1.

Modélisation hydrologique pluie–débit d’un bassin versant

Objectif

Développer un système de modélisation pour prévoir le débit d'un oued ou d'un barrage à partir de

données hydrométéorologiques et topographiques, afin d'anticiper les crues, les sécheresses et

optimiser la gestion des ressources en eau.

Données d’entrée

• Pluviométrie (mm/j)

• Température (°C)

• Débit observé (m³/s)

• Caractéristiques du bassin (surface, pente, altitude)

Méthodes

Application de méthodes de modélisation : régression linéaire/multiple, réseaux de neurones LSTM

pour les séries temporelles, et modèles conceptuels comme HBV (Hydrologiska Byråns

Vattenbalansavdelning) pour simuler les processus hydrologiques (infiltration, évapotranspiration,

ruissellement). Génération de prédictions de débit sur des horizons courts (jours) à moyens (mois).

Sorties

• Courbes : débit observé vs prédit

• Indicateurs : RMSE, NSE, R²

Objectif

Créer un système pour détecter les fuites dans les réseaux d'eau potable en analysant les séries

temporelles de débit et pression, afin de réduire les pertes

Données

• Débit (m³/h)

• Pression (bar)

• Horodatage

Méthodes

• Isolation Forest

• Autoencoder

• Analyse statistique (z-score)

Sorties

• Alertes de fuite

• Visualisation des zones à risque

Architecture Python
leak_detection/
│── data/
│── models/
│ ├── isolation_forest.py
│ └── [Link]
│── anomaly/
│ └── [Link]
│── visualization/
│ └── [Link]
│── [Link]
3. Optimisation de la gestion d’un barrage multi-usages
Binôme : Mohssine chekar, Ziad abbadi

Objectif

Optimiser l'allocation d'eau d'un barrage pour usages multiples (irrigation, eau potable,

hydroélectricité), en maximisant les bénéfices tout en respectant les contraintes environnementales.

Données

• Apports hydrologiques

• Demandes sectorielles

• Capacité du barrage

Méthodes

• Programmation linéaire pour allocations statiques

• Programmation dynamique pour séquences temporelles

Sorties

• Politique optimale de lâchers

• Courbes de stockage

Architecture Python
dam_optimization/
│── data/
│── optimization/
│ ├── linear_model.py
│ └── dynamic_model.py
│── constraints/
│ └── hydro_constraints.py
│── visualization/
│── [Link]
4. Prévision de la qualité de l’eau (WQI)
Binôme : BabIbrahim tangara, El Mrabet Ali

Objectif

Prédire l'indice de qualité de l'eau (WQI) pour anticiper la pollution dans rivières ou nappes, aidant à

la prise de décision environnementale

Données

• pH, turbidité

• Nitrates, DBO, O₂ dissous

Méthodes

• Random Forest

• XGBoost

• LSTM

Sorties

• WQI prédit

• Classe de qualité (bonne, moyenne, mauvaise)

Architecture Python
water_quality/
│── data/
│── features/
│── models/
│── evaluation/
│── visualization/
│── [Link]
5. Simulation de la propagation des polluants dans une rivière
Binôme : Abdessamad sarih, Marouane outahassout

Objectif

Simuler l'impact d'un rejet industriel sur la propagation de polluants pour évaluer les risques

écologiques.

Modèle mathématique

Résolution des équations de convection-diffusion 1D/2D.

Architecture Python
pollution_river/
│── equations/
│ └── convection_diffusion.py
│── numerical/
│ └── finite_difference.py
│── visualization/
│ └── [Link]
│── [Link]
6. Simulation de l’écoulement dans les canalisations

Binôme: khadija El -amri, salma raoui

Objectif

Simuler l’écoulement laminaire et turbulent dans tuyaux pour concevoir des systèmes hydrauliques

efficaces.

Methodes

• Calculs avec Bernoulli et Darcy-Weisbach.

• Simulations pour réseaux simples/complexes.

Architecture Python
pipe_flow/
│── physics/
│ ├── [Link]
│ └── darcy_weisbach.py
│── solver/
│── visualization/
│── [Link]
7. Prévision des inondations
Binôme : Chaymae el yaagoubi, Imane El archi

Objectif

Produire des cartes de risque d’inondation sur pluviométrie et topographie pour générer des alertes.

