Thèse Identification des Signatures Hydrauliques des Règles de Gestion des Barrages à Partir de Swot H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier
École doctorale : GAIA - Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
Laboratoire de recherche : G-EAU - Gestion de l'Eau, Acteurs, Usages
Direction de la thèse : Pierre-Olivier MALATERRE ORCID 0000000158343944
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-07T23:59:59

Les barrages comptent parmi les ouvrages les plus structurants du cycle hydrologique mondial. Présents sur tous les continents, ils modifient le régime et l'intensité des débits fluviaux pour répondre à des usages variés. Ils seraient responsables d'environ 40% des variations du volume d'eau stocké à la surface des continents, faisant des barrages un facteur déterminant de la disponibilité en eau douce à l'échelle globale. Malgré leur importance, les règles de gestion de la grande majorité des réservoirs dans le monde restent mal documentées. Les données opérationnelles sont détenues par des agences nationales ou des opérateurs privés et demeurent rarement accessibles. Il en résulte un écart considérable entre la connaissance de l'existence des infrastructures régulées et la compréhension de leur impact sur les systèmes fluviaux.
La mission SWOT offre une nouvelle base d'observation pour aborder ce problème. SWOT mesure la hauteur de surface de l'eau et, par résolution d'un problème hydraulique inverse, les débits le long des cours d'eau à l'échelle mondiale, avec une continuité spatiale inédite depuis l'espace. Contrairement aux observations ponctuelles classiques, SWOT restitue la structure spatiale complète de l'état hydraulique le long d'un tronçon de fleuve à chaque passage du satellite, révélant des signatures dans la dynamique des fleuves régulés. Ce projet propose d'exploiter cette information pour caractériser et classifier les modes de gestion des barrages à l'échelle globale, d'abord sur des réservoirs répertoriés dans les bases de données existantes, puis en étendant la démarche à l'identification de tronçons régulés non documentés.
Nous exploiterons la structure spatio-temporelle bidimensionnelle des données SWOT. Pour tout tronçon de fleuve, les passages successifs du satellite fournissent des variables hydrauliques en chaque point, qui peuvent être organisées en matrices espace-temps. Ces représentations permettent le recours à des approches avancées développées pour les données structurées en 2D. Ces méthodes permettront de séparer les dynamiques basse fréquence liées aux forçages climatiques et saisonniers des signaux opérationnels à plus haute fréquence. Pour les dynamiques caractérisées par des transitions abruptes, des méthodes plus sensibles à la non-stationnarité seront appliquées. L'objectif est d'identifier, pour chaque type de dynamique de réservoir, l'approche qui en révèle le mieux les modes dominants.
Pour classifier les usages opérationnels des réservoirs, un cadre d'apprentissage profond sera développé et entraîné sur les sorties des décompositions, combinées aux données SWOT et aux bases de données mondiales disponibles (GRanD, GloFAS, etc.). Les résultats de classification seront validés par une approche physiquement fondée : pour chaque classe opérationnelle identifiée, les paramètres des équations régissant cette classe seront optimisés pour reproduire les observations, et la qualité de l'ajustement vérifiera que les réservoirs classifiés suivent bien la dynamique décrite par la famille d'équations correspondante. Cela fournit une vérification indépendante, ancrée dans la physique, au-delà des seules métriques statistiques.
Le projet débutera avec les réservoirs documentés dans des bases de données mondiales telles que GRanD, afin de développer et valider l'ensemble de la chaîne de traitement. Nous explorerons ensuite l'identification de tronçons régulés non répertoriés, à travers des discontinuités observables directement dans les données SWOT et dans la structure modale révélée par la décomposition; une rupture abrupte dans le caractère des modes dominants le long du fleuve pouvant signaler la présence d'un ouvrage qui en réorganise la dynamique. Cela ouvre la possibilité de construire une image plus complète de la régulation fluviale mondiale, de ses modes de gestion et de ses impacts sur les bassins versants.

