Cadre de Prédiction des Inondations Côtières Basé sur une Vision Profonde en Tenant Compte des Impacts du Changement Climatique et des Adaptations du Littoral

Face aux menaces croissantes liées au changement climatique en général et à la montée du niveau de la mer (SLR) en particulier, la nécessité de disposer de moyens informatiques efficaces pour estimer et analyser les risques potentiels d'inondation côtière s'est considérablement accrue. Les méthodes d'apprentissage supervisé basées sur les données constituent des candidats prometteurs capables d'accélérer considérablement ce processus, éliminant ainsi le goulot d'étranglement informatique associé aux simulateurs hydrodynamiques traditionnels basés sur la physique. Cependant, le développement de modèles prédictifs d'inondation côtière précis et fiables, en particulier ceux utilisant des techniques d'Apprentissage Profond (Deep Learning, DL), a été entravé par deux problèmes majeurs : (1) la rareté des données d'entraînement et (2) la sortie à haute dimension nécessaire pour l'élaboration de cartes d'inondation détaillées. Pour lever cette barrière, nous présentons un cadre systématique permettant l'entraînement de modèles prédictifs d'inondation côtière à haute fidélité basés sur la Vision Profonde dans des contextes à faibles volumes de données. Nous testons le flux de travail proposé sur différents modèles existants de vision, notamment une architecture entièrement basée sur les transformateurs et un Réseau Neuronal Convolutif (Convolutional Neural Network, CNN) avec des portes d'attention additives. De plus, nous introduisons une architecture CNN profonde spécifiquement conçue pour le problème de prédiction des inondations côtières. Ce modèle a été conçu en mettant l'accent sur sa compacité afin de répondre aux scénarios à ressources limitées et aux aspects liés à l'accessibilité. Les performances des modèles DL développés sont validées en comparaison avec les méthodes géostatistiques de régression couramment adoptées et les approches traditionnelles d'Apprentissage Automatique (Machine Learning, ML), montrant une amélioration substantielle de la qualité des prédictions. Enfin, nous concluons nos contributions en fournissant un ensemble de données soigneusement élaboré composé de cartes synthétiques d'inondation du littoral abou-dhabien générées par un simulateur hydrodynamique basé sur la physique, qui peut servir de référence pour évaluer les futurs modèles prédictifs d'inondation côtière.