Level Finder – Prévision des crues par Intelligence artificielle (réseaux de neurones) pour la mise en œuvre de plans d'intervention graduée et la gestion de crise à l'échelle (inter)communale

par Salma Sadkou

Projet de thèse en STE - Sciences de la Terre et de l'Eau

Sous la direction de Anne Johannet et de Sophie Sauvagnargues.

Thèses en préparation à l'IMT Mines Alès , dans le cadre de Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau , en partenariat avec HSM - Hydrosciences Montpellier (laboratoire) et de Eau, Ressources, Territoires (equipe de recherche) depuis le 01-11-2020 .


  • Résumé

    Le bassin alésien est fréquemment soumis à des épisodes pluvieux très intenses qui conduisent à des crues dévastatrices. Pour prévoir ces évènements, IMT Mines Alès développe depuis plus de 25 ans des modèles fondés sur l'intelligence artificielle (réseaux de neurones). Grâce à leurs propriétés d'apprentissage, ces modèles se dispensent d'une modélisation physique du bassin versant. Cependant les résultats sont généralement prévus sous forme de courbes de hauteur d'eau ou de débit. Or il existe de nombreux acteurs opérationnels pour qui l'interprétation de ces résultats et leur traduction dans le processus de gestion de crise est difficile. L'objet de cette thèse est donc de définir une méthodologie permettant : (i) d'utiliser les niveaux de vigilances issus des Plans Communaux de Sauvegarde, et (ii) de prévoir directement ces niveaux de vigilance par apprentissage statistique.

  • Titre traduit

    Level Finder - Flood forecasting by artificial intelligence (neural networks) for the implementation of graduated intervention plans and crisis management at (inter)municipal level


  • Résumé

    The Alesian basin is subject to frequent high intensity rainfall events leading to devastating floods. To predict these events, IMT Mines Alès has been developing artificial intelligence-based models (neural networks) for more than 25 years. Thanks to their learning properties, physical modeling of the watershed can be omitted in these models. The results are generally expected in the form of water level or water flow curves. However, there are many operational stakeholders for whom the interpretation of these results and their translation into the crisis management process is difficult. The purpose of this thesis is therefore to define a methodology allowing: (i) the use of vigilance levels resulting from the Community Protection Plans, and (ii) the direct prediction of these vigilance levels by the means of statistical learning.