Thèse Année : 2024

Assessing and predicting extreme events in Western France

Évaluation et prédiction des évenements extrêmes dans l’Ouest de la France

Résumé

Coastal regions are increasingly exposed to extreme events due to the combined impacts of climate change and urbanization. This thesis examines coastal hazards along France’s western coast, emphasizing storm prediction and the simulation of future vulnerability to coastal urban floodind. The research employs machine learning (ML) and deep learning (DL) approaches to improve hazard prediction and assess potential future risks. It introduces a novel methodology that combines Long Short-Term Memory (LSTM) and Extreme Gradient Boosting (XGBoost) to forecast storm features and occurrences along the western coast of France. Additionally, an urban development modeling system was applied to predict future expansion scenarios in the Vendée region, analyzing potential flood susceptibility under each scenario. An Artificial Neural Network combined with a Markov Chain was utilized to simulate three future urban growth scenarios; business-as-usual, environmental protection, and strategic urban planning. High-risk flood zones and future sea level rise estimates were then used to assess future flood risk under each growth scenario. The research findings demonstrate the efficiency of LSTM and XGBoost in predicting storm characteristics and occurrences. Moreover, the urban growth modeling approach forecasts future development sites and specific urban areas vulnerable to flooding, allowing for the evaluation of the impact of various development trajectories on future flood risk. This thesis contributes to coastal hazard prediction, urban planning, and risk management, providing useful tools for improving resilience and sustainability in coastal zones.
Les régions côtières sont de plus en plus exposées à des événements extrêmes en raison des impacts combinés du changement climatique et de l’urbanisation. Cette thèse examine les risques côtiers le long de la côte ouest de la France, en mettant l’accent sur la prévision des tempêtes et de la simulation de la vulnérabilité future aux inondations côtières. Des approches d’apprentissage automatique et d’apprentissage profond ont été utilisées pour améliorer la prédiction des aléas et évaluer les risques futurs. Une nouvelle méthodologie combinant Long Short-Term Memory (LSTM) et Extreme Gradient Boosting (XGBoost) est proposée pour prévoir les caractéristiques et l’occurrence des tempêtes le long de la côte ouest de la France. Parallèlement, un système de modélisation du développement urbain a été appliqué pour prédire les scénarios d’expansion future en Vendée, en analysant la susceptibilité aux inondations. Un réseau de neurones artificiel combiné à une chaîne de Markov a permis de simuler trois scénarios de croissance urbaine: statu quo, protection de l’environnement et planification urbaine stratégique. Les zones inondables à haut risque et les estimations de l’élévation future du niveau de la mer ont ensuite été utilisées pour évaluer les risques d’inondation futurs dans le cadre de chaque scénario de croissance. Les résultats montrent l’efficacité des modèles LSTM et XGBoost pour la prévision des caractéristiques et de l’occurrence des tempêtes. L’approche de modélisation de la croissance urbaine révèle les zones vulnérables aux inondations dans chaque scénario. Cette thèse fournit des outils pour renforcer la résilience et la durabilité dans les zones côtières.
Fichier principal
Vignette du fichier
FRIFRA.pdf (1.17 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04908208 , version 1 (23-01-2025)

Identifiants

  • HAL Id : tel-04908208 , version 1

Citer

Ayyoub Frifra. Assessing and predicting extreme events in Western France. Geography. Nantes Université; Centre marocain des sciences sociales -- Université Hassan II, Aïn Chock, Casablanca, 2024. English. ⟨NNT : 2024NANU2012⟩. ⟨tel-04908208⟩
0 Consultations
0 Téléchargements

Partager

More