions à partir des données historiques des aquifères.
ILLUIN Technology a relevé ce défi en apportant son expertise en Data Science pour créer des modèles prédictifs capables d’anticiper les fluctuations des niveaux d’eau à court et moyen terme.
Une approche par Machine Learning pour prédire les niveaux d’eau
Pour répondre aux besoins du BRGM, l’équipe ILLUIN Technology, composée de Yonatan Deloro, Michaël Resplandy, et Théo Rubenach, a mis en place plusieurs modèles statistiques de régression. Ces modèles ont été testés sur plusieurs aquifères du bassin Adour-Garonne, avec pour objectif de prévoir les niveaux d’eau sur une période de 3 à 6 mois.
L’innovation de cette approche réside dans sa flexibilité. Deux types de modèles ont été testés :
-
-
- Modèle local : Un modèle spécifique à chaque aquifère, qui apprend à partir des données historiques de ce point de suivi uniquement.
- Modèle global : Un modèle qui s’appuie sur les données de plusieurs aquifères partageant des caractéristiques hydrogéologiques similaires, utile lorsque l’historique de données est insuffisant.
-
Des résultats prometteurs : prédire avec précision malgré des données limitées
Les conclusions de ce projet sont particulièrement encourageantes :
-
-
- Modèle local : Lorsque l’historique de données est suffisant (plusieurs années), le modèle local offre des résultats très précis, en s’adaptant aux spécificités de l’aquifère.
- Modèle global : En l’absence d’un long historique de données, le modèle global s’est révélé extrêmement performant. Il permet de réduire jusqu’à 75 % de l’erreur moyenne (RMSE) par rapport à un modèle local basé sur seulement deux ans d’historique.
-
Cette approche permet donc d’obtenir des prédictions fiables même pour des aquifères avec peu de données, une avancée décisive pour la gestion des nappes phréatiques.
La suite : Comparer et affiner les modèles
La prochaine étape de ce projet est de comparer les performances des modèles développés avec les approches traditionnelles utilisées par le BRGM. L’objectif est de valider que ces modèles basés sur le Machine Learning peuvent offrir des prédictions plus rapides et plus précises, tout en demandant moins de travail de modélisation par les experts hydrogéologiques.
L’un des grands avantages de cette méthode est qu’elle ne nécessite pas d’effort de modélisation spécifique par les experts métiers, ce qui facilite son adoption et son utilisation à grande échelle.
Conclusion : Une avancée technologique pour la gestion des ressources en eau
En collaborant avec le BRGM, ILLUIN Technology contribue activement à la transition écologique en proposant des solutions technologiques innovantes pour la gestion durable des ressources en eau. Grâce au Machine Learning, il est désormais possible de prédire plus précisément les niveaux d’eau dans les nappes phréatiques, même lorsque les données disponibles sont limitées.
Cette avancée permet non seulement d’optimiser la gestion des ressources en eau, mais aussi de mieux anticiper les périodes de sécheresse, réduisant ainsi les risques environnementaux et économiques associés.
