Thèse Renforcer la Robustesse des Modèles Hydrologiques Sous Climat Non-Stationnaire H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier
École doctorale : GAIA - Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
Laboratoire de recherche : HSM - Hydrosciences Montpellier
Direction de la thèse : Denis RUELLAND ORCID 0000000190261201
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-07T23:59:59

Le changement climatique modifie de manière significative les régimes de précipitations, l'évapotranspiration ainsi que la fréquence et l'intensité des événements hydrologiques extrêmes, posant des défis majeurs pour la gestion des ressources en eau à l'échelle mondiale. Les modèles hydrologiques conceptuels sont couramment utilisés pour simuler les débits des cours d'eau et soutenir les stratégies d'adaptation. Cependant, ces modèles reposent généralement sur des jeux de paramètres fixes calés sur des conditions historiques, ce qui limite leur capacité à simuler avec précision les réponses hydrologiques sous des régimes climatiques non stationnaires. L'optimalité des paramètres dépend souvent des conditions climatiques, et l'application des modèles traditionnels en dehors des conditions de calage entraîne généralement une dégradation substantielle de leurs performances.

Cette recherche vise à développer un cadre de calage adaptatif innovant liant explicitement la variabilité des paramètres du modèle à des indices climatiques en utilisant des techniques d'apprentissage automatique. En capturant les relations non linéaires et décalées dans le temps entre les conditions climatiques actuelles et antérieures et la dynamique des paramètres, cette approche cherche à améliorer la robustesse et la transférabilité des modèles hydrologiques conceptuels sur des bassins versants et des régimes climatiques variés. La méthodologie sera appliquée à un vaste jeu de données de bassins, incluant des régions influencées par les processus neige et glace, en utilisant des modèles conceptuels parcimonieux.

L'étude mettra en oeuvre des stratégies de calage par fenêtres glissantes pour identifier la variabilité temporelle des paramètres et utilisera des techniques statistiques et de machine learning pour modéliser les relations entre indices climatiques et dynamique des paramètres. Les performances des modèles seront évaluées par rapport à des modèles à paramètres fixes, en utilisant des périodes de contrôle indépendantes.

Les résultats attendus incluent une stratégie originale de calage, une amélioration de la robustesse des modèles sous variabilité climatique, la quantification du rôle de la mémoire climatique antérieure dans l'explication de la dynamique des paramètres, ainsi que des recommandations pratiques pour la mise en oeuvre de stratégies de calage adaptatif dans les études d'impact climatique. Cette recherche vise ainsi à des prévisions hydrologiques plus fiables et transférables dans des conditions climatiques non stationnaires.

Climate change is profoundly reshaping hydrological regimes worldwide, affecting precipitation patterns, evapotranspiration, and the frequency and intensity of extreme events (Hagemann et al., 2013). Conceptual hydrological models are widely used to anticipate these changes and support adaptation strategies, often relying on projected climate scenarios (Bosshard et al., 2013; Ruelland et al., 2015).

Most conceptual models, however, are calibrated using fixed parameter sets derived from historical conditions. This assumption of parameter stationarity limits model robustness when applied to contrasting or evolving climatic regimes (Coron et al., 2012; Dakhlaoui et al., 2017, 2019). Parameter optimality is often climate-dependent (Merz et al., 2011; Brigode et al., 2013), revealing a structural limitation of traditional calibration methods.
Enhancing model robustness - defined as the ability to provide reliable predictions under previously unseen hydro-climatic conditions (Royer-Gaspard, 2021) - is therefore a major scientific challenge. Time-varying parameter approaches have been proposed (Gharari et al., 2013; Singh et al., 2011), but their operational application remains limited, particularly across diverse catchments and when complex, non-linear relationships exist between climate and parameters.

Recent work at HydroSciences Montpellier has demonstrated that sliding-window calibration combined with climate indices can improve robustness across large catchment samples. However, these approaches remain largely linear or semi-empirical and do not fully exploit the potential of machine learning to capture complex, non-linear, and lagged relationships between climate and hydrological parameters.

This PhD project addresses this gap by integrating deep learning techniques to explore and model the dynamic relationships between climatic variability and hydrological model parameters, explicitly accounting for climate memory effects. The goal is to move beyond static calibration toward an adaptive, data-informed framework capable of responding to climate signals, improving the reliability and transferability of hydrological predictions under non-stationary climate conditions.

The main objectives of this PhD are to develop and validate an adaptive, climate-informed calibration framework for conceptual hydrological models, leveraging deep learning to link parameter variability with both current and antecedent climatic conditions. The research aims to evaluate this approach across diverse catchments and hydro-climatic regimes, including regions influenced by snow and ice processes, in order to improve model robustness and transferability under historical and projected climate variability. A further objective is to quantify the role of climate memory in shaping parameter dynamics and to provide practical guidelines for implementing adaptive calibration strategies in climate impact studies. Ultimately, the PhD seeks to integrate advanced data-driven techniques with conceptual hydrological modelling to produce more reliable, transferable, and operationally useful predictions under non-stationary climate conditions.

The methodology will implement sliding-window calibration strategies at annual, seasonal, and monthly timescales using parsimonious conceptual models to quantify temporal parameter variability. Climate indices will be derived to characterise intensity, persistence, seasonality, and antecedent hydro-climatic conditions. Deep machine learning models, including Random Forests, Generalised Additive Models, and neural network architectures, will be developed and compared to capture non-linear relationships between climatic predictors and parameter variance. Memory effects will be incorporated by integrating lagged and cumulative climate indicators. The predictive skill and robustness of the dynamic calibration framework will be evaluated against fixed-parameter baselines using independent control periods and differential split-sample tests.

Le ou la candidat·e doit être titulaire d'un Master en hydrologie, climatologie, sciences de l'environnement ou dans un domaine étroitement lié. Il ou elle doit posséder une solide maîtrise de la modélisation hydrologique, de l'évaluation des impacts climatiques et des méthodes statistiques. Des compétences avancées en programmation, notamment en R, Python ou Matlab, sont requises, ainsi qu'une expérience dans le traitement de grandes bases de données environnementales et l'utilisation d'outils SIG. Le ou la candidat·e doit faire preuve d'autonomie, de fortes capacités d'analyse et de synthèse, ainsi que d'excellentes compétences rédactionnelles et de communication scientifique en anglais (niveau C1/C2), tant à l'écrit qu'à l'oral. Une expérience préalable ou un intérêt marqué pour les applications de l'apprentissage automatique en modélisation hydrologique et environnementale constituera un atout.