Les barrages et leurs réservoirs associés constituent l'une des interventions humaines les plus impactantes sur le cycle hydrologique. On dénombre aujourd'hui plus de 50 000 grands barrages dans le monde, auxquels s'ajoutent plusieurs centaines de milliers d'ouvrages de plus petite taille. Ensemble, ils régulent le régime et l'intensité des débits fluviaux sur tous les continents, servant des usages variés: production hydroélectrique, irrigation agricole, écrêtement des crues, alimentation en eau potable, soutien d'étiage, navigation. Leur impact sur le cycle de l'eau est considérable. Les réservoirs artificiels seraient responsables d'environ 40 % des variations du volume d'eau stocké à la surface des continents, faisant des barrages un facteur déterminant de la disponibilité en eau douce à l'échelle planétaire.Pourtant, malgré leur importance hydrologique, les règles de gestion qui gouvernent le fonctionnement de la grande majorité de ces ouvrages restent largement méconnues. Les données opérationnelles, courbes de remplissage, consignes de lâcher et règles de priorisation des usages, sont détenues par des agences nationales ou des opérateurs privés et demeurent rarement accessibles. Il en résulte un écart fondamental entre la connaissance de l'existence physique des infrastructures, partiellement documentée dans des bases de données mondiales telles que GRanD (Global Reservoir and Dam Database), et la compréhension de leur fonctionnement réel et de leurs impacts sur les systèmes fluviaux.

Cette lacune a des conséquences directes sur la modélisation hydrologique à grande échelle. Les modèles hydrologiques globaux peinent à reproduire les débits observés en aval des barrages faute de connaître leurs règles de gestion. Les projections hydrologiques sous changement climatique sont affectées par cette incertitude, de même que les estimations de disponibilité en eau. Par ailleurs, de nombreuses estimations suggèrent que le nombre réel de barrages et de seuils dans le monde est très largement supérieur à celui répertorié dans les bases de données existantes, en particulier en Afrique subsaharienne et en Asie du Sud-Est, où des milliers d'ouvrages de petite et moyenne taille demeurent non documentés. Développer des méthodes permettant d'inférer les règles de gestion des barrages à partir d'observations et de détecter des ouvrages non répertoriés constitue donc un enjeu scientifique et sociétal majeur.

C'est dans ce contexte que la mission SWOT, fruit d'une collaboration franco-américaine entre le CNES et la NASA lancée en décembre 2022, représente une rupture technologique majeure pour l'hydrologie fluviale. SWOT mesure la hauteur et l'étendu de surface de l'eau continentale et océanique à l'échelle globale avec une résolution sans précédent, et permet d'estimer les débits par résolution d'un problème hydraulique inverse. Contrairement aux réseaux hydrométriques classiques, ponctuels, inégalement répartis et dont la densité est en déclin depuis les années 1980, SWOT restitue la structure spatiale complète de l'état hydraulique le long d'un bief à chaque passage du satellite. Cette continuité spatiale inédite crée une opportunité sans précédent pour observer depuis l'espace les empreintes hydrauliques laissées par les opérations des barrages dans la dynamique des fleuves régulés.

En aval d'un barrage, chaque décision opérationnelle, ouverture d'une vanne, lâcher turbine, soutien d'étiage ou remplissage saisonnier, se traduit par une modification du régime hydraulique observable : variation de la hauteur d'eau, modification de la pente de la ligne d'eau, changement du débit estimé. Ces modifications ne sont pas aléatoires et portent la signature du type d'usage du réservoir et de ses règles de gestion, et se manifestent avec une structure spatio-temporelle cohérente dans les données SWOT. L'hypothèse centrale de ce projet est que ces signatures sont suffisamment structurées et persistantes pour être extraites, caractérisées et utilisées à des fins de classification, via des outils d'analyse adaptés à la nature bidimensionnelle des données.

L'objectif central du projet est de construire la base de données BARRAGE, première base mondiale des signatures hydrauliques et des modes de gestion des barrages dérivés d'observations satellitaires. Ce projet se décline en quatre objectifs scientifiques et méthodologiques :

- Extraire les signatures hydrauliques des opérations des barrages à partir de SWOT.
- Identifier les modes dynamiques dominant les opérations des réservoirs.
- Classifier les usages opérationnels des réservoirs par apprentissage profond.
- Étendre la connaissance de la régulation fluviale mondiale au-delà des réservoirs documentés.

La démarche méthodologique du projet s'articule en six phases successives et interdépendantes, allant de la construction et l'enrichissement des données SWOT à la classification physiquement fondée des modes de gestion des barrages, jusqu'à la détection d'ouvrages non documentés.

