EXPLOITATION DES DONNEES SATELLITAIRES POUR CARACTERISER LA RUGOSITE DES INONDATIONS EXTREMES

Présentation

Durée : 3 ans

1 Contexte de la recherche et objectif de la thèse

La simulation d’inondations induites par des crues extrêmes (par ex. pour cartographier des zones inondables lors d’une crue de période de retour 100 ans dans le cadre des Plans de Prévention du Risque Inondation « PPRI ») repose aujourd’hui principalement sur des modèles hydrodynamiques bidimensionnels. Une simulation nécessite au préalable que les modèles exploités aient été vérifiés (d’un point de vue numérique) puis validés (c.a.d. testés sur des événements réels déjà observés). Notamment, il est essentiel de valider la valeur numérique de paramètres comme les coefficients de rugosité de la zone impactée par l’inondation.

Cette étape de l’étude, appelée « calage du modèle », repose principalement sur deux éléments :

• La disponibilité d’observations in situ (ex. laisses de crue, photographies aériennes de zones inondées, stations hydrométriques dans un cours d’eau, etc.) : dans ce cas, l’objectif du calage est de déterminer le ou les coefficient(s) de rugosité permettant de reproduire le plus fidèlement possible un ou plusieurs événements observés.
• Le dire d’expert : dans ce cas, les coefficients de rugosité sont généralement attribués en fonction du type du sol potentiellement impacté par l’événement d’inondation (ex. prairie, champs, zone urbaine, zone humide, etc.).

A l’heure actuelle, le calage du lit mineur (avant débordement) est effectué principalement à l’aide de données hydrométriques permettant de tester les coefficients de rugosité retenus sur plusieurs événements de crue (pas ou peu débordants). Pour ce qui concerne la plaine inondée, le calage du modèle repose sur un nombre peu significatif d’observation (ex. laisses de crue), parfois très lointaine dans le temps (par rapport à l’époque de l’étude) et qui ne couvrent pas l’ensemble du domaine numérique couvert par le phénomène étudié (ex. lorsque les crues débordantes sont moins intenses de celles retenues dans le cadre de l’étude), ce qui oblige l’utilisateur à définir les paramètres de rugosité à dire d’expert. Ainsi, la plaine inondable est divisée en zones en fonctions de l’occupation du sol (ex.zonage issu du Corine Land Cover). Ensuite, pour chaque zone d’occupation, un coefficient de rugosité (ex. coefficient de Strickler) est défini à partir des gammes de valeurs disponibles en littérature (ex. Chow, 1959 et 1984 ; Fisher et Dawson, 2003).

La démarche décrite repose sur des études « mono-dimensionnel » (lois de Strickler, lits composés, etc.) et sur des événements de crue (observés ou simulés) d’intensité inférieure à celle utilisée pour les crues de projet des études opérationnelles (crue de période de retour de 100 ans voir supérieure). Ce constat mène aux questions de recherche suivantes :

• Les valeurs numériques des coefficients de rugosités de la plaine inondée définis à dire d’expert dans le cadre des études d’inondation sont-elles adaptées aux phénomènes étudiés (fortes submersions de la plaine inondée) et à la modélisation bidimensionnelle ?
• Les zones d’occupation du sol à dire d’expert (caractérisées par une forte hétérogénéité spatiale du coefficient de rugosité) sont-elles adaptées à la bonne caractérisation des phénomènes d’inondation extrême ?

Dans ce contexte, l’objectif de cette thèse est de développer une nouvelle méthodologie d’étude
pour la caractérisation des coefficients de rugosité des modèles hydrodynamiques
bidimensionnels utilisés pour la simulation des crues extrêmes, en utilisant un maximum de
données observées. Pour cela, il est envisagé d’utiliser les observations satellitaires afin de repérer et
étudier des grands événements d’inondation (avec des fortes submersions des zones inondées). En
effet, les progrès significatifs des moyens d'observation des eaux continentales, notamment grâce aux
équipements orbitaux (mission satellitaire SWOT; missions satellitaires Sentinel (programme
Copernicus)...), permettent aujourd’hui l'utilisation de différents types de données pour la gestion des
ressources en eau.

