Optimisation de la gestion de l’eau du SDEAU50 : prédiction sécheresse et suivi des consommations

À l’instar de beaucoup de territoires métropolitains, la Manche fait face à plusieurs problématiques :

• Sécheresses sévères,
  
• Manque d’eau,
• Usure poussée des ouvrages de production, dont la foration date des années 50 – 70
• Conflits d’usage (prélèvements agricoles, etc.)

Les nappes du territoire ont peu de capacité : elles se remplissent rapidement lorsqu’il pleut, mais se vident tout aussi rapidement en l’absence de pluie. La Manche peut donc se retrouver très vite en tension sur l’approvisionnement en eau, de par ces spécificités.

Le syndicat des eaux de la Manche, le SDEAU50, a mandaté imaGeau en 2019 pour mettre en place un outil informatique dédié à la gestion des données hydrogéologiques, hydrologiques, métrologiques et des ouvrages de production d’eau. Par la suite, nous avons également été sollicités pour adapter l’outil afin de prédire l’évolution des situations de sécheresse, mais aussi de la consommation en eau et des besoins associés.

En 2019, le SDEAU50 s’est doté de notre application EMI pour structurer le suivi de la ressource en eau de son territoire dans un espace centralisé. Celle-ci leur permet notamment de :

• Rassembler toutes les données patrimoniales liées aux ouvrages et aux nappes
• Recevoir et valider les données provenant des ouvrages de production
• Recevoir les données environnementales provenant des différents services de l’état
• Calculer quotidiennement, et pour chaque ouvrage, des indicateurs : sécheresse, criticité niveau d’eau, rendement forage, qualité eau souterraine…
• Alerter en cas de changement de statut d’un indicateur et en cas de dysfonctionnement d’un instrument de mesure
• Visualiser les données et les indicateurs de façon cartographique et graphique
• Générer des rapports synthétiques sur le risque sécheresse en cours sur le territoire du SDEAU50

Grâce à EMI, le syndicat a pu effectuer un suivi précis de l’évolution sécheresse sur son territoire au cours de l’été 2020. Des rapports de situation vis-à-vis de ce risque ont pu être facilement réalisés par les agents du SDEAU 50 tant sur :

• Le niveau des nappes phréatiques
• Le débit des cours d’eau
• Le cumul des précipitations.

À ce moment, l’outil traitait la donnée au jour J, leur permettant d’appréhender en temps réel le stress hydrique sur le territoire géré par la SDEAU50. Cependant, le risque sécheresse pouvant évoluer rapidement à la suite d’événements météorologiques extrêmes, ils ont souhaité mettre en place une gestion des ressources en eau prédictive.

En juillet 2020, la Manche a enregistré l’un de ses plus gros déficits pluviométriques jamais mesurés. Ceci a eu pour conséquence un étiage plus rapide et plus prononcé des cours d’eau du territoire, en l’espace de quelques jours seulement.

En anticipant ce risque plutôt que de le constater au jour J, il devient possible d’optimiser la gestion des ressources et de prévoir les crises. Cette connaissance du risque sécheresse dans les jours à venir, ainsi que son impact sur l’exploitation, se révèle être un atout majeur pour faciliter la prise de décisions lors du comité sécheresse.

Afin de répondre à ces besoins, nous avons configuré et mis en place un module de prédiction de la sécheresse dans EMI, permettant au SDEAU50 de :

• Connaître le niveau des nappes et le débit des cours d’eau 20 jours à l’avance,
• Évaluer les tendances d’évolutions saisonnières à venir sur ces mêmes données à 90 jours.

Les modèles mathématiques employés pour effectuer la prédiction sont des modèles de Machine Learning. À l’échelle saisonnière, le modèle utilisé pour réaliser la prédiction est un puissant outil de prévision pour les séries temporelles, baptisé Prophet.

