Modelling coastal evolution with machine learning

Modélisation de l'évolution côtière par l'apprentissage automatique La croissance des densités des populations humaines dans les zones côtières, en plus de l'augmentation de la fréquence et de l'intensité des risques côtiers résultant du changement climatique, crée de graves problèmes de sécurité et posent un certain nombre de défis aux gestionnaires et ingénieurs côtiers. Notre capacité de prévoir l'évolution des systèmes côtiers est une condition nécessaire pour une gestion efficace des côtes, y compris l'évaluation et l'atténuation des risques naturelles, et constitue depuis des décennies un objectif fondamental de la recherche côtière. Cependant, le processus d'évolution des côtes est complexe par nature, et prédire son développement dans le temps reste un défi pour les méthodologies actuelles.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 prévoir les changements côtiers en réponse aux différentes pressions naturelles et anthropiques. Les enquêtes traditionnelles sur le terrain sont largement utilisées dans la littérature sur les sciences côtières et ont joué un rôle important dans l'avancement de nos connaissances sur ces systèmes. Cependant, un certain nombre de coûts opérationnels et de contraintes limitent l'utilisation de ces techniques à quelques régions du monde, et à des résolutions temporelles éparses qui sont insuffisantes pour suivre efficacement les différents modes climatiques, l'impact des tempêtes et leur rétablissement, par exemple. La télédétection par satellite offre une série de technologies et de techniques permettant de surveiller fréquemment les zones côtières du monde entier à des résolutions temporelles élevées. Si la télédétection spatiale ouvre de nouvelles perspectives pour l'étude des environnements côtiers dans le monde entier, elle nécessite le développement de nouvelles méthodes de traitement des données pour traiter des flux importants 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'exemple afin de construire des modèles prédictifs, et a été une composante essentielle de nombreuses avancées scientifiques ces dernières années. Compte tenu du flux continu de données à haute dimension enregistrées par de multiples constellations de satellites d'observation de la Terre, ainsi que des performances impressionnantes de l'intelligence artificielle moderne dans divers domaines scientifiques et industriels, l'intelligence artificielle est souvent adoptée dans les pipelines de traitement des données d'observation de la Terre afin d'augmenter ou de remplacer les analyses plus conventionnelles basées sur le traitement des signaux et des images. Cette thèse vise à examiner le potentiel et la capacité de la ML moderne dans deux problèmes importants de la science côtière où le potentiel de la ML reste relativement inexploré.Dans cette thèse, 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. Nous démontrons que l'apprentissage automatique est compétitif par rapport aux modèle actuelles basées sur la physique pour les deux tâches. En outre, nous montrons le potentiel de la ML pour automatiser un grand nombre de nos analyses de données côtières à grande échelle, afin d'obtenir une compréhension globale de l'évolution du littoral. Nous concluons notre travail en discutant des difficultés rencontrées, des limites des deux méthodologies de ML et de la manière dont elles peuvent être améliorées, ainsi que les perspectives à long terme qui peuvent être construites sur la base de ce travail.