Etape 1 : Construction et densification des images spatio-temporelles SWOT
La première étape du projet consiste à construire une représentation structurée et exploitable des données SWOT pour chaque bief régulé étudié. SWOT observe la hauteur de surface de l'eau et la largeur au miroir, au niveau des noeuds, espacés d'environ 200 mètres le long du fleuve, eux-mêmes regroupés au sein de biefs d'environ 10 kilomètres. Cette résolution spatiale fine, inédite pour une mission satellitaire hydrologique, confère aux données SWOT une richesse structurale que ce projet propose d'exploiter pleinement. Pour tout bief observable par SWOT, les variables hydrauliques mesurées lors des passages successifs du satellite sont organisées en matrices de dimension (espace × temps). En concaténant des ensembles de biefs successifs d'un fleuve, on obtient des images bidimensionnelles de la dynamique fluviale sur une fenêtre spatiale étendue, dont la structure porte l'empreinte des opérations du barrage. La taille optimale de sets (groupes de biefs successifs) sera un paramètre à investiguer pour optimiser la lisibilité spatiale des empreintes des opérations.

Les données SWOT brutes sont affectées par des erreurs et doivent subir un filtrage via des attributs de qualité. Ceci introduit des lacunes spatiales et parfois temporelle. Ces lacunes compromettent la continuité des images et peuvent biaiser les analyses. Pour y remédier, le projet exploitera l'approche de densification développée à l'INRAE, appliquée au catalogue de profils de hauteur de l'eau et de largeur constitué sur trois ans d'observations SWOT. Cette approche, fondée sur l'exploitation de régimes hydrauliques au sein d'un bief, c'est-à-dire des relations stables entre la géométrie du chenal, la hauteur d'eau et la largeur qui structurent la variabilité spatiale des profils. Elle permet d'estimer les valeurs manquantes au niveau des noeuds et de produire des matrices spatio-temporelles plus complètes. La densification repose sur une approche Bayésienne explicite et fournit ainsi un jeu de données enrichi sur lequel reposeront toutes les étapes suivantes.

Étape 2 : Caractérisation des signatures opérationnelles des réservoirs
À partir des images densifiées et des séries temporelles de hauteurs observées au niveau du réservoir, un ensemble d'indicateurs caractéristiques du fonctionnement de chaque ouvrage sera extrait. Les indicateurs ciblés couvrent plusieurs dimensions du comportement opérationnel: la capacité effective du réservoir et ses niveaux d'exploitation, estimés à partir de l'amplitude des variations de hauteur d'eau; le marnage et l'amplitude du stockage saisonnier; les cycles et la régularité des opérations; les taux de remplissage et de vidange; les décalages saisonniers et les transitions entre phases opérationnelles; et le débit minimum maintenu en aval, potentiellement lié à une contrainte réglementaire ou environnementale. Ces indicateurs seront organisés en un vecteur de caractéristiques par réservoir, et constituent une représentation compacte et physiquement interprétable qui alimentera les étapes de classification ultérieures.

Étape 3 : Analyse des modes dynamiques et décomposition spatio-temporelle
L'analyse des images densifiées sera conduite par des méthodes de décomposition modale, avec pour objectif d'identifier les structures spatio-temporelles cohérentes dominant la dynamique des biefs régulés et d'en extraire des signatures discriminantes.

La Décomposition en Modes Dynamiques (DMD) et ses variantes constitueront la base de cette analyse. La DMD extrait, à partir d'une séquence de profils spatiaux-temporels de hauteur d'eau, les modes associés à des fréquences caractéristiques, permettant de séparer les dynamiques selon leur échelle temporelle. Plusieurs variantes seront explorées : La DMD multi-résolution (mrDMD) décompose récursivement les données à différentes échelles temporelles et est particulièrement adaptée aux systèmes multi-échelles où coexistent des dynamiques saisonnières lentes et des signaux opérationnels à plus haute fréquence. La DMD avec contrôle (DMDc) incorpore des variables de forçage externe pour isoler la signature opérationnelle de la réponse climatique du bassin versant. L'analyse par ondelettes 2D sera également exploitée pour caractériser les signaux multi-échelles et identifier les discontinuités spatiotemporelles sans hypothèse de stationnarité. Pour les dynamiques caractérisées par des transitions abruptes, des méthodes de détection de ruptures seront explorées (ex. Bayesian Online Changepoint Detection, Pruned Exact Linear Time (PELT), etc.). L'analyse sera enrichie par l'intégration de données GloFAS, et les base de données globales des réservoirs GranD.

