Reconstruction des niveaux de mer extrêmes le long des côtes chinoises à l’aide de plusieurs modèles d’apprentissage profond

Pourquoi les niveaux d’eau côtiers comptent dans la vie quotidienne

Le long littoral de la Chine abrite des centaines de millions de personnes, d’importants ports et des métropoles en pleine expansion. Lorsque des tempêtes puissantes poussent la mer vers l’intérieur des terres, les niveaux d’eau élevés qui en résultent peuvent inonder des quartiers, endommager des infrastructures et contaminer l’eau potable par le sel. Pourtant, les relevés détaillés de ces niveaux d’eau côtiers extrêmes sont étonnamment rares et fragmentés. Cette étude comble cette lacune en reconstruisant cinquante ans de niveaux d’eau maximum journaliers le long d’une grande partie du littoral chinois, en utilisant des outils d’intelligence artificielle modernes pour transformer des observations lacunaires et des données de réanalyse météorologique en un ensemble de données cohérent et public.

Suivre la montée et la baisse de la mer

Les niveaux d’eau côtiers résultent principalement de deux composantes : la force régulière de la Lune et du Soleil qui génère les marées, et les ondes de tempête, des renflements temporaires d’eau poussés à terre par une basse pression atmosphérique et des vents forts lors de cyclones et d’autres systèmes météorologiques. En Chine, les cyclones tropicaux et autres tempêtes arrivent souvent sur des marées déjà hautes, créant des conditions particulièrement dangereuses. Cependant, de nombreuses stations marégraphiques qui mesurent le niveau de la mer ne disposent que d’enregistrements courts ou intermittents, et certaines ne sont pas accessibles publiquement. Cela complique la tâche des scientifiques et des planificateurs pour comprendre comment les niveaux de mer extrêmes varient d’un lieu à l’autre et d’une décennie à l’autre le long de ce littoral très exposé.

Utiliser des modèles intelligents pour combler les lacunes

Les auteurs ont abordé ce problème en combinant des techniques modernes d’apprentissage profond avec l’analyse marémotrice traditionnelle. Ils se sont concentrés sur 23 stations marégraphiques réparties le long du littoral chinois et ont rassemblé des informations météorologiques détaillées issues de la réanalyse mondiale ERA5, incluant la pression atmosphérique et les vents près de la surface sur une zone de 10 par 10 degrés autour de chaque station. Ces champs météorologiques ont servi à apprendre à plusieurs types de réseaux neuronaux comment les ondes de tempête maximales journalières se rapportent à l’atmosphère environnante. Parallèlement, l’équipe a utilisé un outil appelé UTide pour extraire les signaux marémoteurs prévisibles des séries historiques du niveau de la mer, leur permettant de séparer la montée et la baisse régulières de la marée de la composante plus erratique des surcotes.

Tester différentes variantes d’apprentissage profond

Plutôt que de s’en remettre à un seul algorithme, l’étude a comparé de façon systématique quatre modèles d’apprentissage profond : un réseau Long Short-Term Memory (LSTM), un hybride CNN-LSTM qui lit d’abord les motifs spatiaux, un ConvLSTM qui gère l’espace et le temps ensemble, et un modèle Informer basé sur l’architecture Transformer popularisée en traitement du langage. Pour maintenir l’efficacité des modèles, les chercheurs ont compressé les grands champs météorologiques à l’aide d’une analyse en composantes principales avant l’entraînement. Ils ont également fourni à chaque modèle un historique de 24 heures des conditions atmosphériques et utilisé des mécanismes d’attention afin que le réseau puisse se concentrer sur les moments les plus importants. Pour chaque station, ils ont réservé environ 20 % de la série comme période de test indépendante et ont sélectionné, pour la reconstruction finale, le modèle qui y donnait les meilleures performances.

Reconstruire cinquante ans de hauts niveaux

Une fois entraîné, le modèle le plus performant à chaque site a été utilisé pour reconstruire les surcotes maximales journalières pour l’ensemble de la période 1970–2020. Ces estimations de surcote ont ensuite été ajoutées aux marées astronomiques correspondantes calculées par UTide pour produire les niveaux d’eau totaux maximaux journaliers. Parce que la plus haute marée et la plus haute surcote d’un même jour se produisent généralement à des moments légèrement différents, cette simple addition représente une borne supérieure de ce qui s’est réellement produit ; des tests avec des données horaires suggèrent que cette surestimation est en moyenne d’environ 15 centimètres, soit environ 15 %. Même avec ce biais conservateur, les séries reconstruites correspondent étroitement aux observations là où des données existent : en moyenne, la corrélation entre les maxima journaliers reconstruits et observés est d’environ 0,9, et les erreurs sont de l’ordre de quelques dizaines de centimètres, y compris pour les événements de très haut niveau au-delà du 95e centile.

Ce que cela signifie pour les côtes et les communautés

Pour les scientifiques, les ingénieurs et les planificateurs côtiers, ce nouvel ensemble de données fournit une image détaillée et cohérente du comportement des niveaux de mer extrêmes le long du littoral chinois au cours du dernier demi-siècle. Il surpasse plusieurs produits globaux largement utilisés, notamment pendant les typhons et autres événements extrêmes, et est fourni avec des métadonnées complètes, le code et des métriques de performance afin que d’autres puissent le réutiliser et l’examiner. Pour le grand public, ce travail signifie que les évaluations du risque d’inondation, la conception des digues, la planification des évacuations et l’adaptation à long terme peuvent désormais s’appuyer sur des informations beaucoup plus riches qu’auparavant. En termes clairs, en apprenant aux ordinateurs à « rejouer » des décennies de marées élevées provoquées par les tempêtes, l’étude offre une base scientifique plus solide pour protéger les communautés côtières des dangers actuels et se préparer aux mers montantes de demain.

Citation: Fang, J., Huang, J., Bian, W. et al. Reconstruction of Extreme Sea Levels in coastal China using Multiple Deep Learning models. Sci Data 13, 268 (2026). https://doi.org/10.1038/s41597-026-06593-w

Mots-clés: onde de tempête, niveau de mer extrême, inondation côtière, apprentissage profond, littoral chinois