Software Tool for Adaptative Flood Forecast

L’objet du projet STAFF est de réaliser une prévision adaptative de crues. Plus généralement, il s’agit de fournir un outil de prévision auto-adaptatif dans tout environnement qui dispose de capteurs pour l’observation des phénomènes naturels.

Objectifs du projet de recherche

Le logiciel STAFF (Software Tool for Adaptative Flood Forecast) utilise un modèle adaptatif de prévision de crues, lequel est composé d'un SMA auto-organisateur. Chacun des agents a pour objectif de calculer la variation de hauteur d'eau pour un délai unitaire et utilise pour cela une somme pondérée.

Le caractère adaptatif du modèle est obtenu grâce à la coopération entre les agents et à l'ajustement de leurs poids. C'est ce qui rend le modèle générique et améliore ses performances. Nous montrons à travers trois exemples d'utilisation de STAFF comment le modèle réagit dans des cas limite d'utilisation. En effet la rapidité d'adaptation du modèle permet de l'utiliser dans des conditions pour lesquelles les modèles traditionnels sont inutilisables : Absence de données, stations nouvelles, stations en extrême amont.

Les inondations peuvent avoir des conséquences humaines, matérielles et environnementales graves, d'où la nécessité de tenter de prévoir leur apparition afin d'en limiter les conséquences.

Les logiciels de prévision de crues traditionnels sont composés de modèles mathématiques qui doivent être recalculés à chaque instalation sur un nouveau site puis de manière régulière car ils dépendent du lit de la rivière à l'endroit pour lequel on veut faire la prévision. Or ce calcul peut prendre plusieurs hommes*mois à chaque fois. Ceci limite notablement leur implantation, à tel point que le réseau fluvial français est loin de posséder un modèle associé à chaque station d'annonce de crues.

STAFF est un logiciel comportant un modèle adaptatif basé sur des agents coopératifs. Ce modèle adaptatif est très rapide à mettre en place car il s'adapte automatiquement et en temps réel au lit de la rivière. Il peut donc être utilisé sans calage préalable et il utilise en entrée les mesures brutes provenant des capteurs. S'il existe des historiques de mesures un apprentissage automatisé peut avoir lieu afin d'améliorer les résultats.

La version v1.0 du logiciel STAFF est implémentée en C++ avec VisualC++® et permet au modèle de recevoir les mesures sous la forme de fichiers textes.

Le modèle adaptatif est constitué d'agents dits « de prévision » qui ont chacun pour objectif de prévoir la variation de hauteur d'eau pour un délai unitaire. Ainsi, si l'unité d'échantillonnage temporel est l'heure, il faudra six agents pour obtenir une prévision à six heures. Le système a seulement pour charge de fournir à chaque agent de prévision toutes les mesures reçues en entrée et ensuite d'additionner les prévisions de tous les agents.

Pour calculer une prévision un agent utilise une somme pondérée des mesures qui lui sont fournies par le système. Avant de faire une nouvelle prévision les agents modifient leurs poids en fonction de la corrélation et de l'influence des mesures associées :

• Une mesure est considérée comme étant corrélée si sa variation est de même signe que celle de la mesure à prévoir.
• L'influence d'une mesure généralement corrélée dépend de l'erreur de prévision de l'agent.
• C'est grâce à cet ajustement systématique que le modèle est adaptatif  et non linéaire malgré l'utilisation d'une simple somme pondérée.

Les résultats obtenus par STAFF sont semblables à ceux qu'obtiennent les meilleurs modèles traditionnels alors que STAFF est un système unique qui peut s'employer sur toutes les stations et n'impose aucune connaissance hydrologique du bassin considéré.

Démonstrations

Nous présentons trois démonstrations caractéristiques qui permettent de juger des particularités du modèle adaptatif. Pour chacune de ces démonstrations il est seulement nécessaire de paramétrer le modèle avec la station sélectionnée et le délai de prévision. [Visualiser une autre démonstration: ici]

Prévision sans historique

Lorsqu'une nouvelle station de mesure est installée, les modèles classiques sont inopérants lors des premières crues car ils doivent être validés sur plusieurs épisodes. A l'opposé nous montrons sur cet exemple que le logiciel STAFF peut s’adapter dès les premières données reçues.

Pour cela nous considérons une station quelconque pour laquelle nous n'avons pas fait d'apprentissage préalable. Nous calculons ensuite la prévision sans charger de poids résultants d'un apprentissage sur historique. Par défaut STAFF utilise des poids nuls.

