Toward a scalable and operational framework for streamflow simulations : optimizing and comparing physically-based and deep learning approaches

Cette thèse compare deux grands paradigmes de modélisation des débits fluviaux : les modèles basés sur les lois physiques, à travers l'outil SWAT (Soil and Water Assessment Tool), et les modèles basés sur les données, avec les réseaux de neurones LSTM (Long Short-Term Memory). L'évaluation repose sur quatre critères principaux : fiabilité, opérationnalité, portée d'application et robustesse face au changement climatique. Une première évaluation de SWAT sur un bassin méditerranéen montre que diminuer le nombre d'unités de réponse hydrologique (HRUs) améliore la précision des débits simulés tout en réduisant le temps de calcul. Ce paramétrage favorise ainsi l'opérationnalité du modèle sans compromettre sa fiabilité. Plusieurs stratégies de calibration sont ensuite comparées afin d'évaluer la capacité du modèle SWAT à reproduire la teneur en eau du sol, et son applicabilité en contexte non jaugé. Lorsqu'il est calibré uniquement sur les débits, SWAT reproduit mal les dynamiques d'humidité du sol. L'ajout des données d'humidité du sol comme contrainte de calibration améliore les hauts débits sans corriger les erreurs sur le stock d'eau du sol, révélant des limites de cohérence interne du modèle. En l'absence de données de débit, une calibration basée uniquement sur l'humidité du sol conduit à de faibles performances, tandis que le modèle non calibré produit des simulations de débits de précision spatialement hétérogène. Pour surmonter ces limitations et proposer une approche adaptée aux bassins non jaugés, la généralisation spatiale et temporelle des modèles LSTM est explorée sur 310 bassins français. Les modèles entrainés en mode temporel (TI) généralisent efficacement dans le temps sur 89% des bassins. Les modèles spatiaux (SI) et spatio-temporels (STI) donnent de bonnes performances dans environ la moitié des cas, mais perdent en précision sur les bassins à faibles débits ou à faible variabilité. L'ajout de bassins européens dans les données d'entraînement n'améliore pas la généralisation, mais ne la dégrade pas non plus, suggérant un bon potentiel de transférabilité à l'échelle continentale. Enfin, la réponse des deux modèles à des années climatiquement anormales est analysée. SWAT voit ses performances se dégrader lors d'années plus chaudes et plus sèches, notamment lorsqu'il n'est pas calibré, en raison de sa structure rigide. A l'inverse, les LSTM maintiennent une précision stable et produisent des hydrogrammes plus réalistes, traduisant une meilleure robustesse face à la non-stationnarité. En somme, les modèles SWAT et LSTM répondent à des besoins distincts mais complémentaires. SWAT est adapté aux analyses mécanistes dans des bassins bien instrumentés, tandis que les LSTM permettent une modélisation automatisée et robuste face aux variations de climat, pertinente pour les approches à grande échelle. Ensemble, ils constituent une base solide pour des applications allant de la gestion locale des ressources en eau à la projection régionale des débits selon les scénarios climatiques futurs.