---
language: fr
license: mit
library_name: onnxruntime
tags:
  - onnx
  - flood-forecasting
  - hydrology
  - quantile-regression
  - time-series
  - lstm
  - attention
pipeline_tag: time-series-forecasting
---

# Vilaine Amont — Flood Forecast (Station-Attention)

Modèle de prévision de crues pour les 11 stations hydrométriques du bassin Vilaine Amont (Bretagne, France), avec intervalles de confiance natifs via quantile regression.

## Architecture

**Per-station LSTM → Cross-station Multi-Head Attention → Quantile Regression**

- **Encodeur** : LSTM partagé (2 couches, hidden 128) traite chaque station indépendamment (7 variables × 72 pas de temps)
- **Attention** : 3 couches Multi-Head Attention (8 têtes) avec résidus et LayerNorm permettent l'échange d'information entre stations
- **Précipitations futures** : encodeur MLP intégrant les prévisions de précipitations à 24h (11 stations × 24h = 264 valeurs)
- **Décodeurs** : têtes séparées pour hauteur (H) et débit (Q), chacune produisant 24 horizons × 3 quantiles
- **Quantiles** : q10, q50, q90 — entraînés avec pinball loss asymétrique en crue

## Entrées / Sorties

### Entrées

| Nom | Shape | Description |
|-----|-------|-------------|
| `past_input` | `(batch, 72, 77)` | 72h de données passées — 11 stations × 7 variables/station (paddé à 77) |
| `future_precip` | `(batch, 264)` | Précipitations prévues — 11 stations × 24h |

Les 7 variables par station sont : `h` (hauteur), `q` (débit), `precip` (précipitations), `dh` (variation H), `dq` (variation Q), `soil_moisture_0_to_7cm`, `soil_moisture_7_to_28cm`. Certaines stations remplacent `q`/`dq` par `release` (lâchers de barrage).

Toutes les valeurs sont normalisées min-max avec les paramètres de `norm_params.json`.

### Sorties

| Nom | Shape | Description |
|-----|-------|-------------|
| `predictions` | `(batch, 1296)` | 432 sorties × 3 quantiles (interleaved) |

Les 1296 sorties sont organisées : pour chaque station, pour chaque variable (H puis Q), pour chaque horizon (1-24h), les 3 quantiles `[q10, q50, q90]` sont interleaved. Le mapping exact est dans `station_attn_meta.json`.

Les prédictions sont des **deltas normalisés** — il faut les dénormaliser puis les ajouter à la dernière valeur observée pour obtenir les valeurs absolues.

## Stations

| Code | Nom | Variables prédites |
|------|-----|--------------------|
| J700061001 | Janzé (Seiche) | H, Q |
| J701064001 | Lac de la Valière | H |
| J702401001 | Louvigné-de-Bais (Quincampoix) | H, Q |
| J702403001 | Étang de Marcillé | H |
| J702402001 | Rannée (Ardenne) | H, Q |
| J701061001 | Vitré (Vilaine) | H, Q |
| J704301001 | Pocé-les-Bois (Cantache) | H |
| J705302001 | Lac de la Haute Vilaine | H |
| J706062001 | Châteaubourg (Vilaine) | H, Q |
| J708311001 | La Bouëxière (Illet) | H, Q |
| J709063002 | Cesson-Sévigné (Vilaine) | H, Q |

## Métriques

Résultats sur le jeu de test — hiver 2025-2026 (Châteaubourg, q50) :

| Horizon | NSE | RMSE |
|---------|------|------|
| t+1h | 0.9999 | 6 mm |
| t+6h | 0.9968 | 36 mm |
| t+12h | 0.9884 | 69 mm |
| t+24h | 0.9699 | 112 mm |

Calibration des quantiles : P(y < q10) ≈ 10%, P(y < q90) ≈ 85% (cibles 10%/90%).

## Utilisation

```python
import numpy as np
import onnxruntime as ort
import json

# Charger le modèle et les métadonnées
session = ort.InferenceSession("station_attn.onnx")
meta = json.load(open("station_attn_meta.json"))
norm = json.load(open("norm_params.json"))

# Préparer les entrées (normalisées min-max)
past_input = np.zeros((1, 72, 77), dtype=np.float32)   # 72h passées
future_precip = np.zeros((1, 264), dtype=np.float32)    # précip prévues 24h

# Inférence
outputs = session.run(None, {
    "past_input": past_input,
    "future_precip": future_precip,
})
predictions = outputs[0]  # shape (1, 1296)

# Extraire les prédictions pour Châteaubourg (H, q50, t+6h)
station = "J706062001"
h_start = meta["output_map"][station]["h_start"]
n_quantiles = meta["n_quantiles"]
horizon_idx = 5  # t+6h (0-indexed)
q50_idx = 1      # [q10, q50, q90]

delta_norm = predictions[0, (h_start + horizon_idx) * n_quantiles + q50_idx]

# Dénormaliser
h_min = norm[f"{station}_h"]["min"]
h_max = norm[f"{station}_h"]["max"]
delta = delta_norm * (h_max - h_min)

# Valeur absolue = dernière observation + delta
# prediction_h = last_observed_h + delta
```

## Données d'entraînement

- **Hydrométrie** : hauteurs d'eau (H) et débits (Q) horaires depuis 2000 — [Hydro EauFrance](https://www.hydro.eaufrance.fr)
- **Météo** : précipitations et humidité du sol horaires — [Open-Meteo](https://open-meteo.com)
- **Split** : train 2000–2025/06, val 2025/07–2025/12, test 2026/01+

## Entraînement

- **GPU** : NVIDIA DGX Spark (Grace Blackwell GB10)
- **Optimiseur** : Adam, lr=5e-4
- **Batch size** : 256
- **Loss** : Pinball loss avec pénalité asymétrique en crue (H ≥ 800mm à Châteaubourg)
- **Suréchantillonnage** : crues ×2/×4/×8 selon le seuil
- **Framework** : PyTorch → export ONNX

## Liens

- **Application web** : [vilaine-amont.haruni.net](https://vilaine-amont.haruni.net)
- **Code source** : [github.com/sebastien-burel/vilaine-amont](https://github.com/sebastien-burel/vilaine-amont)