In order to predict the impact of pollution incidents on rivers, it is necessary to predict the dispersion coefficient and the flow velocity corresponding to the discharge in the river of interest. This paper explores methods for doing this, particularly with a view to applications on ungauged rivers, i.e. those for which little hydraulic or morphometric data are available. An approach based on neural networks, trained on a wide-ranging database of optimized parameter values from tracer experiments and corresponding physical variables assembled for American and European rivers, is proposed. Tests using independent cases showed that the neural networks generally gave more reliable parameter estimates than a second-order polynomial regression approach. The quality of predictions of temporal concentration profiles was heavily influenced by the accuracy of the velocity prediction.Key words longitudinal dispersion; pollutant transport; ungauged river; neural networks; data-based modelling Evaluation des profils temporels de concentration de cours d'eau non jaugés à la suite d'incidents de pollution Résumé Afin de prévoir l'impact des incidents de pollution dans les rivières, il est nécessaire de prévoir le coefficient de dispersion et la vitesse d'écoulement correspondant au débit dans la rivière considérée. Cet article explore les méthodes pour ce faire, en particulier en vue d'applications à des rivières non jaugées, c'est-à-dire pour lesquelles peu de données hydrauliques ou morphométriques sont disponibles. Une approche basée sur des réseaux neuronaux, entraînés avec une importante base de données de valeurs de paramètres optimisés à partir d'expériences de traçage et de variables physiques correspondantes, assemblée pour des rivières américaines et européennes, est proposée. Des tests utilisant des cas indépendants ont montré que les réseaux de neurones ont généralement donné des estimations de paramètres plus fiables qu'une approche de régression polynomiale du second ordre. La qualité des prévisions des profils temporels de concentration a été fortement influencée par la précision de la prévision de la vitesse.