CCR / Blog / Modélisation des inondations : le projet MUFFINS innove

Modélisation des inondations : le projet MUFFINS innove

Le projet de recherche MUFFINS, financé par l’ANR et impliquant CCR, développe des solutions innovantes de modélisation des inondations, intégrant hydrologie, hydraulique, données et IA pour mieux anticiper les impacts assurantiels.

Cet article est extrait du
Rapport Scientifique 2024 de CCR

Consulter le bilan complet

La gestion des inondations nécessite de concilier précision scientifique et efficacité opérationnelle. Les outils actuels de prévision sont confrontés à des contraintes fortes : modèles à échelles hétérogènes, temps de calcul longs, incertitudes élevées. Le projet MUFFINS (MULtiscale Flood Forecasting with INnovating Solution), lancé en 2022 et financé par l’ANR, vise à développer des méthodes de modélisation des inondations adaptées à ces défis.

Porté par un consortium pluridisciplinaire réunissant chercheurs, utilisateurs opérationnels et spécialistes du risque, MUFFINS associe hydrologie, hydraulique, intelligence artificielle et assimilation de données, dans une optique d’application concrète aux crises inondation.

Objectif du projet MUFFINS

Le cœur du projet consiste à construire une chaîne de modélisation capable de :

Coupler des modèles météorologiques, hydrologiques, hydrauliques et de dommages,
Gérer les transferts d’information entre échelles spatiales allant de 5 m à plusieurs milliers de km²,
Fournir des résultats opérationnels en temps contraint, adaptés aux acteurs de la gestion de crise.

Les méthodes développées seront utilisables même dans des bassins versants non jaugés, ce qui élargit considérablement leur potentiel.

Une structure en trois axes de recherche

WP1 – Couplage multi-échelle des modèles

Couvre des bassins allant de moins de 1 km² à plus de 2 500 km²,
Intègre des prévisions de précipitations à courte échéance,
Couple des modèles hydrologiques distribués avec des modèles hydrauliques haute résolution,
Répond aux besoins opérationnels des services de crues, mairies, et secours.

WP2 – Réduction des incertitudes

Mise en œuvre de techniques d’assimilation de données et de machine learning pour affiner les chaînes de modélisation,
Application à grande échelle tout en conservant une résolution fine.

WP3 – Implication des utilisateurs finaux

Assure que les outils développés répondent aux attentes des gestionnaires de risques, dont CCR, acteur clé de ce WP.

L’implication de CCR dans la modélisation des inondations

CCR utilise depuis plus de 15 ans une chaîne complète de modélisation du risque inondation (pluie-débit, débordement, ruissellement). Le projet MUFFINS répond à un besoin critique : améliorer la précision de la simulation d’aléa, condition clé pour estimer de façon fiable les dommages assurés.
⚠️ Une digue mal représentée ou un débit mal estimé peut entraîner des surestimations ou sous-estimations majeures des pertes assurantielles.

Outils utilisés et développés

Modèles hydrologiques et hydrauliques

SMASH : modèle hydrologique distribué, utilisé notamment pour Vigicrues Flash,
Floodos2D : modèle hydraulique à haute résolution,
DassFlow : plateforme hydraulique avec assimilation de données,
Cartino2D / Telemac 2D : pour la simulation du ruissellement à 5 m de résolution.

Cartographie du nombre de sinistres par maille de 250 m
sur les inondations d’octobre 2015 dans le Sud Est.

Modélisation du ruissellement simulé par le modèle CCR sur les inondations
d’octobre 2015 dans le Sud-Est.

Focus sur le ruissellement : un enjeu majeur dans les inondations

Les analyses de sinistralité CCR montrent que le ruissellement représente une part significative des sinistres, surtout dans les épisodes méditerranéens.
CCR a donc développé son propre modèle de simulation de ruissellement :

Intègre la topographie, le type de sol et les précipitations
Produit des estimations de hauteurs, vitesses et débits d’eau
Précise les zones réellement impactées

Innovation par l’intelligence artificielle

MUFFINS explore aussi des méthodes de machine learning pour :

Régionaliser les paramètres d’un modèle hydrologique distribué,
Corriger dynamiquement la structure d’un modèle existant,
Créer des métamodèles (surrogate models), capables de reproduire les résultats des modèles hydrauliques en un temps très court.

Ces métamodèles permettent :

Des prévisions en temps réel,
Des analyses de sensibilité (variations des conditions d’entrée),
Des simulations massives pour l’estimation assurantielle.

Conclusion et perspectives

Lancé en 2022, le projet MUFFINS se poursuit jusqu’en 2025. Les premiers résultats montrent :

Une intégration prometteuse entre modèles hydrologiques, hydrauliques et IA,
Des outils déjà opérationnels (comme SMASH), d’autres en cours d’optimisation,
Une prochaine étape dédiée à la mise en commun des résultats dans un démonstrateur opérationnel.