Estimation de l’évolution du littoral par l’apprentissage automatique

– Mahmoud Al Najar, Doctorant, Legos –

Résumé :

La prévision de l’évolution du littoral est une condition préalable à une gestion efficace des côtes et constitue un objectif fondamental de la recherche côtière depuis des décennies. Cependant, l’évolution des côtes est un processus complexe et la prévision de son développement dans le temps reste un défi. L’absence d’ensembles de données représentatives permettant de suivre avec précision l’état et l’évolution des systèmes côtiers limite considérablement notre capacité à étudier ces processus dans le cadre de différents scénarios naturels et anthropologiques. Bien que les enquêtes traditionnelles sur le terrain aient été largement utilisées dans la littérature et qu’elles aient permis de faire progresser notre connaissance de ces systèmes, les coûts opérationnels élevés des enquêtes sur le terrain limitent leur utilisation à des échelles spatio-temporelles locales et éparses. La télédétection par satellite permet de surveiller fréquemment la Terre à des résolutions et des échelles temporelles élevées, mais nécessite le développement de nouvelles méthodologies de traitement des données pour les grands flux de données d’observation de la Terre. L’apprentissage automatique est un sous-domaine de l’intelligence artificielle qui vise à construire des algorithmes capables d’exploiter de grandes quantités de données d’entraînement afin de construire automatiquement des modèles prédictifs, et a été un élément essentiel de nombreuses avancées scientifiques au cours des dernières années. Cette thèse examine le potentiel et la capacité de l’apprentissage automatique moderne dans deux problèmes importants de la science côtière où l’apprentissage automatique reste inexploré. L’apprentissage profond et l’apprentissage automatique interprétable sont appliqués aux problèmes de la bathymétrie dérivée des satellites et de la modélisation de l’évolution du trait de côte. Le travail démontre que l’apprentissage automatique est compétitif par rapport aux bases actuelles basées sur la physique pour les deux tâches, et montre le potentiel de l’apprentissage automatique dans l’automatisation d’un grand nombre de nos analyses de données côtières à grande échelle afin d’obtenir une compréhension globale de l’évolution du littoral.

Jury :

• Mme Kristen SPLINTER – Rapporteur : Enseignant-chercheur, UNSW Water Research Laboratory
• M. Markus WAGNER – Rapporteur : Enseignant-chercheur, Monash University
• M. Sylvain CUSSAT-BLANC – Examinateur : Professeur des universités, IRIT, University of Toulouse
• Mme Justyna PETKE – Examinatrice : Enseignant-chercheur, University College London
• M. Rosh RANASINGHE – Examinateur : Professeur des universités, IHE Delft Institute for Water Education
• M. Rafael ALMAR – Directeur de thèse : Directeur de recherche, Institut de recherche pour le développement
• M. Dennis G. WILSON – Invité, encadrant de thèse : Enseignant-chercheur, ISAE-SUPAERO, University of Toulouse
• M. Jean-Marc DELVIT – Invité, encadrant de thèse : Ingénieur CNES