Description du sujet de thèse

INTELLIGENCE ARTIFICIELLE POUR LE SUIVI ET LA PRÉVISION DES RISQUES DE FEUX ET DE LEUR IMPACT ÉCOLOGIQUE
Dans un contexte de réchauffement global et accéléré, les événements extrêmes se multiplient. L'évolution des conditions de températures et de sécheresse favorise le développement des feux de forêt et de végétation autour du Bassin Méditerranéen et plus largement en France. Les modèles actuels du danger météorologique de feux ne prennent pas en compte l’aléa humain et les facteurs explicatifs des feux de végétation ne sont actuellement modélisés que de manière empirique. L’objectif de cette thèse est d’introduire de nouvelles méthodes de prévision plus précises, faisant intervenir l’observation de la Terre et les techniques d’apprentissage automatique. On évaluera l’apport de l’apprentissage automatique et sa complémentarité avec les approches de modélisation classiques. On évaluera quelles sont les observations les plus pertinentes pour améliorer le suivi et la prévision du risque, pour divers types de paysages (forêts, cultures, zones naturelles protégées). Appliquées à l’Occitanie et à la France métropolitaine, les méthodes seront également validées à l’échelle mondiale. Dans un premier temps, les données jugées nécessaires (in situ, satellitaires, atmosphériques, …) seront rassemblées et prétraitées. Des modèles seront construits afin de répondre aux questions de recherche de la thèse. Ils seront spatialisés et validés sur l’Occitanie, la France métropolitaine, et l’échelle mondiale. Le travail de thèse impliquera l’analyse de données d’observations (in situ et satellitaires) et de sorties de modèles. Une bonne connaissance est requise des techniques de traitement et analyse de données, d’apprentissage automatique, et de codage informatique (Python, Fortran), ainsi qu’une connaissance de la modélisation des surfaces terrestres. Des compétences en communication écrite et orale sont également indispensables.
# Objectifs #
Météo-France apporte, dans le cadre de sa mission de sécurité des personnes et des biens, un soutien opérationnel aux acteurs de la lutte contre les feux et à la direction générale de la sécurité civile et de la gestion des crises. Ces actions font l’objet d’améliorations continues sur les diagnostics et modélisations utilisées sur le danger météorologique de feux de végétation. Ce projet va favoriser le développement d’un volet recherche associé à ce service, en introduisant de nouvelles méthodes de prévision du risque de feux de végétation ainsi qu’une précision géographique renforcée. Outre l’Occitanie et la France métropolitaine, le projet comportera un volet mondial, afin de valider les méthodes dans des situations climatiques et géographiques contrastées.
# Méthode #
De nombreuses données externes peuvent être intégrées dans des modèles de suivi du risque de feux, comme des données d’observation de la Terre. Les approches d’apprentissage profond permettent un traitement plus efficace de ces données. Aujourd’hui, ces approches reposant sur des données satellitaires restent déconnectées des autres modèles utilisant les prévisions météorologiques. Ces deux types d’approches ont aussi pour inconvénient de ne prendre aucune donnée provenant de modèles numériques des surfaces continentales. Or plusieurs variables fournies par ces modèles (contenu en eau du sol à diverses profondeurs, biomasse sèche en surface, …) ont un lien direct avec les facteurs explicatifs des feux de végétation, qui ne sont actuellement modélisés que de manière empirique. Ces données de surface modélisées forment un ensemble riche à exploiter dans un tel contexte. Leur association avec des données d’observation de la Terre pourrait améliorer les modèles de suivi du risque de feux. Météo-France développe un modèle des surfaces terrestres, ISBA (Interactions Sol, Biosphère, Atmosphère), utilisé dans diverses applications (conditions de surface pour la prévision numérique du temps et la modélisation du climat futur, simulation des ressources en eau en France). Un système d’assimilation de données satellitaires, LDAS-Monde (Land Data Assimilation System pouvant être utilisé sur toute région du monde), permet de corriger les simulations du modèle ISBA en intégrant des données satellitaires liées aux variables simulées par ISBA (par exemple le LAI, Leaf Area Index). Des études ont montré l’intérêt de l’approche LDAS pour le suivi de la végétation, des sécheresses, et de leur prévision. Voir par exemple Albergel et al. 2019 pour le cas de la vague de chaleur de 2018. Des travaux ont montré que l’IA rend possible la construction d’opérateurs d’observation pour l’assimilation de nouvelles données satellitaires dans le modèle ISBA (Corchia et al. 2023). Le système LDAS contribue à une meilleure connaissance de l’évolution des conditions de surfaces, déterminantes pour les risques non seulement des feux de forêts mais aussi des feux de végétation agricole. Ce système et les sorties modèles associées ne sont, pour le moment, pas exploitées dans de tels contextes.
# Résultats attendus #
- Démonstrateur de système de suivi et de prévision du risque de feu de végétation sur l’Occitanie en priorité, la France métropolitaine dans un second temps.
- Développement de l’utilisation de l’IA : opérateurs d’observation dans un système d'assimilation de données, fonction de transfert entre les données et les produits utilisables dans un contexte opérationnel de suivi et de prévision du risque de feux.
- Un inventaire des sources de données pertinentes pour la prévision du risque de feu ainsi qu’un nouveau jeu de données annotées.
- Validation de la méthodologie à grande échelle et mesure de l’apport de données satellitaires.

Contexte de travail

La thèse sera réalisée dans l'équipe VEGEO du Groupe de Météorologie de Moyenne Echelle du CNRM, à Toulouse, en collaboration avec IRIT (Toulouse).

Contraintes et risques

Néant.

Informations complémentaires

La thèse sera co-encadrée par Jean-Christophe Calvet (CNRM), Josiane Mothe (IRIT) et Bertrand Bonan (CNRM).