Anticiper les seuils d'alerte des nappes phréatiques grâce au Machine Learning.
Projet réalisé dans le cadre du bootcamp Le Wagon Data Science & AI — Nantes, batch #2275 (7 avril – 12 juin 2026).
🔗 Démo live : hydro-sense.streamlit.app · API : hydrosense-api· 📊 Présentation : Demo_HydroSense.pdf
Concevoir un modèle ML agile capable de prédire le niveau des nappes phréatiques à 90 jours sur des piézomètres cibles du Poitou-Charentes, en anticipant le franchissement des seuils réglementaires (Vigilance / Alerte / Alerte Renforcée / Crise).
Le BRGM suit environ 1 800 piézomètres en France, mais ses modèles physiques existants (Gardénia, Tempo) sont fiables en suivi temps réel tout en restant lourds et peu adaptés à une prévision légère et rapide à déployer. Hydro-Sense propose une alternative ML, légère, localisée et déployable en production.
- Exploiter la mémoire des eaux souterraines
- Anticiper le franchissement des seuils réglementaires
- Périmètre pilote : 20+ piézomètres en Vendée et Poitou
La Vendée et le Poitou-Charentes subissent des tensions hydriques extrêmes sur leurs aquifères régionaux, avec des conflits d'usage récurrents (agriculture vs. écologie) et des enjeux de préservation du Marais poitevin.
Projections climatiques à horizon 2050 (vs. période 1976-2005) qui motivent le projet :
- -10% des cumuls de pluie en été
- 2 fois plus de sécheresse des sols
- 2 milliards de m³ d'eau manquants si la demande reste stable
| Source | Type | Accès |
|---|---|---|
| Hubeau — Piézométrie | Niveaux piézométriques (réseau Ades) | REST API |
| Météo-France | Précipitations et températures | REST API |
| BDLISA | Indicatifs géologiques des entités hydro | Web |
| Eaufrance / Sandre | Indicatifs de masse d'eau | Web |
| Rapport BRGM/RP-61807-FR (Vernoux, Seguin) | Seuils PSI de gestion |
Les données sont centralisées dans Google BigQuery (hydro-sense-498112.piezometry), avec les tables chroniques_piezo, cat_piezo_raw et cat_piezo_interm.
BSS001PGUQ— St-Gelais (Deux-Sèvres, 79)BSS001QTKG— Sauge (Deux-Sèvres, 79)BSS001QSMT— Bonnardelière (Vienne, 86)
- Pluie "alentour" : interpolation spatiale par KNN (n_neighbors=5, pondération "inverse distance")
- Pluie efficace (PU) :
PU = RR - ETO, calculée via l'équation FAO 56 Penman-Monteith simplifiée - Mémoire de la couche géologique : recherche des indicatifs géologiques BDLisa et des masses d'eau Sandre pour chaque station (ex. au Bourdet : entité 352AC01, masse d'eau GG106 — calcaires et marnes du Jurassique supérieur de l'Aunis)
- Analyse en composantes principales (PCA) sur les covariables météo/hydrologiques
- Décomposition saisonnière du signal piézométrique (tendance pluriannuelle, cycle annuel recharge/vidange, résidus liés aux anomalies et pompages)
- Lags temporels :
semaine_sin/semaine_cos,lag_1àlag_52, avec des décalages différents pour la pluie et pour la roche selon la réactivité du système - Moyennes glissantes :
moyenne_3w,moyenne_6w
Approche : 17 features, ~700 à 2 000 lignes par station, données moyennées à la semaine et standardisées. Chaque système hydrogéologique a son propre modèle — la dynamique de nappe n'est pas généralisable d'une station à l'autre (nappe vs. karst). Une baseline saisonnière est systématiquement mise en place. Validation croisée spécifique aux séries temporelles, avec un focus sur la vidange estivale. Métriques retenues : MAE, RMSE, Max Error, RMSSE.
