Les inondations pluviales se produisent typiquement lors de précipitations de courte durée et de forte intensité et se caractérisent par un ruissellement intense des eaux pluviales, provoquant divers types de dégâts. À l'instar des inondations fluviales (i.e. le débordement des rivières), les inondations pluviales sont estimées responsables de la moitié des sinistres dus chaque année aux inondations. Les écoulements intenses peuvent se produire potentiellement n'importe où, en particulier en dehors de la proximité des cours d'eau, et sur des laps de temps très courts. Par conséquent, les données in situ sont difficiles à recueillir et souvent incomplètes. Cette thèse vise à tirer parti de l’imagerie satellitaire à haute résolution pour identifier les empreintes des inondations pluviales au sol dans les jours qui suivent un événement météorologique extrême, et non les surfaces en eau inondées à proprement parler.
En premier lieu, des jeux de vérité terrain à grande échelle ont été générés sur trois événements dans le sud de la France après géo-référencement et labellisation de parcelles affectées. Puis, les produits optiques Sentinel-2 (S-2) ont été considérés pour leur résolution spatiale fine, leur fréquence de revisite globale élevée et leur gamme spectrale fournie. Des images de changement ont été produites à partir des données sans nuage les plus proches avant et après chaque événement afin de mettre en évidence des profils statistiques spécifiques dans les évolutions temporelles d’indices spectraux au sein des zones affectées. Des premiers travaux ont permis d'identifier les combinaisons optimales à exploiter dans un classifieur gaussien transférable orienté objet appelée SPCD, pour Sentinel Plot-based Change Detection. Des taux de détection ≥ 70% et des faux positifs ≤ 12% ont été obtenus sur les trois événements à l’aide d’indices spectraux VNIR comme le NDVI ou le NDWI. Ensuite, les cartes d'impact SPCD ont été mises en regard des mesures radar de précipitation des événements pour évaluer de manière approfondie la méthode de diagnostic IRIP©. Le modèle IRIP s'est avéré très performant, avec des proportions de parcelles endommagées d'autant plus importantes que les niveaux de susceptibilité étaient élevés, et encore plus importantes dans les zones les plus arrosées. Des améliorations structurelles pour IRIP ont été proposées dans une version dénommée IRIP++. Les principaux facteurs d’IRIP expliquant la localisation des dégâts pluviaux se sont avérés être le topographic wetness index et l’indicateur de susceptibilité à la production de ruissellement en amont. Ensuite, une deuxième méthode appelée FuSVIPR, pour Fusion of Sentinel-2 and Very high resolution Imagery for Pluvial Runoff, a été développée. L’objectif a été d’enrichir les images de changement S-2 par des images optiques post évènement à très haute résolution spatiale provenant des satellites Pléiades ou de capteurs aéroportés pour identifier les changements plus précisément et à l'échelle du pixel, à l’aide d’algorithmes tels que les forêts aléatoires ou les réseaux U-net. Les cartes d'impact finales apportent une résolution submétrique et présentent sur les trois sites de validation contrastés de bons taux de détection (≥ 75%) avec moins de faux positifs (≤ 2%) comparés à SPCD. Cette méthode a également été éprouvée avec des performances de classification similaires (77%) sur un événement supplémentaire récent en Afrique du Sud à l’aide de vérités terrain externes et dans des zones péri-urbaines. Ensuite, les cartes issues d’IRIP ainsi que de sa version potentiellement améliorée IRIP++ ont été à nouveau évaluées, cette fois-ci grâce aux données d'impact FuSVIPR. En parallèle, une méthodologie originale a été développée pour guider la désagrégation de précipitations extrêmes à l’aide d’un simulateur stochastique afin de produire des scénarios de pluie cohérents avec la répartition spatiale des inondations pluviales telle qu'identifiée dans les cartes FuSVIPR. |
Pluvial (or surface water) floods occur typically during short-term high-intensity rainfall events and are characterized by extreme overland flow of rainwater causing various types of damages to the land surface. Comparably to fluvial floods (i.e. when rivers overflow), pluvial floods have been estimated accountable for around half of all flood damage claims each year. Intense surface runoff can potentially occur anywhere, especially outside the vicinity of watercourses, and over very short time periods. Consequently, observational data associated with pluvial floods are very hard to come by and most sources cannot be considered exhaustive. This thesis aims at making the most of the growing availability of high-resolution satellite imagery to identify pluvial flood footprints on the ground in the days following a heavy weather event, not flooded water surfaces per se.
To start with, extended geo-referencing and labeling of areas affected by intense overland flow was carried out on three distinct events in the South of France. Then, open-source Sentinel-2 (S-2) optical products were considered for their fine spatial resolution, high worldwide revisit frequency and good spectral range. Change images were produced on each event from the closest cloud-free pre and post event data to determine specific statistical patterns in the temporal evolution of vegetation-/water-based spectral indices within affected areas. Initial works identified optimal combinations of S-2 indicators to successfully implement a transferable object-based Gaussian process classifier called SPCD, for Sentinel Plot-based Change Detection. Detection rates greater or equal than 70% and false positives lower than 12% were obtained on all three events using simple VNIR-based spectral indices like the NDVI or NDWI. Then, the resulting impact maps from SPCD were used to thoroughly evaluate the IRIP© susceptibility mapping method by considering rainfall intensity radar measurements of the events. The IRIP model was found very relevant as the proportions of damaged plots increased accordingly with higher susceptibility levels, and even more so when focusing on where precipitations were the heaviest. Structural improvements to IRIP were also suggested in a version called IRIP++. The main IRIP predictors for locating runoff damages turned out to be the topographic wetness index in association with the uphill runoff production susceptibility. Afterwards, a second generalizable method called FuSVIPR, for Fusion of Sentinel-2 and Very high resolution Imagery for Pluvial Runoff, was developed. It enriched the S-2 change images with post event very high spatial resolution optical imagery from Pléiades satellites or airborne sensors to identify land cover changes induced by pluvial floods more precisely and at the pixel level, using Random Forest or U-net algorithms. Submetric impact maps were eventually obtained on the three contrasted validation sites, displaying good accuracy (≥ 75% detection rates) and fewer false positives (≤ 2%) compared to SPCD. An additional recent validation event in South Africa with external ground truths confirmed the accuracy and transferability of the method in a suburban area with similar classification performances (77%). Then, IRIP as well as its suggested enhanced version IRIP++ were further demonstrated relevant, this time based on the FuSVIPR impact maps. In parallel, an original methodology was developed to support the downscaling of extreme rainfall using a stochastic simulator in order to produce fine-scale scenarios that are consistent with the spatial distribution of pluvial flood damages as identified in the FuSVIPR maps. |