Les premières prévisions correspondent à un retard égal au délai de la prévision, car tous les poids étant nuls, la somme pondérée est nulle. En quelques dizaines d'heures, la prévision varie dans le même sens que la mesure : le système détermine quelles sont les données corrélées. Mais il a une mauvaise croyance sur la part des influences respectives, conduisant à des valeurs de variations encore éloignées du réel. Après les cent premières heures, le modèle détermine au mieux l'influence de chaque donnée et l'erreur de prévision est négligeable.

Prévision de station amont

Les modèles mathématiques traditionnels sont principalement basés sur le principe de la propagation des débits. Par conséquent il n'est pas possible de les utiliser pour calculer des prévisions pour des stations situées en amont d'un bassin hydrologique, car aucune information de débit n'est disponible.

A travers cet exemple nous présentons les résultats obtenus par STAFF pour ce type de stations. Avant de calculer la prévision nous fournissons au modèle les poids résultant d'un apprentissage réalisé sur des historiques de crues.

Les erreurs des prévisions obtenues sont acceptables pour des délais de prévision raisonnables. L'analyse des poids du modèle nous montre qu'il utilise les données des bassins versants voisins de celui sur lequel se trouve la station de prévision, car les phénomènes météorologiques se propagent de bassin en bassin.

Prévision avec données perturbées

Si par dysfonctionnement d'une station de mesure ou du réseau de transmission une mesure vient à manquer, alors les modèles mathématiques sont inutilisables. Dans cet exemple nous montrons la capacité du modèle adaptatif à réagir face à l'absence de données importantes.

Nous paramétrons le modèle avec des poids provenant d'un apprentissage antérieur et nous calculons les prévisions à partir des données modifiées.

On observe un très nette dégradation de la qualité de prévision au début de la disparition des données. Mais au cours du temps, le système s'adapte pour revenir à une qualité acceptable. L'analyse des poids nous montre que le modèle a remplacé l'influence de la donnée supprimée en la répartissant sur les autres données pertinentes. Ainsi le modèle adaptatif peut être utilisé lors de l'absence de données.

Analyse

En utilisation courante le modèle adaptatif présente des performances comparables à celles des modèles traditionnels. Cependant le modèle adaptatif est générique et il permet d'obtenir des prévisions dans de nombreux cas pour lesquels les modèles mathématiques sont inopérants. Un autre intérêt majeur du modèle adaptatif est la rapidité de son calage qui permet de l'installer sur toutes les stations (déjà existantes ou nouvelles) d'un bassin.

Bibliographie du projet

• GEORGÉ Jean-Pierre, GLEIZES Marie-Pierre, GLIZE Pierre, RÉGIS Christine - Real-time Simulation for Flood Forecast: an Adaptive Multi-Agent System STAFF - Proceedings of the AISB'03 symposium on Adaptive Agents and Multi-Agent Systems, University of Wales, Aberystwyth, 7-11 April 2003.
• RÉGIS Christine, SONTHEIMER Thomas, GLEIZES Marie-Pierre, GLIZE Pierre - STAFF : un système multi-agent adaptatif en prévision de crues - 10ièmes Journées Francophones d'Intelligence Artificielle Distribuée et des Systèmes Multi-Agents, 28-30 octobre 2002, Lille, France.
• SONTHEIMER Thomas, P. CORNUAU, J-J. VIDAL, GLIZE Pierre - Application d'un système adaptatif pour la prévision des crues dans le bassin de la Garonne - Un modèle émergent SIRNAT'01 - Systèmes d'Information et Risques Naturels - 6, 7 décembre 2001, Sophia Antipolis.
• SONTHEIMER Thomas, GLIZE Pierre - STAFF : La prévision de crue par modèle adaptatif - Démonstrations pour les 8ièmes Journées Francophones d'Intelligence Artificielle Distribuée et des Systèmes Multi-Agents, Saint-Jean de la Vêtre, France, 2-4 octobre 2000
• SONTHEIMER Thomas - STAFF - Un modèle adaptatif de prévision de crues - Diplôme de Recherche Technologique en Ingénierie des Systèmes Informatiques et Automatiques, 15 Janvier 2002.
• SONTHEIMER Thomas - Modèle adaptatif de prévision de crues par systèmes multi-agents auto-organisateurs - Rapport de stage Institut Universitaire Professionnalisé, 1999 - Direction Régionale de l'Environnement Midi-Pyrénées