Les simulations du niveau des eaux souterraines (GWL) permettent de générer des reconstructions pour explorer la variabilité temporelle passée des ressources en eaux souterraines, ou fournissent les moyens de générer des projections sous l’impact du changement climatique à l’échelle décennale. Dans ce contexte, l’analyse des GWL affectées par des variations basse fréquence est cruciale.
Dans cette étude, nous évaluons les capacités de trois modèles d’apprentissage profond – deep learning : DL (mémoire longue à court terme (LSTM), unité récurrente fermée (GRU) et LSTM bidirectionnel (BiLSTM)) à simuler trois types de GWL affectés par une faible variation – comportement fréquentiel : inertiel (dominé par les basses fréquences), annuel (dominé par la cyclicité annuelle) et mixte (dans lequel les variations annuelles et basses fréquences ont une amplitude élevée).
Nous avons également testé si le prétraitement par transformée en ondelettes discrètes à chevauchement maximal (MODWT) des variables d’entrée permet de mieux identifier le contenu fréquentiel le plus pertinent pour les modèles (modèles MODWT-DL). Seules les variables externes (c’est-à-dire les précipitations, la température de l’air en tant que données brutes et les précipitations effectives (EP)) ont été utilisées comme données d’entrée.
Les résultats indiquent que pour les GWL de type inertiel, les modèles MODWT-DL avec des données brutes étaient nettement plus précis que les modèles autonomes. Cependant, les modèles DL ont bien fonctionné pour les GWL de type annuel, tout en utilisant EP comme entrée, les modèles MODWT-DL ne présentant que des améliorations mineures. L’utilisation de données brutes comme entrée a amélioré les modèles MODWT-DL par rapport aux modèles autonomes ; néanmoins, tous les modèles utilisant EP ont obtenu de meilleurs résultats pour les GWL de type annuel. Pour les GWL de type mixte, tout en utilisant EP comme entrée, les modèles MODWT-DL ont bien fonctionné, avec des améliorations substantielles par rapport aux modèles autonomes. En utilisant des données brutes comme entrée, l’amélioration des modèles MODWT-DL est marginale par rapport à celle des modèles autonomes ; néanmoins, ils fonctionnent mieux que les modèles autonomes avec EP. L’approche Shapley Additive exPlanations (SHAP) utilisée pour interpréter les modèles a mis en évidence qu’ils apprenaient préférentiellement à partir des données de précipitations à basse fréquence pour obtenir les meilleures simulations pour les GWL inertiels et mixtes. Cette étude a montré que le prétraitement d’entrée basé sur MODWT est très approprié pour mieux simuler les GWL variables à basse fréquence.
Chidepudi, S.K.R., Massei, N., Jardani, A., Henriot, A., Allier, D., Baulon, L. (2023) A wavelet-assisted deep learning approach for simulating groundwater levels affected by low-frequency variability. Science of the Total Environment, 865, art. no. 161035
10.1016/j.scitotenv.2022.161035