Advancing methods for urban flood risk assessment: from realistic design storms to generalizable data-driven flood modeling

Les inondations pluviales urbaines constituent un risque à l’échelle globale, entraînant des pertes considérables. La croissance démographique et l’augmentation de la concentration des biens dans les villes, l’extension des surfaces imperméables et l’intensification des précipitations extrêmes sont autant d’éléments qui vont contribuer à accroître le risque d’inondations pluviales dans les décennies à venir. Par ailleurs, la non-stationnarité et l’incertitude tant au niveau des aléas que de l’exposition constituent un défi majeur pour l’évaluation de l’évolution du risque d’inondations pluviales. En effet, les approches traditionnelles de modélisation des inondations urbaines, fondées sur des scénarios de pluie simplifiés et des simulations informatiques très coûteuses, présentent des limites pour représenter la variabilité des précipitations, prendre en compte l’incertitude et permettre des analyses stochastiques afin de fournir des évaluations de risques robustes. 

Cette thèse propose de nouvelles méthodes pour mieux évaluer les risques d’inondation en milieu urbain. Elle développe d’abord une approche permettant de générer des pluies extrêmes plus réalistes. Contrairement aux méthodes classiques, qui utilisent des scénarios simplifiés, cette approche reproduit la variabilité observée dans les événements de pluie réels. Les résultats montrent que les méthodes traditionnelles ont tendance à surestimer certaines précipitations extrêmes et peuvent donc modifier l’estimation du risque d’inondation.

La thèse étudie ensuite l’impact de ces différences sur les inondations simulées. Les analyses montrent que la manière dont on représente les pluies extrêmes influence fortement les estimations des zones inondées et des dommages potentiels. Ces résultats soulignent l’importance d’utiliser des approches capables de mieux représenter l’incertitude et la diversité des événements météorologiques.

Enfin, cette thèse développe un modèle d’intelligence artificielle capable de cartographier rapidement les inondations urbaines. Ce modèle a été conçu pour fonctionner dans différents environnements urbains et pour mieux s’adapter à des situations qu’il n’a jamais rencontrées auparavant. Les résultats montrent qu’il est plus performant et plus flexible que les approches existantes. De plus, il peut être adapté efficacement à de nouvelles villes grâce à des techniques d’apprentissage par transfert.

Dans l’ensemble, ces travaux contribuent à une meilleure évaluation des risques d’inondation urbaine, plus robuste et plus efficace sur le plan informatique. En proposant des avancées à la fois en matière de modélisation stochastique des précipitations et de la simulation d’inondations basée sur l’apprentissage automatique, ils fournissent de nouveaux outils permettant de mieux prendre en compte l’incertitude dans les projections d’inondations futures, favorisant ainsi une meilleure prise de décision en matière de résilience urbaine et de réduction des risques.