Développement d’un modèle d’apprentissage automatique pour estimer le coefficient de Manning composite dans les cours d'eau naturels
Notice bibliographique
Résumé
L’estimation du coefficient de Manning composite constitue un enjeu central pour la modélisation hydraulique. Ce paramètre régit la résistance à l’écoulement et conditionne la précision des modèles de prévision des crues, de gestion des inondations et la conception d’infrastructures hydrauliques. Cependant, son estimation reste complexe. Les méthodes traditionnelles reposent souvent sur des formules mathématiques (Horton, Lotter, etc.) conçues pour des géométries simples, peu adaptées à la variabilité des rivières naturelles. Elles s’appuient aussi sur des valeurs empiriques subjectives, déconnectées des caractéristiques spatiales réelles, ce qui limite leur précision. Face à ces limites, ce mémoire propose une approche novatrice basée sur l’apprentissage automatique, et plus particulièrement sur l’algorithme Random Forest pour prédire le Manning composite à partir des caractéristiques d’occupation du sol. L’étude porte sur 50 tronçons de rivières du sud du Québec. Le coefficient de Manning a été calculé par inversion de la formule classique pour dix débits de récurrence, à partir de données LiDAR (géométrie, pente) et hydrologiques (débits issus de 50 rapports hydrologiques du Centre d'Expertise Hydrique du Québec (CEHQ)). Ces valeurs (500 valeurs) ont été croisées avec les proportions de 11 types de sols, extraites dans un rayon de 50 m autour de chaque tronçon, selon la cartographie 2025 du ministère des Ressources naturelles et des Forêts. Ces proportions d’occupation des sols et les valeurs de Manning calculées correspondantes, représentent les données d’entrée de notre modèle Random Forest. La calibration du modèle inclut une recherche optimisée des hyperparamètres, et sa performance est validée à l’aide d’un jeu de données indépendant. Les résultats montrent que cette méthode permet de prédire le coefficient de rugosité avec une grande précision (R² = 0,989 ; RMSE = 0,00168 ; NSE = 0,989), tout en limitant la subjectivité des méthodes empiriques traditionnelles. Ce travail confirme le potentiel de l’apprentissage automatique pour améliorer la représentation des paramètres hydrauliques dans les modèles numériques, et ouvre la voie à des applications à large échelle, plus cohérentes et économiquement avantageuses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».