Deep learning fοr the simulatiοn, recοnstructiοn & prοjectiοn οf grοundwater level variatiοns

Sivaramakrishnareddy Chidepudi

Résumé

Accurate groundwater level (GWL) simulations facilitate reconstructions and projections for analysing historical and future groundwater trends and variability at the decadal scale. In this thesis, we investigate the use of deep learning (DL) approaches for GWL simulations, reconstructions, and projections, with a focus on capturing low-frequency variability and leveraging climate reanalysis and GCM model outputs. A wavelet-assisted DL framework was developed, using the Maximal Overlap Discrete Wavelet Transform (MODWT) as a pre-processing step to decompose input signals. We specifically evaluated advanced DL models, including Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional LSTM (BiLSTM), for single-station and multi-station approaches. The single station approach results indicated that MODWT-assisted GRU models allowed for extracting low-frequency information and significantly outperformed standalone models in simulating GWLs, particularly for inertial-type GWL. The Shapley Additive Explanations (SHAP) technique was used to interpret model outputs and highlight important input features. For long-term GWL reconstructions, DL models were trained on ERA5 and ERA20C climate reanalysis datasets, enabling reconstructions up to 1900 and 1940, respectively. These DL-based models were able to capture multi-decadal variability in all reconstructed GWLs. Several multi-station training approaches and clustering were used for large-scale GWL simulations, incorporating dynamic climatic variables and static aquifer characteristics. Models specifically trained on different GWL types, clustered by spectral properties, performed significantly better than those trained on the whole dataset. Finally, A multi-station GRU model trained for each GWL type with boundary-corrected MODWT (BC-MODWT) pre-processing was used to generate projections until 2100. Future changes show decreasing trends in groundwater levels and variability, intensifying from SSP2-4.5 to SSP5-8.5, despite projected groundwater levels being higher on average compared to the historical period in all scenarios. We explain this seemingly counter-intuitive result by the fact that projected levels are systematically much higher at the beginning of the future period (up to ~2050) compared to the historical period. Finally, our results indicate that the variability of annual-type aquifers has increased for all emission scenarios.

Des simulations précises du niveau des eaux souterraines (GWL) sont indispensables pour générer les reconstructions et les projections servant à analyser les tendances et la variabilité historiques et futures des eaux souterraines à long terme. Dans cette thèse, nous étudions l'utilisation d'approches d'apprentissage profond (DL) pour les simulations, reconstructions et projections du niveau des eaux souterraines, en mettant l'accent sur les questions liées à la représentation de la variabilité à basse fréquence interannuelle à décennale, et en utilisant divers produits de réanalyses climatiques et sorties de GCM. Une approche de pré-traitement par ondelettes assistant les modèles DL a été développée, en particulier à partir de transformée en ondelettes discrète à chevauchement maximal (MODWT) en une étape de décomposition les signaux d'entrée. Les modèles récurrents à mémoire long- et court- terme (LSTM) et leurs développements plus récents (unité récurrente à porte GRU et LSTM bidirectionnels BiLSTM) ont été plus spécifiquement utilisés et évalués, pour développer des approches d’apprentissage à station unique et à stations multiples. Les résultats de l'approche à station unique ont indiqué que les modèles GRU assistés par MODWT permettaient d'extraire des informations à basse fréquence et surpassaient considérablement les modèles « simples » (i.e. sans pré-traitement) dans la simulation des GWL, en particulier pour les GWL de type inertiel. La méthode SHAP a été utilisée pour appréhender l’interprétabilité des résultats des modèles et le fonctionnement des modèles eux-mêmes, mettant ainsi notamment en évidence les caractéristiques d'entrée les plus importantes. Pour les reconstructions GWL à long terme, les modèles DL ont été construits en utilisant les ensembles de données de réanalyse climatique ERA5 et ERA20C du centre européen de prévisions météorologiques à moyen terme (ECMWF), permettant des reconstructions jusqu'en 1940 et 1900, respectivement. Ces modèles basés ont pu capturer avec succès la variabilité multidécennale dans tous les niveaux de nappe reconstruits, un enjeu important en contexte de changement climatique dans la mesure où la variabilité multidécennale peut fortement interférer avec les effets du changement climatique. Plusieurs approches d’apprentissage multi-stations et de clustering ont été utilisées pour les simulations GWL à grande échelle, intégrant des variables climatiques dynamiques et des caractéristiques statiques des aquifères. Les modèles spécifiquement entraînés sur différents types de GWL, regroupés sur la base de leurs propriétés spectrales, ont obtenu des résultats significativement meilleurs que ceux entraînés sur l'ensemble des données. Enfin, un modèle GRU multi-stations entraîné pour chaque type de GWL avec un prétraitement MODWT avec correction des effets de bord (BC-MODWT) a été utilisé pour générer des projections jusqu'en 2100. Les changements futurs indiquent des tendances à la baisse des niveaux et de la variabilité des eaux souterraines, s'intensifiant de SSP2-4.5 à SSP5-8.5, malgré des niveaux des eaux souterraines projetés plus élevés en moyenne par rapport à la période historique dans tous les scénarios. Nous expliquons ce résultat apparemment contre-intuitif par le fait que les niveaux projetés sont systématiquement bien plus élevés en début de période future (jusqu’à ~2050) par rapport à la période historique. Nos résultats indiquent enfin que la variabilité des aquifères de type annuel a augmenté pour tous les scénarios d’émission.