Prévision saisonnière et pluri-décennale des aléas littoraux par méthodes d'apprentissage automatique // seasonal to multi-decadal forecasting of coastal hazards using machine learning approaches

Topic description

Le projet cible IRICOT du projet PEPR IRIMA (-) vise à développer des connaissances transdisciplinaires afin d'éclairer la gestion des risques littoraux et la manière d'adapter nos sociétés face aux changements globaux. Dans le cadre de ce projet, le WP3 “Prévisions saisonnière et décennale des aléas littoraux” s'attache à mieux comprendre, modéliser et prévoir les aléas littoraux pour une grande diversité d'environnements (côte sableuse, estuaire, régime de marée …), aux échelles saisonnières à décennales, pour les façades atlantique et méditerranéenne de la France métropolitaine, de l'échelle locale à l'ensemble de la façade avec une résolution spatiale typiquement de centaines de mètres (e.g. trait de côte). La thèse abordera ce problème en se basant sur les outils statistiques et ceux de l'apprentissage automatique (« machine learning »). Sur un plan méthodologique, la thèse vise à surmonter les limites des outils « classiques » basés sur la corrélation en identifiant les liens de causalité entre les grands modes de variabilité climatique (NAO, WEPA, etc.), les forçages météo-océaniques (vagues, niveau d'eau) et les indicateurs de l'état du littoral (trait de côte, largeur de dune, …). En plus d'améliorer la compréhension des processus physiques générateurs des aléas côtiers, la thèse cherchera à évaluer si les modèles de machine learning causalement contraints montrent une capacité prédictive supérieure et une généralisation améliorée, en particulier pour les évènements extrêmes aux échelles temporelles visées (saisonnières à décennales), par rapport aux approches classiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The IRICOT targeted project within the PEPR IRIMA (–) aims to develop transdisciplinary knowledge to better inform coastal risk management and support societal adaptation to global change. Within this framework, WP3, entitled “Seasonal to Decadal Forecasting of Coastal Hazards,” focuses on improving the understanding, modeling, and prediction of coastal hazards across a wide range of environments (sandy coasts, estuaries, tidal regimes, etc.). The objective is to address timescales from seasonal to decadal, along both the Atlantic and Mediterranean coastlines of mainland France, from local scales to the scale of entire coastal sectors, with a typical spatial resolution on the order of hundreds of meters (e.g., shoreline position).

This PhD project will tackle these challenges using statistical approaches and machine learning techniques. Methodologically, it aims to overcome the limitations of traditional correlation-based methods by identifying causal relationships between large-scale modes of climate variability (e.g., NAO, WEPA), metocean forcings (waves, water levels), and indicators of coastal state (shoreline position, dune width, etc.).

Beyond improving the understanding of the physical processes driving coastal hazards, the project will also assess whether causally constrained machine learning models exhibit enhanced predictive skill and improved generalization, particularly for extreme events at seasonal to decadal timescales, compared to conventional approaches.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Other public funding

Funding further details

ANR Financement d'Agences de financement de la recherche