Afin de nourrir l’apprentissage des modèles de machine Learning, certaines variables sont utilisées. Elles sont automatiquement récupérées par EMI à fréquence quotidienne. Nous retrouvons :

• Les variables météorologiques : températures, précipitations, nébulosités, vitesse du vent, enneigement, évapotranspiration, humidité.
• Les variable hydrologiques : niveau des nappes et des cours d’eau

Le modèle réalise automatiquement une sélection des variables pertinentes pour chaque piézomètre ou limnimètre dont le SDEAU50 souhaite prédire le niveau. Cela est rendu possible grâce à un processus de 4 étapes :

• Collecte des données au niveau du piézomètre
• Calibration du modèle
• Déploiement du modèle sur EMI
• Inférence quotidienne avec la mesure des performances.

Pour obtenir une prédiction à +90 jours dans notre application EMI, nous réalisons le même cheminement que précédemment, mais pour Prophet.

Cette procédure est exécutée sur chaque piézomètre et limnimètre présent sur le territoire.
Cela permet au SDEAU50 d’obtenir un scénario tendance sur les 90 jours à venir, avec l’incertitude associée.

EMI permet de mettre en forme de manière intégrée et intuitive les résultats des modèles de machine Learning et de Prophet. Ainsi l’équipe du SDEAU50 peut analyser facilement les données grâce à plusieurs outils :

• Affichage des graphes de prédiction au-delà du jour J, de J+1 à J+90
• Calcul d’indicateur sécheresse à 3, 5, 10, 15, 20 jours pour les données issues du machine Learning
• Calcul d’indicateur de tendance sécheresse selon le scénario et l’incertitude associée, à 1 mois, 2 mois, 3 mois
• Cartographie prédictive de la sécheresse de J+1 à J+3mois.

Le déploiement du module « prédiction » a permis au SDEAU 50 de franchir une nouvelle étape dans l’anticipation des sécheresses, grâce à la mise à jour quotidienne de prévisions sur le niveau des nappes.

Cependant, une situation de manque d’eau est la conséquence d’une demande en eau plus forte que la ressource mobilisable. Il est donc nécessaire de mettre en corrélation la capacité des captages et du milieu naturel à fournir de l’eau, avec la consommation du territoire. L’analyse et la prédiction de cette demande en eau sont des éléments essentiels pour avoir un outil de pilotage complet, identifier les zones en tension, et prendre des mesures pour réduire les volumes distribués lorsqu’ils sont anormalement élevés.

C’est pourquoi nous avons donc entrepris de déployer un module de suivi des consommations dans EMI, qui sera opérationnel pour le premier semestre 2024.

Il permet notamment :

• L’ajout des réservoirs de tête dans EMI,
• L’analyse des volumes mis en distribution,
• La représentation des unités de distribution
• Le calcul d’indicateurs liés au bilan besoin-ressource, qui reflète l’écart entre l’eau disponible, et l’eau demandée sur le territoire

Afin de pouvoir anticiper les situations de tension sur l’approvisionnement en eau, le SDEAU50 cherche à prédire l’évolution des consommations d’eau au niveau du réservoir de tête, c’est-à-dire sur les volumes mis en distribution.

Une modélisation à partir de techniques de machine learning est étudiée, avec pour objectif de prédire les volumes mis en distribution à J+10 jours.

Dans le cas présent, la conduite du projet de machine learning est conduite en 4 étapes :

• La collecte des données d’intérêt pour analyser les volumes mis en distribution auprès de l’exploitant, du SDEAU 50 ainsi que les données open data à disposition
• L’exploration de ses données pour comprendre les corrélations, et déterminer les variables qui doivent être retenues ;
• L’exploitation de ces données à l’aide de modèles statistiques, de machine learning, et de séries temporelles pour prédire l’évolution des demandes en eau ;
• La réalisation d’un prototype à partir du modèle le plus performant, mis en ligne et consultable par le SDEAU 50.

À partir du meilleur modèle, imaGeau met en ligne un prototype permettant au SDEAU 50 de manipuler les résultats et de suivre l’évolution de ses performances.

Cette approche permettra au syndicat d’observer rapidement les zones où la consommation pourrait connaître des tensions. Autrement dit, il sera en mesure d’identifier les endroits susceptibles de subir un déficit d’approvisionnement en eau, et où la demande excédera la capacité de production. À terme, l’objectif est de pouvoir piloter des transferts d’eau entre les communes disposant d’un excédent d’eau, contribuant ainsi à une gestion plus efficace et équilibrée des ressources hydriques.