Performance of Statistical and Machine Learning Modeling Methods for Spatial Flood Prediction in the Oum Er-Rbia Basin

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Madame Sonia HAJJI, soutiendra une thèse de Doctorat intitulée : «Performance of Statistical and Machine Learning Modeling Methods for Spatial Flood Prediction in the Oum Er-Rbia Basin».

La soutenance publique aura lieu le Samedi 04 Juillet 2026 à 09h00 à l’Amphi 5, à la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Madame Samira KRIMISSA : Professeur, Faculté Polydisciplinaire, Université Sultan Moulay Slimane, Béni Mellal, Présidente;

• Monsieur Hicham SI MHAMDI : Maître de Conférences Habilité, Faculté des Sciences Ben M’Sick,  Université Hassan II,  Casablanca, Rapporteur;

• Monsieur Abdelbasset MIDAOUI : Maître de Conférences Habilité, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur;

• Monsieur Morad KARROUM : Maître de Conférences Habilité, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur Hossein BONAKDARI : Associate Professor, University of Ottawa, Ottawa-Canada, Examinateur; 

• Monsieur Abdenbi ELALOUI: Maître de Conférences Habilité, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur;

• Monsieur Abdelghani BOUDHAR : Professeur, Faculté des sciences et techniques, Université Cadi Ayyad, Marrakech,  co-Directeur de thèse;

• Monsieur Mustapha NAMOUS : Maître de Conférences Habilité, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse.

Résumé: 

Les inondations sont les catastrophes naturelles les plus fréquentes, entraînant des pertes économiques considérables et ayant un impact significatif sur les infrastructures et la vie humaine. Une cartographie précise de la susceptibilité aux inondations est essentielle pour une gestion efficace des risques. Dans cette étude, la susceptibilité aux inondations a été évaluée dans le haut bassin versant d’Oum Er Rbia à travers une analyse comparative d’approches statistiques et d’apprentissage automatique (machine learning). Un inventaire des inondations a été établi à partir d’investigations de terrain et de l’interprétation visuelle d’images Google Earth, permettant d’identifier 60 événements historiques d’inondation. Ces données ont été réparties aléatoirement en deux ensembles : 70 % pour l’entraînement des modèles et 30 % pour leur validation. Plusieurs facteurs conditionnant les inondations ont été pris en compte afin de caractériser les conditions environnementales influençant leur occurrence. Les relations entre ces facteurs et les événements d’inondation ont été analysées à l’aide de trois méthodes statistiques : le rapport de fréquence Frequency Ratio (FR), le poids de l’évidence Weight of Evidence (WoE) et le facteur pondéré Weighted Factor (WF). Afin d’améliorer la génération de l’inventaire des inondations, l’indice normalisé des inondations Normalized Difference Flood Index (NDFI) a été calculé à partir d’images satellitaires traitées dans Google Earth Engine. Cet indice a fourni des informations précieuses pour l’identification des zones affectées par les inondations et pour l’analyse ultérieure de la susceptibilité. Trois algorithmes d’apprentissage automatique Random Forest (RF), Gradient Boosting (GB) et AdaBoost (AdaB) ont été mis en œuvre, et leurs performances prédictives ont été évaluées à l’aide de la courbe ROC (AUC). Les résultats ont montré que le modèle RF obtenait les meilleures performances (AUC = 1,00), suivi du modèle RF–GB (AUC = 0,96), de GB (AUC = 0,95) et d’AdaBoost (AUC = 0,83). La méthodologie a ensuite été étendue à l’échelle nationale en utilisant les techniques d’apprentissage automatique. À cette échelle plus large, Gradient Boosting a atteint la meilleure précision prédictive (AUC = 0,99), suivi de près par Random Forest (AUC = 0,98) et la machine à vecteurs de support (Support Vector Machine (SVM) (AUC = 0,96). Dans l’ensemble, les résultats démontrent le fort potentiel des méthodes d’apprentissage automatique pour la cartographie fiable de la susceptibilité aux inondations, aussi bien à l’échelle du bassin versant qu’à l’échelle nationale.

Mots clés: Risque d’inondation ; Intelligence Artificielle (IA) ; Systèmes d’Information Géographique (SIG) ; modèles statistiques (WF, WoE, FR) ; apprentissage automatique (RF, GB, AdaBoost et SVM) ; Haut bassin versant de l’Oum Er Rbia, Maroc.