Génération de séries de pluie horaire

Architecture des réseaux Generative Adversarial avec conditions en bleue et contraintes fortes en orange
Période 09.2025–02.2026
Contexte & objectifs
- Projections climatiques suisses (CH2018 et CH2025) journalières uniquement
- Objectif :
- Développer du downscaling temporel pour générer des données météorologiques horaires réalistes
- Coupler avec modèles hydrologiques pour estimation de l’évolution descrues
- Méthode GANs conditionnels (réseaux antagonistes génératifs ou generative adversarial networks)
- utilisation contexte (22 variables météo + saisonnalité) avec probabilités conditionnelles
- conservation des propriétés des scénarios climatiques par forcage des contraintes journalières (moyenne, min, max, cumul)
- structures temporelles et liens entre les variables appris par l’IA
- connus pour bien représenter les extrêmes
Génération de séries de pluie horaire — Résultats

Quantiles extrêmes à partir de 0.99 pour la Station Bière BIE (01.10.2014-30.09.2025).
- Validation sur 11 ans de données (précipitation et température) et la Vallée de Joux :
- 9 ans d’entraînement
- 2 ans de test
- Comparaison
- avec et sans conditions
- avec et sans forçage des contraintes journalières
- avec méthode aléatoire avec forçage des contraintes journalières
- Méthode avec conditions et forçage donne les meilleurs résultats :
- distance de Wasserstein plus faible (0,013 mm/h contre 0,049 mm/h pour la méthode aléatoire)
- reproduction des extrêmes de précipitations
- Projet se continue sur d’autre cas test pour validation avec plus de données
Valorisation
- Présentation Congrès IA & Eau (mars 2026, Grenoble) Génération stochastique de données météorologiques à haute résolution temporelle, à l’aide de Generative Adversarial Networks, pour une meilleure évaluation des crues