Intégration de l’apprentissage multitâche avec un cadre contraint par la physique différentiable pour la prévision hydrologique

Pourquoi des prévisions d’eau plus intelligentes comptent

Agriculteurs, urbanistes et gestionnaires des risques comptent tous sur la compréhension de la circulation de l’eau dans le sol et son retour dans l’atmosphère. Pourtant, prévoir des éléments clés de ce système — comme l’humidité du sol à différentes profondeurs et la rapidité à laquelle l’eau s’évapore — reste étonnamment difficile. Les modèles physiques traditionnels peinent face à la complexité désordonnée des paysages réels, tandis que l’intelligence artificielle moderne peut être performante mais néglige souvent les lois fondamentales de la nature. Cette étude propose une nouvelle façon de combiner ces deux approches, avec pour objectif des prévisions hydrologiques à la fois précises et physiquement fiables.

Relier plusieurs signaux hydriques à la fois

La plupart des systèmes d’apprentissage profond en hydrologie sont entraînés pour prédire une seule chose à la fois — par exemple uniquement l’humidité du sol ou uniquement l’évapotranspiration. Dans la réalité, ces variables sont étroitement liées : la quantité d’eau dans le sol influence ce qui peut s’évaporer, et l’évapotranspiration modifie à son tour l’humidité du sol. Les auteurs construisent un modèle d’apprentissage multitâche qui prédit plusieurs variables liées simultanément : l’humidité du sol en trois couches de profondeur et l’évapotranspiration. Le modèle utilise un réseau neuronal récurrent (un LSTM) qui ingère une année de données météorologiques quotidiennes, telles que précipitation, température, rayonnement solaire et vent, ainsi que des informations sur le sol et la végétation locaux. Un noyau partagé apprend des motifs généraux, tandis que plusieurs branches de sortie plus petites se spécialisent pour chaque variable.

Apprendre au modèle à respecter le bilan hydrique

Pour dépasser une approche purement fondée sur les données, les chercheurs intègrent une règle physique simple mais puissante : le bilan hydrique. Sur une période donnée, l’eau entrante par les précipitations doit être expliquée par ce qui part en ruissellement et en évapotranspiration, plus les variations d’eau stockée comme l’humidité du sol et d’autres processus mineurs. Plutôt que de traiter cette équation comme un contrôle externe, ils l’intègrent directement dans le processus d’entraînement du modèle. Les prédictions du réseau neuronal pour l’humidité du sol et l’évapotranspiration sont pénalisées chaque fois qu’elles violent le bilan hydrique, poussant le système vers des solutions qui conservent globalement l’eau.

Laisser le réseau apprendre les pièces manquantes

Les paysages réels comprennent de nombreuses voies hydriques difficiles à décrire précisément, comme la fonte des neiges, les échanges avec les nappes phréatiques et l’eau interceptée par la végétation ou les bâtiments. Ces processus varient d’un lieu à l’autre et sont difficiles à encoder par des formules fixes. Les auteurs abordent cela en insérant un second réseau neuronal directement dans l’équation du bilan hydrique pour représenter le terme « résiduel » — les restes difficiles à capturer. Ce réseau intégré reçoit les mêmes entrées météorologiques et de surface terrestre et apprend, sans supervision directe, à estimer les processus manquants afin que le budget hydrique global se ferme. Parce que toutes les parties du système sont différentiables, le prédicteur principal et ce réseau résiduel sont entraînés ensemble dans un cadre de bout en bout.

Tester les performances à l’échelle globale

L’équipe évalue sa méthode en utilisant le jeu de données LandBench 1.0, qui combine des décennies d’informations météorologiques et de surface terrestre à résolution quotidienne à l’échelle mondiale. D’abord, ils comparent le modèle multitâche à quatre réseaux mono-tâche séparés. La prédiction simultanée de plusieurs variables s’avère bénéfique : les prévisions d’humidité du sol s’améliorent tant en surface qu’en profondeur, et l’évapotranspiration devient beaucoup plus cohérente en termes de variabilité et de biais capturés par le modèle. Ensuite, ils testent trois versions du dispositif multitâche : une sans contraintes physiques, une avec une simple pénalité basée sur une formule de bilan hydrique fixe, et leur nouveau cadre différentiable contraint par la physique. La pénalité simple nuit souvent aux performances, montrant que des contraintes physiques rigides mais imparfaites peuvent induire en erreur l’apprentissage. En revanche, le cadre différentiable donne généralement les meilleurs scores pour l’humidité du sol, en particulier dans les couches profondes, et offre des gains modestes pour l’évapotranspiration.

Avantages pour les régions sèches et les événements rares

Une force clé du nouveau cadre apparaît lorsque les données sont limitées ou que les conditions sont extrêmes. Lorsque les auteurs réduisent fortement la quantité de données d’entraînement, les prédictions du modèle non contraint deviennent dispersées et biaisées, tandis que la version contrainte par la physique reste plus proche de la réalité, en particulier pour l’humidité du sol à toutes les profondeurs. L’approche améliore également les performances pour des valeurs très faibles d’humidité du sol et d’évapotranspiration — des conditions associées à la sécheresse. Dans des régions arides comme l’Afrique du Nord et le Moyen-Orient, le modèle saisit mieux comment l’évaporation est limitée par la rareté de l’eau du sol, un comportement que les modèles purement statistiques manquent souvent. Les extrêmes élevés d’évapotranspiration liés à l’énergie demeurent difficiles, ce qui souligne la nécessité d’ajouter des équations de bilan énergétique dans des travaux futurs.

Ce que cela signifie pour la prévision de l’eau à l’avenir

Pour les non-spécialistes, le message principal est que les auteurs ont créé un système de prévision qui apprend à partir de vastes quantités de données tout en « se souvenant » que l’eau ne peut apparaître ou disparaître sans cause. En reliant un réseau neuronal à sorties multiples directement au bilan hydrique et en lui permettant d’apprendre les parties floues et difficiles à modéliser du cycle hydrologique, ils obtiennent des prévisions plus précises et plus robustes dans de nombreux climats, notamment quand les observations sont rares ou que les conditions sont inhabituelles. Ce type d’apprentissage différentiable et conscient de la physique offre une voie prometteuse vers des outils hydrologiques que scientifiques, décideurs et public peuvent considérer comme fiables et raisonnables, même quand l’avenir ne ressemble pas au passé.

Citation: Yan, Y., Yu, Z., Zhu, J. et al. Integrating multi-task learning with a differentiable physics constrained framework for hydrological forecasting. Sci Rep 16, 13824 (2026). https://doi.org/10.1038/s41598-026-41277-w

Mots-clés: prévision hydrologique, humidité du sol, évapotranspiration, IA informée par la physique, apprentissage multitâche