Thèse Apport de la Télédétection pour l'Optimisation d'Un Modèle Hydrologique Semi-Distribué H/F - 31

Établissement : Université de Toulouse
École doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace
Laboratoire de recherche : CESBIO - Centre d'Etudes Spatiales de la BIOsphère
Direction de la thèse : Simon GASCOIN ORCID 0000000249966768
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-01T23:59:59

Le changement climatique, qui modifie profondément la distribution spatiale et temporelle des ressources en eau (Sauquet et al., 2025). Les modèles hydrologiques sont des outils essentiels pour la recherche et la gestion de l'eau. Cependant, ils contribuent fortement à l'incertitude des projections, notamment pour les bas débits (Evin et al., 2025). Traditionnellement optimisés à partir de débits observés, ces modèles peuvent désormais être enrichis par les nombreuses données issues de la télédétection, permettant une observation fine et continue de diverses composantes du cycle hydrologique telles que l'enneigement, l'humidité du sol ou l'évapotranspiration.
L'objectif principal de la thèse est d'évaluer l'apport des données de télédétection multi-sources pour le diagnostic et l'amélioration de la modélisation hydrologique naturelle (i.e. sans prise en compte des prélèvements et stockages d'eau) semi-distribuée à l'aide du modèle GR. Le travail visera à renforcer la cohérence interne des flux simulés et la robustesse des paramètres, en s'appuyant sur une approche multi-variable, multi-données et multi-bassins à l'échelle de la France métropolitaine.
Sur le plan scientifique, la thèse s'appuie sur le constat qu'une bonne reproduction des débits ne garantit pas la cohérence des processus hydrologiques internes (Bouaziz et al., 2021). L'évaluation et l'optimisation multivariables, rendues possibles par la disponibilité croissante de données satellitaires, constituent donc une voie prometteuse pour réduire l'incertitude des modèles et améliorer leur transférabilité spatiale et temporelle. Les produits MODIS (couvert neigeux, évapotranspiration), GLEAM, SMOS, GRACE ou SWOT offrent un potentiel significatif, même s'ils présentent des contraintes de résolution, de fréquence ou de qualité.
L'originalité de ce travail réside dans l'intégration conjointe et systématique de plusieurs sources de télédétection à grande échelle pour améliorer la cohérence physique du modèle et en identifier les limites.
La thèse mobilisera la famille de modèles GR disponible dans les packages libres R airGR et airGRiwrm (Coron et al., 2017 ; Dorchies et al., 2024), ainsi que des données hydrologiques et climatiques ouvertes (HydroPortail, SAFRAN). Les produits de télédétection pré-identifiés incluent MODIS, GLEAM, SMOS, GRACE, etc.
Le programme de recherche suivra une stratégie d'analyse progressive : (1) revue et sélection des données utilisables ; (2) identification des correspondances entre variables simulées et observées selon les contextes hydrologiques ; (3) optimisation du modèle sur une ou plusieurs variables satellitaires ; (4) évaluation de la transférabilité et de la cohérence physique du modèle ; (5) si le temps le permet, application aux projections climatiques pour évaluer l'impact sur les débits modélisés.
En combinant les données d'observation spatiale et la modélisation hydrologique, cette thèse ambitionne de renforcer la qualité des projections hydroclimatiques françaises. Elle contribuera à une meilleure compréhension des processus hydrologiques dans un contexte de changement global et à la mise au point d'outils opérationnels pour la planification durable des ressources en eau.

