Approche simple et novatrice pour l’évaluation des inondations dans un contexte pauvre en données : solutions alternatives aux MNT haute résolution et aux données locales de précipitation

par Dong Eon Kim

Thèse de doctorat en Contrôle, optimisation, propective

Sous la direction de Philippe Gourbesville.

Soutenue le 10-06-2019

à Côte d'Azur , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes) , en partenariat avec Université de Nice (1965-2019) (établissement de préparation) , Polytech'Lab (laboratoire) et de Laboratoire de Polytech Nice-Sophia (laboratoire) .

Le président du jury était Manuel Gomez Valentin.

Le jury était composé de Manuel Gomez Valentin, Reinhard Hinkelmann, Shie Yui Liong, Philippe Audra.

Les rapporteurs étaient Manuel Gomez Valentin, Reinhard Hinkelmann.


  • Résumé

    De nombreuses villes d’Asie du Sud-Est subissent de graves inondations liées d’une part à l’intensité croissante des précipitations et d’autre part à une urbanisation rapide souvent due à une planification urbaine non maitrisée. L'évaluation quantitative des risques d'inondation nécessite deux éléments essentiels : (1) un modèle numérique de terrain (MNT) haute définition, et (2) une chronologie de précipitations la plus longue possible. Un MNT haute définition est à la fois coûteux et long à acquérir. Les chronologies de précipitations longues sont fréquemment indisponibles dans de nombreux sites et ne présentent pas toujours une durée suffisante pour une définition pertinente des valeurs extrêmes. Cette thèse présente une approche opérationnelle pour générer des MNT haute définition et suggère une stratégie pour définir des pluies extrêmes en dehors de chronologies de précipitations longues. Des données pour la production des MNT issues de capteurs satellitaires - mission SRTM (Shuttle Radar Topography Mission) et images multi spectrales Sentinel 2 - ont été utilisées et mises en œuvre. Un réseau de neurones artificiels (ANN) est utilisé afin d'améliorer la qualité du MNT. Dans la phase d’apprentissage du réseau de neurones, la qualité des MNE utilisés comme référence est essentielle et conditionne la performance de l’outil dans son application ultérieure. A la suite de cet apprentissage, le réseau de neurones peut être mis en œuvre pour générer, à faible coût, des MNT haute résolution dans des secteurs où les données sont partiellement indisponibles.Les performances de la méthode d’amélioration du MNT sont évaluées dans des différents secteurs caractérisés par des occupations du sol variées (secteur urbain dense, secteurs boisés par exemple) et dans différents pays (Nice, France, Singapour, Jakarta, Indonésie). La qualité des résultats est analysée avec différents indicateurs tels que les diagrammes de dispersion, la clarté visuelle, l’erreur quadratique moyenne (RMSE) et l’adéquation avec les réseaux de drainage réels. Le MNT issu des données SRTM améliorées montre (1) une qualité nettement supérieure au MNT initial puisque le RMSE passe de 34% à 57% du RMSE ; (2) la clarté visuelle est largement améliorée ; et (3) le réseau de drainage calculé correspond davantage au réseau réel. La production de ce MNT amélioré permet une meilleure modélisation des processus d’inondation et augmente la qualité des résultats des simulations hydrauliques. Des données de précipitation issues d'un Modèle Climatologique Régional (RCM) haute résolution spatiale ainsi que des prévisions issues de données ERA-Interim (WRF / ERAI) ont été extraites, analysées et comparées avec les observations haute résolution enregistrées à Singapour. Les comparaisons ont également été effectuées avec les courbes Intensité-Durée-Fréquence (IDF) qui sont utilisées pour l'évaluation des risques d'inondation. Les résultats sont très satisfaisants et valident les données produites par le modèle régional. Cette validation permet d’utiliser les données pluviométriques issues du modèle régional pour le site de la métropole de Jakarta (Indonésie) où les enregistrements pluviométriques ne sont pas disponibles pour la production des courbes IDF.Un modèle hydraulique détaillé a été construit avec le système de modélisation MIKE 21 pour toute la métropole de Jakarta à partir d’un MNT amélioré et des précipitations associées à des périodes de retour de 50 et 100 ans. Des cartes d’inondation ont été générées et sont utilisées par les services gestionnaires. Cet exemple démontre que les nouvelles méthodes et approches proposées dans cette thèse sont pertinentes pour produire une évaluation des risques d’inondation pertinente lorsque des données locales (MNT haute résolution et données pluviométriques sur une période longue) sont insuffisantes ou indisponibles.

  • Titre traduit

    Simple and yet novel approach in flood assessment to overcome data scarcity : high quality DEM and rainfall proxies


  • Résumé

    Many urban cities in Southeast Asia witness severe flooding associated to increasing rainfall intensity and rapid urbanization often due to poor urban planning. Two important inputs required in flood hazard assessment are: (1) high accuracy Digital Elevation Model (DEM), and (2) long rainfall record. High accuracy DEM is both expensive and time consuming to acquire. Long rainfall records for areas of interest are often not available or not sufficiently long to determine the probable extremes. This thesis presents a notably cost-effective and efficient approach to derive high accuracy DEM, and suggests proxies for long rainfall data.DEM data from a publicly accessible satellite, Shuttle Radar Topography Mission (SRTM), and Sentinel 2 multispectral imagery are selected and used to train the Artificial Neural Network (ANN) to improve the quality of the DEM. In the training of ANN, high quality observed DEM is the key leading to a well-trained ANN. The trained ANN will then be ready to efficiently and effectively generate high quality DEM, at low cost, for places where DEM data is not available.The performance of the DEM improvement scheme is evaluated in places of various land-use types (e.g. dense urban city, forested areas), and in different countries (Nice, France; Singapore; Jakarta, Indonesia) through various matrices, e.g. whenever possible visual clarity, scatter plots, Root Mean Square Error (RMSE) and/or drainage networks. The DEM resulting from the latest version of improved SRTM (iSRTM_v2 DEM) shows (1) significantly better than the original SRTM DEM, a 34 % to 57 % RMSE reduction; (2) the visual clarity is so much clearer as well; and (3) much closer drainage network with the actual. The much improved DEM allows flood modelling to proceed with high confidence.Rainfall data resulting from a high spatial resolution Regional Climate Model (RCM), Weather Research and Forecasting driven by ERA-Interim (WRF/ERAI) dataset, is extracted, analyzed, and compared its accuracy with high quality observed rainfall data of Singapore. The comparisons are performed, among others, on their Intensity-Duration-Frequency (IDF) curves, the essential design curves for flood risk assessment; they matched quite well. The rainfall data (from the RCM) are then used as proxies for Greater Jakarta (Indonesia), where no rainfall data made available, to derive the IDF curves required for the flood analysis.MIKE 21 Flow Model Flexible Mesh (MIKE 21 FM) is applied to Greater Jakarta, with input data from the above mentioned much improved DEM and precipitation proxy data, for flood simulations of 2 return periods (50- and 100-years). Finally flood maps are generated. This demonstrates the applications of the approaches/methodologies, proposed in this thesis, on catchments where most essential data for flood risk assessment (high resolution and high accuracy DEM and long and high accuracy rainfall data) are not available.This thesis should be of interest to readers in the areas of remote sensing, artificial intelligence and flood management, especially for the policy makers in proposing relevant flood mitigation measures under climate change with increasing devastating flood damages and casualties.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Côte d'Azur. Service commun de la documentation. Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.