Prévision de la turbidité par apprentissage statistique : application au captage AEP d'Yport (Normandie)

Près de 25% de la population mondiale est alimentée par de l’eau en provenance d’aquifères karstiques. La compréhension et la protection de ces derniers apparait donc comme essentielle dans le cadre d’une augmentation des besoins en eau potable. De plus, une contamination des forages d'alimentation en eau potable par une eau turbide peut s'avérer fortement dommageable car entrainant une possible contamination des populations desservies. Dans le cas de la Normandie, des coupures régulières son nécessaires afin de préserver la santé des habitants. La modélisation et la prédiction des augmentations de turbidité apparaissent comme un travail difficile du fait des nombreux phénomènes et paramètres régissant la turbidité ainsi que la non-linéarité de la réponse entre les précipitations et la turbidité. Peu de modèles à l'heure actuelle ont été proposés pour représenter la relation liant la turbidité avec les précipitations. C'est ainsi, en s'intéressant au forage AEP d'Yport responsable de l'alimentation en eau potable de la ville du Havre, que nous proposons une application des réseaux de neurones pour la prévision de la turbidité. Durant les travaux de thèse, nous avons mis en avant la nécessité d'effectuer des campagnes d'échantillonnages des produits phytosanitaires afin de permettre l'identification des éventuels proxies des produits phytosanitaires tel que la turbidité, les précipitations ou bien la conductivité. Par la suite, les travaux effectués dans cette thèse nous ont permis (i) de monter que les modèles par réseaux de neurones permettent de prévoir à 12h et 24h les variations de turbidité, (ii) de tester plusieurs voies d'amélioration de ces modèles, (iii) d'intégrer l'analyse multirésolution aux modèles par réseaux de neurones et pour finir (iiii) d'identifier un semi proxy des contaminations en produits phytosanitaires.