Ressources en eau souterraine de proche sub-surface sous changement climatique: approche de modélisation couplée processus/apprentissage automatique – SHALCC

Le projet SHALCC traite du défi crucial de la modélisation de la variabilité des ressources en eau des aquifères peu profonds dans le cadre du changement climatique en vue d'une gestion optimisée de la ressource. Ces ressources vitales mais vulnérables sont très sensibles à la variabilité du climat et aux pressions anthropiques. Contrairement aux aquifères confinés plus profonds, les aquifères peu profonds sont plus exposés aux processus de surface, soutenant les débits de base des rivières, les écosystèmes et l'approvisionnement en eau, mais ils sont enclins à la surexploitation en raison de leurs coûts d'exploitation plus faibles. Le projet vise à relever deux défis majeurs : développer des simulations et des projections hydrologiques pour les aquifères peu profonds dans le cadre de scénarios climatiques dans les zones jaugées et non jaugées et créer des outils de modélisation hybrides combinant des méthodes basées sur la physique (PB) et sur l'intelligence artificielle (apprentissage profond: DL). Ces outils simuleront la dynamique hydrologique avec précision et efficacité tout en garantissant la cohérence physique et une large applicabilité.
L'étude se concentre sur les régions dotées d'aquifères peu profonds sur un socle cristallin, notamment la Normandie, les Pays de la Loire et la région Provence-Alpes-Côte d'Azur. Ces régions, où les écoulements d'eau souterraine sont confinés à des zones altérées et fracturées peu profondes (10-100 mètres), présentent des conditions géologiques et climatiques diverses. Les schémas d'écoulement, déterminés par les processus de pente et liés aux conditions météorologiques, sont très variables. Le changement climatique, avec des sécheresses plus intenses et plus longues, couplé à la variabilité climatique interne, exacerbe le stress sur ces aquifères, soulignant le besoin d'outils de modélisation fiables pour les bassins mal jaugés ou non jaugés.
L'approche de modélisation hybride intègre l'apprentissage profond avec des contraintes physiques dérivées de modèles basés sur les processus, garantissant l'interprétabilité et une applicabilité optimale. Validés dans des climats atlantiques et méditerranéens contrastés, ces modèles amélioreront les prévisions dans divers contextes. Les résultats attendus comprennent des outils de simulation et prévision évolutifs et conviviaux pour la gestion des eaux souterraines, des simulations pertinentes à long terme pour évaluer la vulnérabilité des aquifères, et des avancées en hydrologie grâce à l'intégration de l'IA et des méthodes basées sur la physique. Le projet permettra de soutenir les initiatives climatiques régionales (SAGE, SDAGE, "GIEC" locaux / GREC), d'aider à la planification locale de l'eau (PTGE, autorités chargées de l'eau) et, à l'échelle nationale, à améliorer la plateforme nationale de modélisation des aquifères « AquiFR ».
Le projet SHALCC vise donc à faire progresser l'hydrologie en combinant la modélisation axée sur les processus et la modélisation axée sur les données. En s'appuyant sur des outils d'IA interprétables et sur la connaissance des processus, le projet cherche à améliorer la compréhension de la variabilité des ressources en eau et à fournir des solutions innovantes pour la gestion des eaux souterraines en contexte de changement climatique.