Caractérisation des dynamiques et interdépendances multirisques pour les systèmes d'alerte précoce hydrométéorologiques

Characterizing multi-hazard dynamics and interdependencies for hydrometeorological early warnings systems

• Auteur / Autrice : Guilherme M. guimarães
• Direction : Maria-Helena Ramos
• Type : Projet de thèse
• Discipline(s) : Hydrologie
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Géosciences, ressources naturelles et environnement
• Partenaire(s) de recherche : Laboratoire : HYCAR - Hydrosystèmes Continentaux Anthropisés - Ressources, Risques, Restauration

Mots clés

Mots clés libres

Événements composés

Risques hydrométéorologiques

Dynamique multirisque

Compound events

Hydrometeorological hazards

Multi-hazard dynamics

Résumé

Les systèmes d'alerte précoce multirisques sont des outils importants qui intègrent la surveillance des aléas, leur prévision et l'analyse des risques, afin de fournir des alertes précoces. Cette approche permet aux gestionnaires de crise et à la population de prendre des mesures adaptées avant l'arrivée d'un évènement dangereux pour réduire les risques liés aux catastrophes naturelles. L'un des aspects essentiels de ces systèmes est leur capacité à appréhender les dynamiques et les interdépendances entre aléas pour produire des prévisions hydrométéorologiques et donner des alertes précoces. Il s'agit notamment d'évaluer et de caractériser les événements composés et, en particulier, les occurrences conjointes d'événements extrêmes à la fois dans l'espace et dans le temps. Les aléas peuvent interagir de multiples façons à plusieurs échelles spatio-temporelles. Leur combinaison aboutit à un système complexe, dont la compréhension physique, la modélisation et l'analyse requièrent des approches différentes. C'est pourquoi un large éventail d'outils de modélisation a été mis au point pour étudier la relation entre plusieurs facteurs et pour évaluer des scénarios multi-aléas. Bien que la réduction des risques de catastrophes soit de mieux en mieux comprise, la grande majorité des travaux de recherche dans la littérature se sont concentrés sur des risques uniques (un seul aléa). Les études de caractérisation multi-aléas sont encore rares, malgré leur importance, et les effets en cascade inattendus doivent encore être mieux compris, notamment à l'aide de l'analyse des données disponibles. Cette thèse vise à développer un cadre pour caractériser l'occurrence conjointe des aléas (événements naturels extrêmes tels que fortes pluies, inondations, sécheresses, vagues de chaleur), en identifiant les approches les mieux adaptées pour évaluer leurs interdépendances dans l'espace et dans le temps. En évaluant la dynamique multi-aléas, nous cherchons à quantifier la force des relations entre les aléas et leurs déterminants, en explorant des approches de modélisation basées sur l'apprentissage des données pour évaluer les caractéristiques spatio-temporels des champs hydrométéorologiques.

Multi-hazard early warning systems (MHEWS) are significant tools that integrate hazard monitoring, forecasting, and risk analysis to provide meaningful early warnings. This approach enables civil protection agencies and individuals to take adapted measures to mitigate the risk of natural disasters prior to their occurrence. One essential characteristic of MHEWS is its capacity to apprehend multi-hazard dynamics and interdependencies for hydrometeorological forecasting and early warnings. This includes assessing and characterizing compound events and, in particular, the co-occurrences of extreme events both in space and time. Furthermore, hazards can interact in several ways across multiple spatio-temporal scales. Their combination results in a complex system, whose physical understanding, modelling, and analysis require different approaches. Therefore, a wide range of modelling tools have been developed to investigate the strength of the relationship between multiple drivers and to assess multi-hazard scenarios. Even though there is a growing understanding of multi-hazard disaster risk reduction, the vast majority of the research encountered in the literature has focused on single hazards. Multi-hazard characterization is still in its infancy, despite its importance, since unexpected cascading effects still need to be better understood from the analysis of available datasets. This thesis aims to develop a framework to characterize the joint occurrence of hazards (extreme natural events such as heavy rainfall, floods, drought, and heatwaves), identifying the best-suited approaches to assess their interdependencies in space and time. By evaluating the multi-hazard dynamics, we aim to quantify the strength of the relationships among hazards and their drivers, exploring the strength of data-driven modelling approaches to assess spatio-temporal patterns of hydrometeorological fields.