DÉVELOPPEMENT D'UN SYSTÈME INTELLIGENT D'ALERTE PRÉCOCE BASÉ SUR LE MACHINE LEARNING POUR LA PRÉVENTION DES INONDATIONS FLUVIALES À ATHIÉMÉ AU BENIN

Résumé

Résume

Les inondations récurrentes du fleuve Mono à Athimé, Bénin, affectent 89 % des villages et 56 483 habitants. Le système actuel de seuils statiques (7,9 m et 8,3 m) offre seulement 6-12h d'anticipation. L'objectif de cette recherche est de développer un système d'alerte précoce par apprentissage automatique prédisant les crues 24-48h à l'avance.

Pour atteindre cet objectif, des données hydrométriques ont été collectées sur la période de 2005 à 2024 dont la méthodologie repose sur 7 199 jours de Dix-neuf variables prédictives intègrent cotes, débits, variations temporelles et distances aux seuils critiques. Random Forest et Régression Logistique sont optimisés avec SMOTE pour le déséquilibre (2% inondations).

Les résultats obtenus révèlent 145 jours d'inondation (10 événements) ; Random Forest : 100% accuracy/précision/rappel ; interface web tri-niveaux validée rétrospectivement 2021-2023 avec 24-48h d'anticipation effective. Les variables de variation (Var_cote_24h, Var_cote_48h, etc.) ont des contributions plus modestes mais non négligeables (entre 0,5% et 2%). Elles ajoutent une information sur la dynamique : une cote qui monte rapidement présente un profil de risque différent d'une cote stable, même à niveau égal.

Mots-clés : Athimé, inondations, machine learning, Random Forest, alerte précoce

Abstract

The recurrent floods of the Mono River in Athimé, Benin, affect 89% of the villages and 56,483 inhabitants. The current system of static thresholds (7.9 m and 8.3 m) offers only 6-12 hours of anticipation. The objective of this research is to develop an early warning system by machine learning predicting floods 24-48 hours in advance.

To achieve this objective, hydrometric data have been collected over the period from 2005 to 2024, the methodology of which is based on 7,199 days of Nineteen predictive variables integrating dimensions, flows, temporal variations and distances at critical thresholds. Random Forest and Logistic Regression are optimized with SMOTE for imbalance (2% flooding).

The results obtained reveal 145 days of flooding (10 events); Random Forest: 100% accuracy / precision / recall; tri-level web interface retrospectively validated 2021-2023 with 24-48 hours of effective anticipation. The variation variables (Var_cote_24h, Var_cote_48h, etc.) have more modest but not negligible contributions (between 0.5% and 2%). They add information on the dynamics: a rapidly rising rating has a different risk profile than a stable rating, even at the same level.

Keywords: Athimé, floods, machine learning, Random Forest, early warning