L’augmentation du risque d’inondation fluviale ou de submersion littorale est déjà visible à travers des événements récents comme la tempête Xynthia et les inondations du Var qui ont causé des dizaines de morts en France. Ces événements dramatiques bien que d’ampleur limitée auraient justifié l’évacuation préventive des zones à fort risque, mais les conséquences pour la population seront bien plus importantes lorsque des agglomérations urbaines de plusieurs dizaines ou centaines de milliers d’habitants menaceront d’être partiellement ou totalement submergées par les flots. Cette possibilité est déjà d’actualité pour des grandes mégapoles mondiales comme Alexandrie et Bangkok, et menace en France des villes comme Tours, Paris ou Nice. De plus en plus conscientes de cette éventualité, les grandes villes côtières, estuariennes et fluviales de France, d’Europe et sur tous les continents vont être amenées à préparer des plans de secours et d’évacuation de masse pour faire face à des événements exceptionnels. L’élaboration de ces plans s’avère extrêmement complexe et délicate aussi bien pour des raisons techniques, organisationnelles, sociologiques et même politiques. La grande majorité des villes du monde soumises à un risque de catastrophe de grande ampleur ne disposent pas de ce type de plan et une recherche auprès de différentes sources montre qu’il existe peu ou pas d’outils opérationnels pour aider les responsables territoriaux à mettre en œuvre ces plans en phase de préparation et de gestion de crise. Nos travaux visent plus précisément à contribuer à l’élaboration d’une méthode d’aide à la décision d’évacuation s’appuyant sur les plans d’évacuations réalisés en phase de préparation. Nous proposons pour cela d’adapter les outils de la logique floue à un ensemble d’indicateurs de synthèse sélectionnés à partir d’une méthode de planification des évacuations développée par ailleurs au sein du laboratoire Avenues-GSU. Ces indicateurs retenus intègrent des données classiques sur le niveau d’aléa (prévision globale et niveaux d’eau locaux), la vulnérabilité du territoire et des habitants, mais aussi et c’est plus innovant sur la capacité des autorités et de la population à évacuer dans un cadre sécurisé. Le résultat final de cette méthode, appliquée à la dimension spatiale avec les logiciels MatLab et ArcGIS, est une carte de nécessité d’évacuation indiquant les zones les plus prioritaires à évacuer selon une analyse multicritères en logique floue. Elle a été expérimentée sur le site pilote de l’estuaire de la Gironde et la ville de Bordeaux, et les résultats théoriques comparés avec les inondations historiques de 1981 et 1999. On a également étudié un scénario 2 prospectif tenant compte du changement climatique et des conséquences d’une élévation du niveau de la mer de 1m au cours du 21ème siècle. Cette méthode et cet outil prototype devraient aider à termes les décideurs à mieux appréhender une situation complexe en phase de pré-alerte et à évaluer le besoin réel d’évacuation sur la base d’un ensemble limité mais représentatif d’indicateurs. La carte de nécessité d’évacuation représente une avancée qui prolonge et complète la cartographie officielle de la prévision inondation (vigicrue) et de ses conséquences en termes d’anticipation des impacts et de gestion de crise au niveau local. / The increasing risk of river flooding or coastal submersion is already visible through recent events like the storm Xynthia and the floods in the Var department, which caused several dozens of deaths in France. These catastrophic events, even if their extent remains relatively limited, would have justified a preventive evacuation of high risk prone areas. However, the consequences for the population would be much more serious when large cities of hundreds of thousands of people will be partially or totally threatened by floods. This possibility is already an actual danger for large megacities like Bangkok and Alexandria, and also threatens French cities like Tours, Paris or Nice. Being more and more aware of this possibility, big coastal, estuarine and river cities in France, in Europe and in all continents are incited to prepare emergency and mass evacuation plans in order to prevent and cope with exceptional events. The elaboration of these plans is extremely complex and difficult due to technical, organizational, sociological and even political aspects. The great majority of cities in the world prone to large scale disasters do not already have this kind of plan at their disposal. Moreover, the existing state of the art shows that there are few operational tools to help territorial managers implement these plans in the phases of preparation and crisis management. Our work aims to contribute to the development of a support method for the evacuation decision taken in a crisis management context. This method is partly based on the information included in the provisional evacuation plans produced in the preparation phase. To reach this objective, we propose to adapt the tools of the fuzzy logic approach and apply them to a set of synthesized indicators. These indicators or decision criteria have been first selected from a method of evacuation planning previously developed by the research team Avenues-GSU. These criteria integrate classic data on the hazard level (overall forecast level and local flood water levels), the vulnerability of the territory and population and, which is more innovative, some information about the ability of the organization to evacuate and the security or the risk of the evacuation itself. The final result of this method, applied to the spatial dimension with the Matlab and ArcGIS software, is a map of the necessity to evacuate. This map shows the areas with the highest priority to be evacuated according to a fuzzy multicriteria analysis. It has been tested 5 at the pilot site of the city of Bordeaux located upstream in the Gironde estuary, and the theoretical results were compared with historical floods of 1981 and 1999. A hypothetic flood scenario was also studied taking into account the potential climate change impact and the consequences of a 1 meter sea level rise during the 21st century. This method and prototype tool should help policymakers to better understand a complex situation in pre-alert phase and assess the real need for urban zones evacuation on the basis of a limited but representative set of criteria. The maps of the necessity to evacuate represents an innovative proposal which extend and complement the existing official maps of flood forecasting (vigicrue) and its implications in terms of local impacts and crisis management anticipation.