Dans la littérature, il y a un nombre croissant d’études dont l’objectif est d’évaluer les apports de
l’utilisation de ces données et, en particulier, de développer des méthodes de valorisation des images
satellites RADAR d’inondations pour la caractérisation spatiale de l’aléa (ex. Lai et al., 2014, Rahman
et Di, 2017, Schumann et al., 2009). Notamment, un nombre croissant de chercheurs s’est focalisé sur
l’étude de l’évaluation de hauteurs et de volumes d’eau (Annis et al., 2022), sur la caractérisation des
débits et bathymétrie des cours d’eau (Moramarco et al., 2019), ainsi que sur l’évaluation des
incertitudes d’estimation des niveaux d’eau par introduction de concepts de cohérence hydraulique.
Néanmoins, à date, aucune étude n’a permis une nouvelle caractérisation des rugosités pour les zones
inondables, ce qui constitue la nouveauté principale de ce sujet de recherche.

2 Etapes de travail indicatives pour le projet de thèse

L’utilisation de systèmes de modélisation hydraulique bidimensionnelle permet de caractériser l’aléa
inondation. Par exemple, de nombreuses études sont réalisées à l’aide du système hydro-informatique
TELEMAC-MASCARET (http://www.opentelemac.org/), comprenant le code TELEMAC-2D, qui
permet de modéliser les écoulements à surface libre en milieu fluvial et maritime. Les résultats
numériques fournis par les codes de calcul doivent être comparés à des données de terrain afin de
s’assurer de la fiabilité de l’outil. Ce processus appelé validation inclut la phase dite de calage du
modèle. Le calage vise à reproduire des événements de référence aussi fidèlement que possible par un
ajustement de paramètres à base physique.
Le travail se composera des étapes suivantes :

Etape1 : étude bibliographique permettant (i) d’identifier les données (et les méthodes
d’acquisition) nécessaires pour la réalisation d’une étude inondation (données satellitaires,données de terrain lidar, données hydrologiques des cours d’eau, données d’occupation de sol,
etc.), (ii) de préparer un livrable exhaustif sur l’état de l’art relatif au sujet de thèse et (iii)
l’identification de zones géographiques (en Europe ou dans d’autres continents) caractérisées
par des évènements extrêmes relativement fréquents et susceptibles d’être utilisés comme
« cas d’étude » pour la méthodologie qui sera mise en place au cours de la thèse.

Etape 2 : développement d’un outil numérique (ex. scripts Python) permettant de récupérer les
données satellitaires d’inondation et d’extraire les niveaux d’eau pour la zone d’intérêt. Pour
cela, une attention particulière sera consacrée aux différentes méthodologies de classification
et analyse des images satellitaires (ex. utilisation de « Random Forest » reporté dans Belgiu et
Drăguţ, 2016) A l’issue de cette phase, il sera important d’évaluer l’ensemble des incertitudes
liées à cette étape de récupération de la donnée ;

Etape 3 : une fois les données récupérées, l’objectif de cette phase est de réaliser des
simulations hydrodynamiques à l’aide du code TELEMAC-2D permettant de caler (par
méthode d’inférence bayésienne, par exemple) de façon automatique les coefficients de
rugosité du modèle en quantifiant l’incertitude liée à cette étape de l’étude.

3 Compétences recherchées

Hydraulique à surface libre, connaissance de Linux, du Fortran et de Python, probabilités et
statistiques, autonomie et curiosité indispensables.

Références

Chow, VT (Editor) (1959, 1984). Handbook of applied hydrology. McGraw-Hill Book Co. New York,
680pp.

Fisher, K, Dawson, H (2003) Reducing Uncertainty in River Flood Conveyance – Roughness Review.
Project W5A-057. DEFRA / Environment Agency – Flood and Coastal Defence R&D
Programme.

Lai, X., Liang, Q., Yesou, H., Daillet, S. Variational assimilation of remotely sensed flood extents
using a 2-D flood model, Hydrol. Earth Syst. Sci., 18, 4325–4339, 2014.
https://doi.org/10.5194/hess-18-4325-2014

Rahman, M.S., Di, L. The state of the art of spaceborne remote sensing in flood management. Nat.
Hazards, 85, 1223–1248, 2017. https://doi.org/10.1007/s11069-016-2601-9Schumann, G., P. D. Bates, M. S. Horritt, P. Matgen, and F. Pappenberger (2009), Progress in integration of remote sensing–derived flood extent and stage data and hydraulic models, Rev. Geophys., 47, RG4001, doi:10.1029/2008RG000274 .

Moramarco, T., Barbetta, S., Bjerklie, D. M., Fulton, J. W., & Tarpanelli, A. River bathymetry
estimate and discharge assessment from remote sensing. Water Resour. Res., 55, 6692– 6711,
2019. https://doi.org/10.1029/2018WR024220

Belgiu, M, Drăguţ, L (2016), Random forest in remote sensing: A review of applications and future
directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, pp. 24-31,
https://doi.org/10.1016/j.isprsjprs.2016.01.011