Étape 4 : Classification des opérations par apprentissage profond
Sur la base des images densifiées, des indicateurs opérationnels de l'étape 2 et des représentations modales de l'étape 3, un cadre de classification par apprentissage profond sera développé pour associer à chaque réservoir observable par SWOT un type d'opération dominant. Les classes opérationnelles ciblées incluront la gestion hydroélectrique, l'irrigation saisonnière, l'alimentation en eau potable, l'écrêtement des crues, le soutien d'étiage, la gestion multi-usages et la réponse aux événements climatiques extrêmes.

Trois architectures seront explorées et comparées. Les réseaux de neurones convolutifs (CNN) opéreront directement sur les images spatio-temporelles densifiées, exploitant leur capacité à détecter des structures locales cohérentes, gradients, caractéristiques de chaque type d'opération à l'échelle des noeuds et des biefs. Les Vision Transformers (ViT) exploiteront les dépendances à longue portée dans les deux dimensions de l'image, avec un mécanisme d'attention permettant d'identifier les régions les plus discriminantes pour la classification et offrant ainsi une interprétabilité additionelle. Un système hybride CNN-Transformer combinera les avantages des deux approches, en extrayant des caractéristiques locales par CNN avant de modéliser les dépendances globales par Transformer.

Étape 5 : Validation par ajustement d'équations gouvernantes
La validation des classifications reposera sur une approche physiquement fondée. Pour chaque classe opérationnelle identifiée, un modèle de gestion simplifié sera associé, dont les paramètres seront estimés par résolution d'un problème inverse d'optimisation du contrôle.

Les familles d'équations associées à chaque classe reflètent la physique du mode de gestion correspondant. Pour chaque réservoir classifié, les paramètres de l'équation gouvernante correspondante seront optimisés pour reproduire au mieux les observations SWOT. La qualité de l'ajustement, mesurée par des métriques adéquates constituera une vérification indépendante de la cohérence de la classification.

Étape 6: Détection des biefs régulés non documentés
Une fois le cadre méthodologique validé sur les réservoirs documentés dans GRanD, il sera étendu à la détection de biefs régulés non répertoriés. Tout ouvrage hydraulique introduit des discontinuités caractéristiques dans la dynamique du fleuve, observables à la fois dans les données SWOT et dans les représentations modales issues de la décomposition. Deux types de discontinuités seront exploités: les discontinuités hydrauliques directes, telles que les ruptures de pente de la ligne d'eau entre biefs amont et aval ou les anomalies de débit incompatibles avec la continuité hydraulique naturelle entre noeuds consécutifs ; et les discontinuités modales, caractérisées par un changement abrupt dans le spectre DMD ou dans la structure des modes dominants entre biefs successifs, pouvant signaler la présence d'un ouvrage qui réorganise la dynamique hydraulique locale. Les candidats identifiés seront validés par croisement avec des données satellitaires auxiliaires, notamment l'imagerie optique Sentinel-2 et les données altimétriques ICESat-2, ou par consultation des bases de données d'ouvrages hydrauliques régionaux, si disponibles.

Des cas d'application seront sélectionnés, pour leur intérêt en adéquation avec le sujet de thèse, et prioritairement ceux où des études sont en cours au sein de l'UMR G-eau, comme par exemple le bassin du Mékong.

Le projet est ouvert à des candidats titulaires d'un diplôme d'ingénieur ou Master dans les domaines de l'hydrologie, de l'hydraulique, des sciences de l'environnement ou du traitement du signal. Une solide formation en programmation scientifique (Python, MATLAB) est requise. Des connaissances en apprentissage automatique ou en apprentissage profond constitueront un atout important. Un intérêt marqué pour la télédétection et les données satellitaires, ainsi qu'une capacité à travailler sur des jeux de données volumineux et hétérogènes, seront appréciés. Le candidat devra faire preuve de rigueur scientifique, d'autonomie et d'un bon niveau de communication écrite et orale en anglais. Une maîtrise du français est souhaitée mais non obligatoire.