La prédiction du niveau de l'eau est essentielle pour la gestion des ressources en eau, le contrôle des inondations et la protection des écosystèmes. L'apprentissage automatique offre une alternative prometteuse aux méthodes conditionnelles de prédiction du niveau de l'eau, permettant ainsi une meilleure prise de décision en matière de gestion des ressources hydriques. Les modèles d'apprentissage automatique peuvent également être utilisés pour développer des systèmes d'alerte précoce contre les inondations et les sécheresses [1].
Ce projet examinera la précision et la stabilité de différents modèles d'apprentissage automatique pour prévoir les niveaux d'eau en se basant sur des données historiques et des facteurs environnementaux, notamment les niveaux d'eau passés, les précipitations, l'évaporation et les débits entrants. Les algorithmes d'apprentissage automatique considérés incluent la régression linéaire, la forêt aléatoire, le Gradient Boosting et le modèle de régression exponentielle gaussienne.
- Water Level Data (Rivers and Lakes) -- Copernicus Global Land Service (tinyurl.com/4hdt25wn)
[1] A. N. Ahmed, A. Yafouz, A. H. Birima, O. Kisi, Y. F. Huang, M. Sherif, A. Sefelnasr, and A. El-Shafie, "Water level prediction using various machine learning algorithms: a case study of durian tunggal river, malaysia," Engineering Applications of Computational Fluid Mechanics, vol. 16, no. 1, pp. 422–440, 2022.
- Niels Groeninck
- Noa Rachdi-Hebert
- Thibault Moretti