Vers une prévision hydrologique multi-bassins avec un modèle LSTM global : cas du
bassin de l’Ouémé (Bénin)
Jérôme E. Ahouandjinou1,3, Aymar Y. Bossa2, Jean Hounkpe1,3
1
Laboratoire d’Hydrologie Appliquée, Institut National de l’Eau, Université d’Abomey-Calavi, Benin
2
Laboratoire d’Hydraulique et de Maîtrise de l’Eau, Université d’Abomey-Calavi, Bénin
3
Chaire Internationale de Physique Mathématiques et Applications, Université d’Abomey-Calavi, Bénin
Correspondance : [email protected]
Résumé :
La prévision hydrologique constitue un défi majeur dans les régions tropicales d’Afrique de
l’Ouest, où les réseaux d’observation sont souvent limités et les bassins versants présentent
une grande hétérogénéité. Le bassin de l’Ouémé, situé au Bénin, n’échappe pas à cette
réalité, rendant difficile une modélisation hydrologique efficace sur l’ensemble de ses sous-
bassins. Cette étude propose une approche novatrice en développant un modèle de type
Long Short-Term Memory (LSTM) ; G-LSTM entraîné de manière globale sur 15 sous-bassins
du bassin de l’Ouémé, en combinant des variables dynamiques (pluie, température, etc.) et
statiques (caractéristiques physiques des bassins comme la pente, l’altitude, l’occupation
du sol etc.). La méthodologie repose sur l'intégration de ces données multivariées dans un
réseau de neurones LSTM unique, conçu pour apprendre les comportements hydrologiques
communs à l’ensemble des sous-bassins, tout en tenant compte de leurs spécificités
locales à travers les données statiques. Les performances du modèle global ont été
comparées à celles de modèles LSTM individuels développés pour chaque sous-bassin. Les
résultats montrent une amélioration significative de la performance du modèle globale, avec
une meilleure généralisation, une robustesse accrue et une réduction du surapprentissage.
Cette étude démontre le potentiel des architectures de l’apprentissage profonde intégrant
des données hétérogènes pour la prévision hydrologique dans des contextes de données
limitées. En perspective, ce modèle global pourra être étendu à d'autres bassins ou couplé
à des techniques de graph neural networks pour modéliser la connectivité hydrologique
entre sous-bassins.
Mots clés : LSTM, prévision hydrologique, G-LSTM, apprentissage profonde, Ouémé
