Description

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.

Compétences requises

Parcours école d’ingénieurs ou Master 2 recherche dans les domaines suivants : - Hydrologie, Sciences de la Terre, Sciences environnementales, Modélisation numérique Compétences requises : - Programmation - Modélisation - Analyse de données - Connaissance du cycle de l’eau - Rédaction de rapports - Anglais (lecture et rédaction) - Travail en équipe - Sciences environnementales Compétences appréciées : - Modélisation hydrologique - Télédétection - Utilisation de larges jeux de données

Bibliographie

Beven, K. J. Rainfall-Runoff Modelling: The Primer. John Wiley & Sons, 2011.
Bouaziz, L. J. E., Fenicia, F., Thirel, G., et al.: Behind the scenes of streamflow model performance, HESS, 25, 1069–1095, https://doi.org/10.5194/hess-25-1069-2021, 2021.
Coron, L., Thirel, G., Delaigue, O., Perrin, C., Andréassian, V.,The Suite of Lumped GR Hydrological Models in an R package, EM&S, 94, 166-171. https://doi.org/10.1016/j.envsoft.2017.05.002, 2017.
Dorchies, D., Delaigue, O. and Thirel, G. (2024). airGRiwrm: Modeling of Integrated Water Resources Management based on airGR. R package version 0.7.0, https://doi.org/10.57745/XKN6NC.
Evin, G., …, Thirel, G., et al. Uncertainty sources in a large ensemble of hydrological projections: Regional Climate Models and Internal Variability matter, EGUsphere [preprint], https://doi.org/10.5194/egusphere-2025-2727, 2025.
Klemes, V. Operational testing of hydrological simulation models. HSJ, 31(1), 13–24. 10.1080/02626668609491024, 1986.
Lettenmaier, D. P., D. Alsdorf, J. Dozier, G. J. Huffman, M. Pan, and E. F. Wood. “Inroads of Remote Sensing Into Hydrologic Science During the WRR Era.” WRR 51, 9: 7309–7342. https://doi.org/10.1002/2015WR017616, 2015.
Riboust, P., Thirel, G., Le Moine, N., Ribstein, P.: Revisiting a simple degree-day model for integrating satellite data: implementation of SWE-SCA hystereses. JHH. https://10.2478/johh-2018-0004, 67, 1, 70–81, 2019.
Sauquet, E., …, Thirel, G. et al. A large transient multi-scenario multi-model ensemble of future streamflow and groundwater projections in France, EGUsphere [preprint], https://doi.org/10.5194/egusphere-2025-1788, 2025.
Thirel, G., Santos, L., Delaigue, O., Perrin, C.: On the use of streamflow transformations for hydrological model calibration, HESS, 28, 4837–4860, https://doi.org/10.5194/hess-28-4837-2024, 2024.
Wagner, P.D., Duethmann, D., Kiesel, J., et al.., The Unexploited Treasures of Hydrological Observations Beyond Streamflow for Catchment Modeling. WIREs Water, 12: e70018. https://doi.org/10.1002/wat2.70018, 2025.

Mots clés

Hydrologie, télédétection, modélisation, optimisation