Le choix du modèle final s'est appuyé sur un benchmark élargi à 19 nappes (au-delà des 3 piézomètres-cibles retenus pour le déploiement), afin de comparer les approches sur un périmètre plus représentatif :
| Modèle | Erreur moyenne (m) | Score d'écart de précision |
|---|---|---|
| Random Forest | 0.53 | 2.07 |
| XGBoost | 0.53 | 2.07 |
| ElasticNet | 0.60 | 2.25 |
| Lasso | 0.60 | 2.25 |
| SARIMAX (modèle statistique) | 0.82 | 2.57 |
| Semaine dernière (naïf) | 0.86 | 2.76 |
| Persistance saisonnière | 1.51 | 4.69 |
Random Forest et XGBoost se disputent la meilleure performance. SARIMA a été utilisé comme modèle univarié de référence, LASSO en multivarié pour valider le choix des features, et XGBoost a permis de mettre en évidence une tendance à l'overfitting.
Après plusieurs tests, nous avons réussi à affiner notament XGBoost et il nous donne les résultats suivants: |MAE : 0.37 | RMSSE : 1.39 |
BigQuery (données brutes)
│
▼
Packaging (hydrosense package — pipeline ML)
│
▼
FastAPI ──── Docker ──── Google Cloud Run (europe-west1)
│
▼
Streamlit Dashboard (hydro-sense.streamlit.app)
- Data BigQuery — stockage centralisé des séries piézométriques et météo
- Packaging — pipeline
hydrosense:load_piezo_bq→clean_piezo→preprocess_week→train→pred_future(prédiction autorégressive sur 13 semaines) - API — FastAPI + Uvicorn, expose les prédictions par station
- Docker — conteneurisation de l'API
- Cloud Run — déploiement sur Google Cloud Run, credentials GCP gérés via Secret Manager
- Streamlit — dashboard utilisateur
CI/CD : GitHub Actions, déploiement automatique à chaque push sur master.
Application Streamlit (hydro-sense.streamlit.app) couvrant 2 375 piézomètres, 98 départements et 1 951 communes, avec 4 pages :
- Accueil — vue d'ensemble et statistiques clés
- Dashboard piézomètre — séries temporelles, niveaux actuels, prévisions à 90 jours et seuils réglementaires
- Dashboard carte / Carte des piézos — visualisation géographique de toutes les stations de mesure sur la France, carte interactive Folium avec marqueurs colorés selon le niveau d'alerte
- Catalogue — métadonnées des piézomètres (localisation, département, altitude, dates de mesure)
Accueil
Dashboard piézomètre — indicateurs en temps réel (niveau actuel, tendance 7j, prévision 90j, pluie utile 15j), carte de localisation, seuils de gestion et courbe historique + prédiction XGBoost
Dashboard carte — vue nationale interactive avec statuts d'alerte par station, précipitations récentes et seuils réglementaires
- Intégration des précipitations utiles avec des temps d'assimilation différents pour chaque nappe
- Affichage des seuils d'alerte, très différents selon les sources de la documentation scientifique
- Choisir un modèle performant et non biaisé
- Gestion des performances en ligne (latence, ré-entraînement à la volée)
- Créer une version responsive mobile
- Diminuer la latence de l'application Hydro-Sense
- Déploiements géographiques vers d'autres départements anticipés
- Intégration d'alertes automatiques pour un suivi en temps réel
git clone git@github.com:charourou/Projet_Hydrosense.git
cd Projet_Hydrosensepyenv install 3.10.6
pyenv virtualenv 3.10.6 Projet_Hydrosense
pyenv local Projet_Hydrosensepip install -r requirements.txtPour un déploiement API allégé, utiliser requirements-api.txt.
Créer un fichier .env à la racine :
GOOGLE_APPLICATION_CREDENTIALS=<chemin absolu vers la clé de service GCP>
GOOGLE_PROJECT_ID=hydro-sense-498112
BQ_DATASET_ID=piezometry
make install # première installation
streamlit run app/streamlit_app.pyProjet Le Wagon Nantes — Batch #2275 (7 avril – 12 juin 2026)
| Membre | Rôle |
|---|---|
| Maxime Richard | Lead projet, data engineering & modélisation |
| Yann Simon | Infrastructure, déploiement, dashboard Streamlit |
| Romain Huchet | EDA, modélisation & feature engineering |
- BRGM — MétéEAU Nappes
- Surdyk et al. (2022) — MétéEAU Nappes: a real-time water-resource-management tool
- Beuchée, Guyet, Malinowski — Prédiction du niveau de nappes phréatiques : comparaison d'approches locale, globale et hybride
- Vernoux, Seguin — Rapport BRGM/RP-61807-FR (seuils PSI de gestion)
- Notions d'hydrogéologie — SIGES