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