Identification des signatures hydrauliques des règles de gestion des barrages à partir de SWOT // Mapping and Revealing reservoir operation signatures from SWOT

Les barrages comptent parmi les ouvrages les plus structurants du cycle hydrologique mondial. Présents sur tous les continents, ils modifient le régime et l'intensité des débits fluviaux pour répondre à des usages variés. Ils seraient responsables d'environ 40% des variations du volume d'eau stocké à la surface des continents, faisant des barrages un facteur déterminant de la disponibilité en eau douce à l'échelle globale. Malgré leur importance, les règles de gestion de la grande majorité des réservoirs dans le monde restent mal documentées. Les données opérationnelles sont détenues par des agences nationales ou des opérateurs privés et demeurent rarement accessibles. Il en résulte un écart considérable entre la connaissance de l'existence des infrastructures régulées et la compréhension de leur impact sur les systèmes fluviaux.
La mission SWOT offre une nouvelle base d'observation pour aborder ce problème. SWOT mesure la hauteur de surface de l'eau et, par résolution d'un problème hydraulique inverse, les débits le long des cours d'eau à l'échelle mondiale, avec une continuité spatiale inédite depuis l'espace. Contrairement aux observations ponctuelles classiques, SWOT restitue la structure spatiale complète de l'état hydraulique le long d'un tronçon de fleuve à chaque passage du satellite, révélant des signatures dans la dynamique des fleuves régulés. Ce projet propose d'exploiter cette information pour caractériser et classifier les modes de gestion des barrages à l'échelle globale, d'abord sur des réservoirs répertoriés dans les bases de données existantes, puis en étendant la démarche à l'identification de tronçons régulés non documentés.
Nous exploiterons la structure spatio-temporelle bidimensionnelle des données SWOT. Pour tout tronçon de fleuve, les passages successifs du satellite fournissent des variables hydrauliques en chaque point, qui peuvent être organisées en matrices espace-temps. Ces représentations permettent le recours à des approches avancées développées pour les données structurées en 2D. Ces méthodes permettront de séparer les dynamiques basse fréquence liées aux forçages climatiques et saisonniers des signaux opérationnels à plus haute fréquence. Pour les dynamiques caractérisées par des transitions abruptes, des méthodes plus sensibles à la non-stationnarité seront appliquées. L'objectif est d'identifier, pour chaque type de dynamique de réservoir, l'approche qui en révèle le mieux les modes dominants.
Pour classifier les usages opérationnels des réservoirs, un cadre d'apprentissage profond sera développé et entraîné sur les sorties des décompositions, combinées aux données SWOT et aux bases de données mondiales disponibles (GRanD, GloFAS, etc.). Les résultats de classification seront validés par une approche physiquement fondée : pour chaque classe opérationnelle identifiée, les paramètres des équations régissant cette classe seront optimisés pour reproduire les observations, et la qualité de l'ajustement vérifiera que les réservoirs classifiés suivent bien la dynamique décrite par la famille d'équations correspondante. Cela fournit une vérification indépendante, ancrée dans la physique, au-delà des seules métriques statistiques.
Le projet débutera avec les réservoirs documentés dans des bases de données mondiales telles que GRanD, afin de développer et valider l'ensemble de la chaîne de traitement. Nous explorerons ensuite l'identification de tronçons régulés non répertoriés, à travers des discontinuités observables directement dans les données SWOT et dans la structure modale révélée par la décomposition; une rupture abrupte dans le caractère des modes dominants le long du fleuve pouvant signaler la présence d'un ouvrage qui en réorganise la dynamique. Cela ouvre la possibilité de construire une image plus complète de la régulation fluviale mondiale, de ses modes de gestion et de ses impacts sur les bassins versants.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Rivers are among the most heavily managed components of the global water cycle. Dams regulate the timing and magnitude of river discharge across every continent, serving purposes that range from hydropower generation and irrigation supply to flood control and water provision. They are responsible for approximately 40% of the world's water volume change, making them a dominant control on freshwater availability. Despite their importance, the operating rules of most of the world's reservoirs remain poorly documented. Operational records are held by national agencies or private operators and are rarely accessible. This leaves a significant gap between knowledge of how regulated infrastructure operate and understanding their impact on river systems.
The Surface Water and Ocean Topography (SWOT) mission offers a new observational basis for addressing this problem. SWOT measures water surface elevation (WSE) and, through a hydraulic inverse problem, discharge along river reaches globally with a spatial continuity that was not previously available from space. Unlike point-based observations, SWOT captures the full spatial structure of the hydraulic state along a river segment at each overpass, revealing patterns in the dynamics of regulated rivers that carry recoverable information about how reservoirs operate. This project proposes to exploit this information to characterize and classify reservoir operations at global scale, first on reservoirs publicly reported, then extending to the identification undocumented regulated reaches.
We will exploit the two-dimensional spatio-temporal structure of the SWOT data. For any river reach, successive overpasses yield hydraulic variables at each reach that can be arranged into matrices (or images) of space and time. These representations open the use of advanced approaches developed for structured 2D data. These methods will separate low-frequency dynamics driven by climate and seasonal forcing from higher-frequency operational signals. For dynamics characterized by abrupt transitions, methods more sensitive to non-stationarity and sudden changes will be applied. The goal is to identify, for each type of reservoir dynamics, the decomposition approach that best reveals its driving modes.
To classify reservoir operational purposes, a deep learning framework will be developed and trained on the decomposition outputs together with the SWOT data and globally available reservoir databases(GranD, GloFAS, etc.). Classification outputs will be validated through a physically grounded approach: for each identified operational class, the parameters of the equations governing that class of operations will be optimized to fit the observed data, and the quality of that fit will verify that classified reservoirs follow the dynamics described by the corresponding family of equations. This provides an independent, physics-based check on the classification beyond statistical performance metrics.
The project will begin with reservoirs documented in global databases such as GRanD, using them to develop and validate the full pipeline. Next, we will explore the identification of undocumented regulated reaches through discontinuities observable directly in the SWOT data and through discontinuities in the modal structure revealed by the decomposition, where an abrupt change in the character of the dominant modes along the river may signal the presence of infrastructure that reorganizes its dynamics. This opens the possibility of building a more complete global picture of river regulation , their operations and their downstream impact on the river basin.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Concours GAIA

Université de Montpellier

584 GAIA - Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau

Le projet est ouvert à des candidats titulaires d'un diplôme d'ingénieur ou Master dans les domaines de l'hydrologie, de l'hydraulique, des sciences de l'environnement ou du traitement du signal. Une solide formation en programmation scientifique (Python, MATLAB) est requise. Des connaissances en apprentissage automatique ou en apprentissage profond constitueront un atout important. Un intérêt marqué pour la télédétection et les données satellitaires, ainsi qu'une capacité à travailler sur des jeux de données volumineux et hétérogènes, seront appréciés. Le candidat devra faire preuve de rigueur scientifique, d'autonomie et d'un bon niveau de communication écrite et orale en anglais. Une maîtrise du français est souhaitée mais non obligatoire.
The project is open to candidates holding an engineering degree or a Master's degree in hydrology, hydraulics, environmental sciences or signal processing. A strong expertise in scientific programming (Python, MATLAB) is required. Knowledge of machine learning or deep learning will be a significant asset. An interest in remote sensing and satellite data, as well as the ability to work with large and heterogeneous datasets, will be appreciated. The candidate should demonstrate scientific rigor, autonomy, and a good level of written and oral communication in English. Proficiency in French is desirable but not mandatory.