Un cadre couplé de réduction-reconstruction spatiale et LSTM (SRR-LSTM) pour la prédiction des niveaux d'eau souterraine dans de grands districts d'irrigation

Pourquoi les agriculteurs et les villes devraient se préoccuper de l'eau cachée

Dans de nombreuses régions arides, l'eau qui alimente les cultures et les robinets ne provient pas de rivières ou de réservoirs visibles, mais d'immenses réserves souterraines appelées aquifères. Avec l'expansion de l'irrigation et l'intensification des sécheresses, ces réserves cachées sont souvent prélevées plus rapidement qu'elles ne se rechargent. Les gérer judicieusement exige des outils capables de prédire comment les niveaux d'eau souterraine évolueront à l'échelle de grands districts agricoles, mois par mois et parcelle par parcelle, sans nécessiter de superordinateurs ni des décennies de mesures. Cette étude propose une nouvelle manière de faire précisément cela pour un important district d'irrigation du nord-est de la Chine.

Un paysage assoiffé sous pression

La recherche porte sur le district d'irrigation de Taobei, une zone agricole de 1 904 kilomètres carrés située sur les plaines du bassin de la rivière Tao’er. La région a un climat semi-aride : la majeure partie des faibles précipitations tombe sur quelques mois d'été, tandis que l'évaporation est élevée. Depuis le début des années 1990, les terres irriguées—en particulier les rizières gourmandes en eau—se sont fortement étendues, alors qu'une série d'années sèches a réduit le débit des rivières. En conséquence, les eaux souterraines ont parfois fourni plus de 90 % de l'eau d'irrigation. Le résultat est un vaste et profond « cône » d'abaissement de la nappe centré sur les rizières, avec des niveaux d'eau désormais inférieurs de plus de 7–10 mètres par rapport aux décennies précédentes et parfois au-dessous du lit de la rivière, inversant les échanges naturels rivière–aquifère et mettant en tension les écosystèmes locaux.

De la physique lente à des modèles intelligents plus rapides

Les scientifiques utilisent depuis longtemps des modèles informatiques basés sur la physique, tels que MODFLOW, pour simuler le comportement des eaux souterraines. Ces modèles résolvent les équations décrivant le mouvement de l'eau dans le sous-sol, cellule de grille par cellule de grille. Ils sont précis mais lents, surtout lorsqu'il faut explorer de nombreuses combinaisons de climat, de débits de rivière et de politiques de pompage. Les modèles d'apprentissage automatique et d'apprentissage profond peuvent être beaucoup plus rapides, mais les tentatives précédentes ont souvent traité une région entière avec un seul modèle ou se sont appuyées sur seulement quelques puits, rendant difficile la capture des différences de comportement de la nappe près des rivières, sous les villes ou sous différentes cultures. Le défi consiste à conserver suffisamment de réalisme physique et de détail spatial tout en réduisant le temps de calcul à quelque chose d'utile pour la gestion réelle.

Une manière intelligente de regrouper les terres

Les auteurs proposent un cadre « réduction–reconstruction spatiale », abrégé SRR-LSTM, qui combine une méthode de clustering classique avec un réseau moderne d'apprentissage profond. D'abord, ils exécutent un modèle existant couplant surface–sous-surface (SWAT-MODFLOW) dans 16 scénarios mélangeant différents futurs climatiques et intensités de pompage, générant de longues séries temporelles de niveaux d'eau souterraine pour chaque grille kilométrique du district. Ensuite, ils regroupent les cellules en clusters présentant des traits similaires—tels que l'usage des terres, l'altitude, l'épaisseur de l'aquifère et l'amplitude des fluctuations des niveaux d'eau—en utilisant la méthode K-means. Pour chaque cluster, ils choisissent une grille « témoin » représentative et entraînent un réseau de type Long Short-Term Memory (LSTM) pour prédire le niveau d'eau de cette grille à partir des précipitations mensuelles, de l'évapotranspiration, du débit de la rivière, du pompage et du niveau du mois précédent.

Reconstruire une carte détaillée à partir de quelques modèles intelligents

Une fois ces modèles pour grilles témoins entraînés, le cadre teste la qualité des prédictions de chaque modèle pour toutes les grilles du district, construisant une carte d'exactitude. Chaque grille est ensuite assignée au modèle qui la prédit le mieux, et des grilles témoins supplémentaires sont ajoutées là où la précision est faible, par exemple le long du bord externe du cône d'abaissement et près de la rivière. Cette réaffectation « guidée par l'exactitude » découpe efficacement le district en zones où un modèle partagé fonctionne bien. Dans la configuration finale, neuf modèles LSTM opérant en parallèle peuvent reproduire la carte de haute résolution des niveaux d'eau chaque mois. Comparé à trois schémas alternatifs et au modèle physique détaillé, le SRR-LSTM obtient des scores d'efficacité de Nash–Sutcliffe supérieurs à 0,9 pour 96 % des grilles—bien au-delà de la plage de 11–49 % des schémas plus simples—tout en réduisant le temps de calcul d'environ 80 %.

Voir quelles forces comptent le plus

Pour ouvrir la « boîte noire » de l'apprentissage profond, l'équipe utilise un outil d'explication appelé SHAP, qui révèle combien chaque entrée—précipitations, pompage, débit de la rivière, etc.—contribue aux prédictions selon les endroits. Au cœur de la zone d'irrigation, le pompage intensif l'emporte sur les précipitations dans la structuration des tendances de la nappe, expliquant la persistance et l'expansion du cône d'abaissement sous les rizières. En revanche, dans les zones agricoles en amont, plus éloignées du cône, la pluie joue un rôle plus important. Le débit de la rivière a un fort impact positif près du chenal, surtout en amont : lorsque les débits dépassent certains seuils, les fuites de la rivière fournissent un rechargement notable de l'aquifère. Cependant, cet avantage plafonne à fortes crues, et en aval des sections où les débits sont faibles, le potentiel de recharge est limité. L'analyse montre aussi que lorsque le pompage est intense, un même débit de rivière produit plus de recharge parce que la nappe est plus basse, accentuant le gradient entre la rivière et l'aquifère.

Ce que cela signifie pour la gestion de l'eau cachée

Pour les non-spécialistes, le message principal est que l'on peut désormais prédire les variations d'eau souterraine sur de grandes régions agricoles avec à la fois un fin détail spatial et une rapidité pratique, même sous de multiples climats futurs et politiques de pompage possibles. En regroupant les zones qui se comportent de façon similaire et en dotant chaque groupe de son propre modèle d'apprentissage profond, le cadre SRR-LSTM préserve les différences locales utiles à la gestion—par exemple où réduire le pompage aura le plus d'effet, ou combien de débit supplémentaire de la rivière est nécessaire avant que la recharge ne devienne effective. Parallèlement, des outils comme SHAP transforment des réseaux neuronaux complexes en aides à la décision qui clarifient quels leviers—précipitations, opérations fluviales ou prélèvements souterrains—contrôlent le plus fortement les niveaux d'eau dans chaque partie du paysage. Ensemble, ces avancées peuvent aider les districts d'irrigation à concevoir des stratégies plus ciblées et durables pour protéger l'eau invisible qui soutient la production alimentaire et les moyens de subsistance ruraux.

Citation: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

Mots-clés: eaux souterraines, irrigation, apprentissage automatique, LSTM, gestion de l'eau