Apprentissage statistique dans l'étude du risque cotier

Statistical learning for coastal risks assessment

• Auteur / Autrice : Aurélien Callens
• Direction : Benoit Liquet, Denis Morichon
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 16/09/2021
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : École doctorale sciences exactes et leurs applications (Pau, Pyrénées Atlantiques ; 1995-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques et de leurs Applications [Pau]

Mots clés

Mots clés contrôlés

Apprentissage automatique

Biarritz (Pyrénées-Atlantiques)

Inondations -- Maîtrise

Statistique mathématique

Mots clés libres

Apprentissage automatique

Apprentissage profond

Inondations côtières

Méthodes d'apprentissage statistique

Réseau de surveillance

Risque côtier

Système d'alerte précoce

Coastal flooding

Coastal risk

Deep learning

Early warning system

Machine learning

Monitoring networks

Statistical learning methods

Résumé

Au cours des dernières décennies, la quantité de données relatives aux risques côtiers a fortement augmenté avec l'installation de nombreux réseaux de surveillance. Dans cette ère de big data, l'utilisation de méthodes d'apprentissage statistique dans le développement de modèles prédictifs locaux devient de plus en plus légitime et justifiée. L'objectif de cette thèse est de démontrer comment les méthodes d'apprentissage statistique peuvent contribuer à l'amélioration des outils d'évaluation des risques côtiers et au développement d'un système d'alerte précoce qui vise à réduire le risque d'inondation côtière. Trois méthodologies ont été développées et testées sur différent sites d'étude. La première méthodologie vise à améliorer les prévisions locales de vagues faites par un modèle spectral de vagues avec des méthodes d'apprentissage automatique et des données provenant de réseaux de surveillance. Nous avons montré que l'assimilation de données avec des méthodes d'apprentissage automatique améliore de manière significative la prévision des paramètres des vagues, en particulier la hauteur et la période des vagues. La deuxième méthodologie concerne la création de bases de données sur l'impact des tempêtes. Bien que ces bases de données soient essentielles dans le processus de réduction des risques de catastrophes, elles sont rares et peu nombreuses. Nous avons donc proposé une méthodologie basée sur une méthode d'apprentissage profond (réseaux de neurones convolutifs) pour générer automatiquement des données qualitatives sur l'impact des tempêtes à partir d'images fournies par des stations de surveillance vidéo installées sur les côtes. La dernière méthodologie concerne le développement d'un modèle d'impact de tempêtes avec une méthode statistique (réseau bayésien) basée exclusivement sur des données acquises avec divers réseaux de surveillance. Grâce à cette méthodologie, nous avons pu prédire de manière qualitative l'impact de tempêtes sur notre site d'étude, la Grande Plage de Biarritz.

Over the last decades, the quantity of data related to coastal risk has greatly increased with the installation of numerous monitoring networks. In this era of big data, the use of statistical learning methods (SLM) in the development of local predictive models becomes more legitimate and justified. The objective of this thesis is to demonstrate how SLM can contribute to the improvement of coastal risk assessment tools and to the development of an early warning system which aims to reduce coastal flooding risk. Three methodologies have been developed and tested on real study sites. The first methodology aims to improve the local wave forecast made by spectral wave model with machine learning methods and data from monitoring networks. We showed that data assimilation with machine learning methods improve significantly the forecast of wave parameters especially the wave height and period. The second methodology concerns the creation of storm impact databases. Even though these databases are essential for the disaster risk reduction process they are rare and sparse. We therefore proposed a methodology based on a deep learning method (convolutional neural networks) to generate automatically qualitative storm impact data from images provided by video monitoring stations installed on the coast. The last methodology is about the development of a storm impact model with a statistical method (bayesian network) based exclusively on data acquired with diverse monitoring networks. With this methodology we were able to predict qualitatively the storm impact on our study site, the Grande Plage of Biarritz.