Date limite de dépôt des candidatures : 29 mai 2023
Durée du post-doc : 15 mois – date de début envisagé: septembre 2023
Localisation : BRGM, Parc technologique Europarc, 24 Av. Léonard de Vinci, 33600 Pessac (avec des déplacements à prévoir à BRGM, Orléans, et Météo-France, Toulouse). Possibilité d’avoir une localisation principale à Orléans également.
Encadrements : Jérémy ROHMER, Sophie LECACHEUX, Déborah IDIER
Contexte
La submersion marine résulte de la combinaison de plusieurs processus physiques à différentes échelles de temps et d’espace (circulation atmosphérique, vagues, surcote, marée) ainsi que des conditions locales liées au site d’étude (bathymétrie et topographie, ouvrages de protection, etc.). La variété des processus et des échelles à prendre en compte rend ce phénomène très difficile à prévoir plusieurs heures ou jours à l’avance. Si les systèmes d’alerte dédiés aux submersions se sont beaucoup développés ces dernières années, ils suivent encore la plupart du temps une approche déterministe ou reposent sur des méthodes simplifiées. Aujourd’hui, les autorités et acteurs locaux des territoires à risque émettent le besoin d’avoir des prévisions de plus en plus précises et prenant en compte les incertitudes et les enjeux du territoire, ce qui nécessite de développer des approches probabilistes.
Les avancées récentes, en particulier en matière de calcul haute performance, ont facilité la migration des systèmes de prévision météorologiques vers un mode probabiliste (en anglais Ensemble Prediction Systems). Leur utilisation est de plus en plus répandue pour la prévision du risque d’inondation fluviale mais reste encore mineure pour la submersion marine. Un des obstacles majeurs reste le temps de calcul nécessaire pour produire des ensembles de cartes d’inondation à des résolutions spatiales utiles pour l’aide à la décision. Afin de surmonter ce défi, l’approche de méta-modélisation (basée sur des techniques de machine learning) a montré des résultats prometteurs (Lecacheux et al., 2021) et ouvre des perspectives opérationnelles pour la prévision (quasi-)temps réel de la submersion.
Description du projet
Le post-doc se déroulera dans le cadre du projet ANR ORACLES (projet collaboratif financé par l’Agence National pour la Recherche avec BRGM, Météo-France, UMR LASTIG et Keyros). Ce projet aborde les défis de production, de traduction et de visualisation relatifs à la prévision probabiliste des submersions marines et ses conséquences sur le territoire, avec comme site d’application le bassin d’Arcachon (Gironde, France).
Dans le cadre de projet, différentes approches de méta-modalisation pour prédire des cartes de submersion à partir des conditions de forçage météo-océanique (niveau d’eau au large, vagues, vents) ont été développées : (1) la première vise à prédire des classes de sévérité d’inondation à l’aide d’indicateurs agrégés comme l’aire inondée ; (2) la deuxième vise à prédire toute la carte des hauteurs d’eau à terre. Alors que l’approche (1) se base sur des méthodes de machine learning qui sont devenues standard (comme le krigeage ou les fonctions « radial basis »), l’approche (2) exige des techniques plus avancées combinant krigeage (Williams et Rasmussen 2006) et techniques de réduction de la dimension comme l’ACP fonctionnelle (Ramsay et Silverman 2005) qui consiste à projeter les cartes sur des espaces de plus faible dimension (voir p.e. Perrin et al., 2021).
Si ces approches ont montré de bons résultats sur plusieurs cas d’application (voir l’introduction de Rohmer et al., 2023; Idier et al., 2021), plusieurs questions restent ouvertes en particulier : la caractérisation des incertitudes impactant les différentes étapes de la chaine de traitement (prévision météo ensembliste, choix de modélisation et du type de méta-modèle, etc.) et la définition de l’approche qui répond le mieux aux besoins opérationnels des acteurs locaux.
Objectifs de la mission
Les trois objectifs du post-doc sont :
(1) Produire des prévisions ensemblistes à l’aide des deux approches de méta-modélisation pour les différentes communes du bassin d’Arcachon. Cela se basera sur des “rejeux” de prévisions ensemblistes de tempêtes récentes (comme Xynthia et Klaus), ainsi que pour des évènements synthétiques. Cette tâche sera conduite en collaboration avec Météo-France (en charge des prévisions ensemblistes des conditions de forçage).
(2) Analyser les contributions des différentes sources d’incertitude des deux approches :
- L’incertitude liée à la variabilité des membres de l’ensemble PEARP (Prévision d’Ensemble ARPege, 35 membres, résolution spatiale de 8 km) produit par Météo-France;
- L’erreur du méta-modèle liée au remplacement du code numérique par une approximation statistique ; en particulier, l’erreur de reconstruction liée au traitement des données spatialisées;
- L’incertitude liée au choix de l’approche de méta-modélisation pour faire le transfert depuis les conditions de forçage au large jusqu’à la réponse à terre.
(3) Explorer les différentes options pour transférer l’information sur les incertitudes pour aider le mieux possible à la décision en matière de gestion de crise. Cette tâche sera conduite en interaction avec les volets “Analyse des besoins utilisateurs” et “outil de géo-visualisation”, et the partenaires UMR LASTIG et Keyros.
Profile
Thèse de doctorat en ingénierie côtière ou en océanographie avec des compétences en probabilité/statistiques/ science des données, ainsi qu’en programmation et analyse de données (R ou Python).
Contacts
Jérémy ROHMER, Déborah IDIER, 3 avenue Claude Guillemin, 45060 Orléans, Cedex 2
Sophie LECACHEUX, Parc technologique Europarc, 24 Av. Léonard de Vinci, 33600 Pessac
Email : j.rohmer@brgm.fr ; s.lecacheux@brgm.fr ; d.idier@brgm.fr