Reconstruire des champs géophysiques à partir d'observations bruitées et partielles est un problème classique bien étudié dans la littérature. L'assimilation de données est une méthode populaire pour aborder ce problème, et se fait par l'utilisation de techniques classiques, comme le filtrage de Kalman d’ensemble ou des filtres particulaires qui procèdent à une évaluation online du modèle physique afin de fournir une prévision de l'état. La performance de l'assimilation de données dépend alors fortement de du modèle physique. En revanche, la quantité de données d'observation et de simulation a augmenté rapidement au cours des dernières années. Cette thèse traite l'assimilation de données d'une manière data-driven et ce, sans avoir accès aux équations explicites du modèle. Nous avons développé et évalué l'assimilation des données par analogues (AnDA), qui combine la méthode des analogues et des méthodes de filtrage stochastiques (filtres Kalman, filtres à particules, chaînes de Markov cachées). Des applications aux modèles chaotiques simplifiés et à des études de cas de télédétection réelle (température de surface de lamer, anomalies du niveau de la mer), nous démontrons la pertinence d'AnDA pour l'interpolation de données manquantes des systèmes dynamiques non linéaires et à haute dimension à partir d'observations irrégulières et bruyantes.Motivé par l'essor du machine learning récemment, la dernière partie de cette thèse est consacrée à l'élaboration de modèles deep learning pour la détection et de tourbillons océaniques à partir de données de sources multiples et/ou multi temporelles (ex: SST-SSH), l'objectif général étant de surpasser les approches dites expertes. / Reconstructing geophysical fields from noisy and partial remote sensing observations is a classical problem well studied in the literature. Data assimilation is one class of popular methods to address this issue, and is done through the use of classical stochastic filtering techniques, such as ensemble Kalman or particle filters and smoothers. They proceed by an online evaluation of the physical modelin order to provide a forecast for the state. Therefore, the performanceof data assimilation heavily relies on the definition of the physical model. In contrast, the amount of observation and simulation data has grown very quickly in the last decades. This thesis focuses on performing data assimilation in a data-driven way and this without having access to explicit model equations. The main contribution of this thesis lies in developing and evaluating the Analog Data Assimilation(AnDA), which combines analog methods (nearest neighbors search) and stochastic filtering methods (Kalman filters, particle filters, Hidden Markov Models). Through applications to both simplified chaotic models and real ocean remote sensing case-studies (sea surface temperature, along-track sea level anomalies), we demonstrate the relevance of AnDA for missing data interpolation of nonlinear and high dimensional dynamical systems from irregularly-sampled and noisy observations. Driven by the rise of machine learning in the recent years, the last part of this thesis is dedicated to the development of deep learning models for the detection and tracking of ocean eddies from multi-source and/or multi-temporal data (e.g., SST-SSH), the general objective being to outperform expert-based approaches.

L’adaptation côtière est un impératif pour faire face à l’élévation du niveau marin,conséquence directe du réchauffement climatique. Cependant, la mise en place d’actions et de stratégies est souvent entravée par la présence de diverses et importantes incertitudes lors de l’estimation des aléas et risques futurs. Ces incertitudes peuvent être dues à une connaissance limitée (de l’élévation du niveau marin futur par exemple) ou à la variabilité naturelle de certaines variables (les conditions de mer extrêmes). La prise en compte des incertitudes dans la chaîne d’évaluation des risques est essentielle pour une adaptation efficace.L’objectif de ce travail est de proposer une méthodologie pour la quantification des incertitudes basée sur les fonctions de croyance – un formalisme de l’incertain plus flexible que les probabilités. Les fonctions de croyance nous permettent de décrire plus fidèlement l’information incomplète fournie par des experts (quantiles,intervalles, etc.), et de combiner différentes sources d’information. L’information statistique peut quand à elle être décrite par de fonctions des croyance définies à partir de la fonction de vraisemblance. Pour la propagation d’incertitudes, nous exploitons l’équivalence mathématique entre fonctions de croyance et intervalles aléatoires, et procédons par échantillonnage Monte Carlo. La méthodologie est appliquée dans l’estimation des projections de la remontée du niveau marin global à la fin du siècle issues de la modélisation physique, d’élicitation d’avis d’experts, et de modèle semi-empirique. Ensuite, dans une étude de cas, nous évaluons l’impact du changement climatique sur les conditions de mers extrêmes et évaluons le renforcement nécessaire d’une structure afin de maintenir son niveau de performance fonctionnelle. / Coastal adaptation is an imperative to deal with the elevation of the global sealevel caused by the ongoing global warming. However, when defining adaptationactions, coastal engineers encounter substantial uncertainties in the assessment of future hazards and risks. These uncertainties may stem from a limited knowledge (e.g., about the magnitude of the future sea-level rise) or from the natural variabilityof some quantities (e.g., extreme sea conditions). A proper consideration of these uncertainties is of principal concern for efficient design and adaptation.The objective of this work is to propose a methodology for uncertainty analysis based on the theory of belief functions – an uncertainty formalism that offers greater features to handle both aleatory and epistemic uncertainties than probabilities.In particular, it allows to represent more faithfully experts’ incomplete knowledge (quantiles, intervals, etc.) and to combine multi-sources evidence taking into account their dependences and reliabilities. Statistical evidence can be modeledby like lihood-based belief functions, which are simply the translation of some inference principles in evidential terms. By exploiting the mathematical equivalence between belief functions and random intervals, uncertainty can be propagated through models by Monte Carlo simulations. We use this method to quantify uncertainty in future projections of the elevation of the global sea level by 2100 and evaluate its impact on some coastal risk indicators used in coastal design. Sea-level rise projections are derived from physical modelling, expert elicitation, and historical sea-level measurements. Then, within a methodologically-oriented case study,we assess the impact of climate change on extreme sea conditions and evaluate there inforcement of a typical coastal defence asset so that its functional performance is maintained.