Développement d’un modèle d’apprentissage automatique pour estimer le coefficient de Manning composite dans les cours d'eau naturels

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.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.