L’utilisation de l’imagerie spatiale pour mieux prévoir et gérer les inondations
Sous la direction de : Dennis Fox (Professeur, Université Côte d'Azur, UMR 7300 ESPACE) et Magali Troin (Co-fondatrice de HYDROCLIMAT, CTO ; Ph.D. en Géosciences de l’environnement)
L’objectif de la thèse est de développer un outil de prévision des inondations basé sur l’exploitation semi-automatique d’imagerie spatiale et de données numériques annexes gratuitement accessibles en ligne pour la modélisation hydrologique des débits de crues.
La gestion des inondations repose sur des stratégies qui évoluent à deux échelles temporelles : la prévision des crues en temps réel et la gestion de l’occupation du sol et de son imperméabilisation sur 3 le temps « long ». L’apport de l’imagerie spatiale est prometteur pour la quantification des paramètres bio-litho-hydrologiques nécessaires à la modélisation hydrologique des crues, et la caractérisation de l’occupation du sol et son évolution.
L’utilisation d’imagerie spatiale pour la prévision des crues est un domaine émergent en raison des limitations liées à la résolution et à l’accès aux images mais aussi à la nécessité d’être couplées à des données annexes et post-traitées statistiquement pour être pertinentes. Dans le cadre de ce projet, ces limitations seront dépassées par l’utilisation des bases de données extensives disponibles en Région Sud (données numériques environnementales – ortho photos, modèles numériques de terrain haute résolution, données sur le bâti, la végétation et les sols par la Société du Canal de Provence) et grâce à l’expertise régionale de pointe en imagerie spatiale (Pôle SAFE et Thalès) et en post-traitement statistique-intelligence artificielle via 3IA Côte d’Azur.
La thèse vise à capitaliser l’ensemble des données et compétences techniques régionales de pointe pour le développement d’une stratégie innovante d’extraction semi-automatique des paramètres nécessaires à la modélisation hydrologique de crue à partir d’imagerie spatiale (Sentinel-2, Pléiades et SPOT). L’originalité de la thèse réside dans le renforcement de l’imagerie spatiale et des données numériques par des algorithmes d’apprentissage automatique (ML). Élaborée et testée en région Sud, cette approche a vocation par la suite d’être déployée opérationnellement à l’international pour des prestations de prévision du risque d’inondation. Les applications opérationnelles sont la prévision des crues en temps réel et la simulation de scénarios d’évolution de l’occupation du sol à différentes échelles temporelles (2025 à 2100).
Ce site web utilise des cookies pour améliorer votre expérience lorsque vous naviguez sur le site. Parmi ces cookies, les cookies classés comme nécessaires sont stockés sur votre navigateur car ils sont essentiels pour le fonctionnement des fonctionnalités de base du site web. Nous utilisons également des cookies de tiers qui nous aident à analyser et à comprendre comment vous utilisez ce site web. Ces cookies ne seront stockés dans votre navigateur qu'avec votre accord. Vous avez également la possibilité de refuser ces cookies. Toutefois, la désactivation de certains de ces cookies peut avoir un effet sur votre expérience de navigation.
Les cookies sont absolument nécessaires pour le bon fonctionnement du site web. Cette catégorie ne comprend que les cookies qui assurent les fonctionnalités de base et les caractéristiques de sécurité du site web. Ces cookies ne stockent aucune information personnelle.
Les cookies qui ne sont pas particulièrement nécessaires au fonctionnement du site web et qui sont utilisés spécifiquement pour collecter des données personnelles de l'utilisateur par le biais d'analyses, d'annonces ou d'autres contenus intégrés sont appelés cookies non nécessaires. Il est obligatoire d'obtenir le consentement de l'utilisateur avant d'utiliser ces cookies sur votre site web.