L'évaluation et l'optimisation des paramètres des modèles hydrologiques reposent principalement sur des données mesurées relatives au débit des cours d'eau (Beven, 2011). Cependant, de nombreuses études ont montré qu'un modèle performant pour le débit des cours d'eau ne se traduit pas nécessairement par des simulations fiables des stocks ou des flux hydrologiques au-delà du débit des cours d'eau (Bouaziz et al., 2021). Par conséquent, l'évaluation et l'optimisation multivariables sont un moyen d'améliorer la cohérence des processus et de réduire l'incertitude des paramètres. La cohérence des processus est particulièrement importante si les modèles sont destinés à la compréhension des processus ou à réaliser des projections hydroclimatiques. De plus, dans les régions et les périodes où le manque de mesures du débit des cours d'eau rend difficile l'application des modèles (problématique du non jaugé), d'autres variables hydrologiques peuvent être utilisées pour l'évaluation et l'optimisation des modèles.
Ces dernières années, un nombre croissant de données concernant les variables hydrologiques sont devenues disponibles, notamment issues de la télédétection (Lettenmaier et al., 2015). Bien que les avantages de l'évaluation et de l'optimisation multivariables soient bien connus, de nombreuses études s'appuient encore sur une optimisation visant une variable unique, le débit. Si certaines variables issues de données de télédétection ont su prouver leur apport pour l'hydrologie, d'autres variables demeurent moins valorisables. Nous en faisons un tour d'horizon non exhaustif ci-dessous, en partie en nous basant sur Wagner et al. (2025) et nos expériences personnelles :
-Fraction de couvert neigeux : c'est une variable largement utilisée (cf Riboust et al., 2019), notamment celle issue des capteurs MODIS, en raison de son archive (plus de 20 ans), de sa bonne résolution (500 m), et de son pas de temps quotidien. Elle ne renseigne pas sur la quantité de neige et est dégradée en cas de nuages ;
-Quantité de neige (hauteur ou équivalent en eau du manteau neigeux) : la résolution de ces données est plus faible, et l'incertitude sur ces données est encore considérable, rendant leur utilisation difficile ;
-Humidité du sol : les satellites renseignant l'humidité du sol sont nombreux (SMOS, ASCAT, AMSR...), et la plupart ont une fréquence de passage journalière ou presque. L'enjeu est plutôt de réussir à identifier dans les modèles la variable correspondant à la mesure, qui le plus souvent correspond aux premiers cm de sol. La faible résolution de ces données peut aussi représenter un problème ;
-Contenu en eau total (capteur GRACE) : la résolution spatiale de ces données est grossière, la fréquence de passage mensuelle, mais l'archive est longue (depuis 2002), permettant l'analyse de variations interannuelles du stock d'eau à grande échelle ;
-Evapotranspiration : les capteurs utilisés sont nombreux (MODIS, GLEAM) et anciens (2000 pour MODIS, 1980 pour GLEAM), avec des fréquences allant de 1 à 8 j, mais aussi des biais parfois importants ou une information inexistante en cas de nuages. Les produits proposés peuvent être dérivés de données thermiques ou d'un modèle de bilan en eau. Des données issues de la mission TRISHNA pilotée par le CESBIO et lancée en 2027 devraient bientôt être disponibles ;
-Hauteurs d'eau : le satellite SWOT (cf outil HydroWeb) fournit des données altimétriques environ une fois par mois. En raison des caractéristiques du capteur (il faut disposer d'une certaine largeur du cours d'eau), et de l'incapacité de la plupart des modèles à simuler les hauteurs d'eau, l'utilisation de ces données n'est pas commune pour la communauté hydrologique en France. Un intérêt de SWOT peut aussi résider dans sa capacité à mesurer des hauteurs de lacs, comme en témoignent les efforts actuels de cartographie du CNES.

Pour cette thèse, nous proposons d'explorer l'utilisation de données de télédétection de sources multiples à des fins de diagnostic de la modélisation hydrologique, et de son amélioration via leur utilisation pour l'optimisation des paramètres d'un modèle hydrologique GR semi-distribué. Nous réaliserons des analyses multi-variables/multi-données et à une échelle large, sur de nombreux bassins de France métropolitaine, afin de dégager des conclusions qui ne soient pas spécifiques à une source de données ou un bassin versant. Par ailleurs, on cherchera à assurer une cohérence accrue entre les différents flux et variables internes de ce modèle et évaluerons l'apport à la robustesse du modèle hydrologique. Nous travaillerons dans le cadre d'une hydrologie « naturelle », c'est-à-dire peu influencée par des actions anthropiques.

1.Revue de littérature des différents produits de télédétection mobilisables et des différentes utilisations qui ont pu en être faites pour l'optimisation de paramètres de modèles hydrologiques ;
2.Quelles correspondances entre variables de modèle hydrologique et données de télédétection ? Ces correspondances sont-elles corrélées à des conditions climatiques, hydrologiques, géologiques ou de couverture de sol ? Pour cela, utilisation de critères de performances et de signatures hydrologiques, se focalisant à la fois sur les données brutes et sur des anomalies ou patrons spatiaux ; indication de produits candidats ;
3.Comment utiliser les données de télédétection pour optimiser les paramètres d'un modèle hydrologique non spatialisé et améliorer sa transférabilité temporelle ? Optimisation en utilisant une seule donnée de télédétection dans un premier temps en plus du débit ; questionnements sur la manière d'optimiser (multi-critère, i.e. critère mettant un certain poids sur le débit et le reste sur les données de télédétection ; ou multi-objectif, i.e. avec un front de Pareto) ; choix du critère d'optimisation (critère numérique classique, signature...) ; quantification de l'apport sur la transférabilité temporelle grâce à du split-sample test (Klemes, 1986) ;
4.Comment utiliser les données de télédétection pour optimiser les paramètres d'un modèle hydrologique semi-distribué et améliorer sa transférabilité spatiale ? Comme ci-dessus, mais à une échelle semi-distribuée et sur du multi-données (l'un puis l'autre puis les 2) ;
5.Quelle conséquence de l'utilisation de données de télédétection sur les évolutions liées au changement climatique ? Si le temps le permet, utiliser les projections climatiques Explore2 (ou des projections plus récentes si disponibles) pour comparer l'impact de ces modèles « améliorés » sur les débits et les variables analysées.