Génération de séries de pluie horaire

completed
planning
hydrometeorology
climate change
floods
machine learning
STREAM
GAN pour la génération de pluies horaires aux stations météorologiques pour une meilleure estimation de l’évolution des crues

Informations projet

Durée 09.2025-02.2026 (6 mois)

Partenaires STREAM

Financement - Innosuisse projet STORE

Génération stochastique de séries météorologiques horaires

Contexte et objectifs

Figure 1: Architecture des réseaux Generative Adversarial avec conditions en bleue et contraintes fortes en orange

Les projections climatiques suisses (CH2018 et CH2025) et une partie des observations historiques ne sont disponibles qu’au pas de temps journalier. Ce projet développe une méthode de downscaling temporel basée sur des GANs conditionnels (réseaux antagonistes génératifs ou generative adversarial networks) pour générer des données météorologiques horaires réalistes à partir de données journalières. Contrairement à d’autres approches statistiques ou stochastiques, son avantage est de conserver exactement les propriétés des scénarios climatiques (comportement saisonnier et journalier), tout en permettant une meilleure résolution temporelle aux stations d’intérêt. De plus, ces générateurs apprennent les structures temporelles, les liens entre les variables et sont connus pour mieux représenter les extrêmes que d’autres générateurs comme les Variational Auto Encoders.

Résultats

Méthode : GANs avec contraintes physiques dures

L’originalité de l’approche réside dans l’intégration de contraintes physiques dures directement dans l’architecture du générateur : une étape de calcul force la somme des précipitations horaires à être égale à la somme journalière mesurée, et les températures sont redimensionnées entre les extrema journaliers. Les méthodes peuvent aussi être conditionnées à l’aide de 22 variables (contexte météo, saisonnalité). Une étude comparant l’effet du conditionnement et du forçage démontre que les deux mécanismes sont complémentaires.

Validation sur 11 ans de données – Vallée de Joux

Entraîné sur 9 ans et testé sur 2 ans de mesures horaires de 4 stations du Jura, le GAN conditionné et forcé surpasse la méthode de référence basée sur l’aléatoire, en fidélité de distribution (distance de Wasserstein : 0,013 mm/h contre 0,049 mm/h), en corrélations inter-stations et en reproduction des extrêmes de précipitations (cf. Figure 2).

Figure 2 Quantiles extrêmes à partir de 0.99 pour la Station Bière BIE (01.10.2014-30.09.2025).

Application aux scénarios climatiques et périodes de retour

Appliqué aux scénarios CH2025, GAN3 génère des distributions de précipitations horaires réalistes, reproduisant les statistiques passées tout en s’adaptant au contexte. Pour le scénario +3°C (GWL3.0), la période de retour décennale horaire passe de 57 mm/h (état de référence) à 74 mm/h, indiquant une intensification substantielle des événements extrêmes futurs.

Nous sommes actuellement en train de valider cette méthodologie sur un autre cas test pour publication.

Qui a participé ?

  • STREAM (F. Terrettaz, E. Neveu, F. Mettra)

  • Innosuisse projet STORE

  • STREAM

Valorisation


← Retour aux projets