Données

• Pluie extrême

• MNT (topographie)

Méthodes

• Models rationnel et SCS-CN

• Modèle pluie–ruissellement simplifié

• Seuils critiques

Architecture Python
flood_forecast/
│── gis/
│── rainfall/
│── hydrology/
│── visualization/
│── [Link]
8. Modélisation du flux d’eaux souterraines
Binôme: Oumaima sedqui, Hajar maisour

Objectif

Simuler l’écoulement des nappes phréatiques avec loi de Darcy + continuité pour évaluer recharge et

contamination.

Methodes

• Implémenter MODFLOW (FloPy) et différences finies 2D

• Résoudre Darcy avec un réseau neuronal avec Physics-Informed Neural Network

Architecture Python
groundwater_flow/
│── symbolic/
│ └── darcy_sympy.py
│── numerical/
│── data/
│── visualization/
│── [Link]
9. Modélisation de la dispersion de polluants
Binôme : Imane benayada, Ahlame kabir

Objectif

Simuler dispersion dans cours d'eau ou air pour études d'impact.

Méthodes

• Diffusion 2D

• PDE avec SciPy

Architecture Python
dispersion_model/
│── pde/
│── solver/
│── visualization/
│── [Link]
[Link]évision de sécheresse (SPI, SPEI)
Binôme : Najat Elaouni, Hiba elhmmali

Objectif

Calculer et prévoir indices de sécheresse pour la gestion agricole/environnementale.

Méthodes

• Ajustement loi Gamma

• Analyse fréquentielle

• implementer ML + LSTM hybride

o RF/XGBoost pour tendance

o LSTM pour dynamique temporelle

Architecture Python
drought_indices/
│── data/
│── indices/
│ ├── [Link]
│ └── [Link]
│── visualization/
│── [Link]
[Link] de pollution en nappe phréatique

Bonôme: Yassine Bouabane

Objectif

Modéliser déplacement de polluants dans sol pour protéger captages d'eau.

Methodes

• Équation ADE (advection-dispersion) avec sorption/biodégradation.

• Simulation 2D

Architecture Python
groundwater_pollution/
│── pde/
│── finite_difference/
│── visualization/
│── [Link]
[Link] de la récupération d’eau de pluie

Binôme : Mouad Ait Bajbaj, Abderrahmane El Asri

Objectif

Dimensionner une cuve de récupération pour économie d'eau sur 10 ans.

Bilan de masse

• Bilan masse quotidien (entrée pluie, sortie consommation, trop-plein).

• Optimisation volume cuve pour minimiser débordements/manques.

Methodes

• Modélisation du bilan hydrique (Boucles temporelles / mass balance)

• Optimisation du volume de la cuve (programmation dynamique, Monte-Carlo stochastique)

• Prévision et analyse de performance (LSTM)

Architecture Python
rainwater_harvesting/
│── data/
│── simulation/
│── optimization/
│── visualization/
│── [Link]
13.Détection et prévision des crues urbaines
Monôme : Hajar el msseyeh

Objectif

Anticiper les crues dans les zones urbaines à partir de pluies extrêmes et des données topographiques

Méthodes / modèles possibles

• Modèles hydrologiques : SCS-CN, Modèle pluie-débit simplifié

• Séries temporelles : LSTM

• Machine Learning : Random Forest, XGBoost pour classification des événements extrêmes

• SIG / Visualisation : cartes de risque avec Matplotlib ou folium

Architecture Python
UrbanFloodPrediction/
│
├── data/
│ ├── precipitation/
│ ├── river_levels/
│ └── topo_maps/
├── notebooks/
│ └── [Link]
├── src/
│ ├── [Link]
│ ├── feature_engineering.py
│ ├── models/
│ │ ├── lstm_model.py
│ │ ├── rf_model.py
│ │ └── xgb_model.py
│ ├── [Link]
│ ├── [Link]
│ └── [Link]
├── outputs/
│ ├── predictions/
│ └── figures/