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.

Certaines variables sont utilisées afin de nourrir l’apprentissage des modèles de machine learning . Elles sont automatiquement récupérées par EMI à fréquence quotidienne. On distingue :

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

Le modèle sélectionne automatiquement les variables pertinentes pour chaque piézomètre ou limnimètre dont le SDEAU50 souhaite prédire le niveau. Ce processus repose sur plusieurs étapes clés :

• Collecte des données au niveau des points de mesure.
• Calibration du modèle.
• Déploiement du modèle sur EMI.
• Inférence quotidienne avec un suivi des performances.

Grâce à cette méthode, le SDEAU50 peut obtenir une vue d’ensemble des tendances futures à différentes échelles temporelles, lui permettant d’anticiper les variations et d’ajuster sa gestion des ressources en eau.

EMI permet de mettre en forme de manière intégrée et intuitive les résultats des modèles de machine learning. Ainsi, l’équipe du SDEAU50 peut analyser facilement les données grâce à l’affichage des graphes de prédiction au-delà du jour J, de J+1 à J+90.

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.

Aussi, pour anticiper les tensions sur l’approvisionnement en eau, nous avons accompagné le SDEAU50 dans l’analyse et la prévision de la demande en eau sur son territoire. Cette approche s’appuie sur la construction d’un indicateur statistique permettant d’évaluer les besoins en eau à court terme, avec une prévision des volumes à J+15.

L’objectif est de fournir un outil d’aide à la décision permettant de visualiser les écarts entre la ressource mobilisable et la demande sur le territoire. Ce travail s’inscrit dans un processus continu d’amélioration et de collaboration avec les parties prenantes, avec une modélisation en cours d’étude.

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.