Reconstitutions par apprentissage automatique des débits journaliers et mensuels historiques pour les Grands Lacs

Pourquoi les écoulements fluviaux passés comptent aujourd’hui

Les Grands Lacs contiennent près d’un cinquième des eaux de surface douce du monde et fournissent de l’eau potable, des voies de transport, de l’énergie et des loisirs à des millions de personnes. Pourtant, les rivières qui alimentent ces lacs n’ont pas toujours été mesurées de façon continue. De nombreux jauges de cours d’eau ont été fermées ou présentent des lacunes dans leurs séries, rendant difficile la connaissance du volume réel d’eau entré dans les lacs au cours des dernières décennies. Cet article présente une nouvelle méthode pour « rejouer » numériquement plus de 60 ans de débits journaliers vers les Grands Lacs, offrant aux collectivités et aux planificateurs une image beaucoup plus nette des périodes humides et sèches passées et les aidant à se préparer aux futurs changements climatiques et de niveaux d’eau.

Combler les pièces manquantes

Les jauges de cours d’eau sont les outils de base pour mesurer le volume d’eau circulant dans une rivière. En Amérique du Nord, des milliers d’entre elles ont été arrêtées ou présentent des séries fragmentaires en raison de pannes d’équipement et de réductions de financement. Les méthodes traditionnelles pour combler ces lacunes se concentrent souvent sur des rivières individuelles ou utilisent des modèles informatiques globaux trop grossiers pour saisir les détails locaux. Elles peinent à suivre les variations journalières du débit, essentielles pour comprendre les crues, les sécheresses et la manière dont l’eau circule dans les systèmes locaux. Le bassin des Grands Lacs ajoute une complexité supplémentaire : près d’un tiers de la zone ne dispose d’aucune jauge, il chevauche la frontière États-Unis–Canada, et il comprend un patchwork de climats, de sols, de villes, de cultures, de forêts et de zones humides.

Apprendre à un réseau de neurones à « lire » les rivières

Les auteurs recourent à un type d’intelligence artificielle appelé réseau LSTM (Long Short-Term Memory), une forme de réseau de neurones conçue pour apprendre des motifs qui se déploient dans le temps. Ils entraînent des modèles LSTM séparés pour quatre périodes historiques entre 1950 et 2013, afin de mieux capturer les évolutions lentes du climat, de l’utilisation des terres et de la gestion humaine de l’eau. Chaque modèle reçoit trois types d’informations pour des centaines de bassins versants de la région des Grands Lacs : des données météorologiques journalières (précipitations et température), des caractéristiques physiques fixes de chaque bassin (comme l’altitude, la pente, les sols et l’occupation du sol) et — surtout — les débits provenant de jauges « donatrices » proches qui présentent des comportements similaires. Un outil compagnon d’apprentissage automatique apprend d’abord quelles jauges tendent à monter et descendre ensemble, puis sélectionne les meilleurs donneurs pour chaque site cible. Cette configuration permet au réseau d’apprendre comment les pluies et la fonte des neiges se traduisent en écoulement fluvial à travers une grande diversité de paysages.

Des rivières individuelles aux lacs entiers

Une fois entraîné, le modèle le plus performant (qui utilise à la fois les données climatiques et les informations des jauges donatrices) est employé pour générer des séries complètes de débits journaliers de 1951 à 2013 pour 656 sites jaugés. L’équipe va ensuite plus loin : elle applique le même modèle à 128 bassins littoraux qui se déversent directement dans les cinq Grands Lacs — Supérieur, Michigan-Huron, St. Clair, Érié et Ontario. Pour chacun de ces bassins, le modèle estime les débits dans les zones non jaugées et les combine avec les observations disponibles des jauges internes. Ces valeurs journalières sont ensuite additionnées pour produire des totaux mensuels de l’eau entrant dans chaque lac.

Comparer les rivières numériques avec la réalité

Les chercheurs testent soigneusement les performances de leur modèle sur des sites connus et sur des sites jamais utilisés pour l’entraînement. Sur plusieurs décennies, le modèle reproduit les débits journaliers plus précisément qu’une version plus simple qui ne s’appuie que sur le climat et les caractéristiques du bassin, notamment lorsqu’il peut puiser dans des jauges donatrices à proximité. Il réussit particulièrement bien à « combler les blancs » pour des jauges aux séries partielles, tout en restant compétitif dans les bassins totalement non jaugés. Lorsque l’équipe compare leurs débits mensuels reconstitués entrants dans les lacs avec plusieurs produits existants utilisés par les agences, elle observe une forte concordance pour les décennies récentes et des pics de débit souvent plus marqués, notamment par rapport aux modèles reposant uniquement sur des équations pluies–débit.

Ce que cela signifie pour les niveaux d’eau des Grands Lacs

Le nouveau jeu de données offre l’un des portraits les plus détaillés et les plus longs dans le temps de la manière dont l’eau s’est écoulée du continent vers les Grands Lacs au cours des six dernières décennies. Pour les gestionnaires de l’eau, cela se traduit par de meilleures entrées pour les modèles bilans hydriques des lacs, des estimations plus précises des crues et sécheresses passées, et une plus grande confiance lors de la planification des niveaux d’eau incertains à venir sous un climat changeant. Parce que la méthode s’appuie sur des séries météorologiques de longue durée et sur les réseaux de jauges existants — et non sur des archives satellitaires relativement récentes — elle peut être étendue vers le passé et appliquée à d’autres régions du monde confrontées à des lacunes de surveillance similaires. En bref, ce travail fournit un puissant « bouton de rembobinage » des débits fluviaux, aidant les collectivités à comprendre d’où provenait l’eau des Grands Lacs par le passé afin de mieux la gérer dans les années à venir.

Citation: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Mots-clés: débit des Grands Lacs, reconstruction des débits, hydrologie par apprentissage automatique, variabilité des niveaux d'eau, impacts du changement climatique