La croissance des densités des populations humaines dans les zones côtières, en plus de l'augmentation de la fréquence et de l'intensité des risques côtiers résultant du changement climatique, crée de graves problèmes de sécurité et posent un certain nombre de défis aux gestionnaires et ingénieurs côtiers. Notre capacité de prévoir l'évolution des systèmes côtiers est une condition nécessaire pour une gestion efficace des côtes, y compris l'évaluation et l'atténuation des risques naturelles, et constitue depuis des décennies un objectif fondamental de la recherche côtière. Cependant, le processus d'évolution des côtes est complexe par nature, et prédire son développement dans le temps reste un défi pour les méthodologies actuelles.
L'absence d'ensembles de données représentatives permettant de suivre avec précision l'état et l'évolution des systèmes côtiers limite considérablement notre capacité à prévoir les changements côtiers en réponse aux différentes pressions naturelles et anthropiques. Les enquêtes traditionnelles sur le terrain sont largement utilisées dans la littérature sur les sciences côtières et ont joué un rôle important dans l'avancement de nos connaissances sur ces systèmes. Cependant, un certain nombre de coûts opérationnels et de contraintes limitent l'utilisation de ces techniques à quelques régions du monde, et à des résolutions temporelles éparses qui sont insuffisantes pour suivre efficacement les différents modes climatiques, l'impact des tempêtes et leur rétablissement, par exemple. La télédétection par satellite offre une série de technologies et de techniques permettant de surveiller fréquemment les zones côtières du monde entier à des résolutions temporelles élevées. Si la télédétection spatiale ouvre de nouvelles perspectives pour l'étude des environnements côtiers dans le monde entier, elle nécessite le développement de nouvelles méthodes de traitement des données pour traiter des flux importants de données d'observation de la Terre.
L'apprentissage automatique est un sous-domaine de l'intelligence artificielle qui vise à construire des algorithmes capables d'exploiter de grandes quantités de données d'exemple afin de construire des modèles prédictifs, et a été une composante essentielle de nombreuses avancées scientifiques ces dernières années. Compte tenu du flux continu de données à haute dimension enregistrées par de multiples constellations de satellites d'observation de la Terre, ainsi que des performances impressionnantes de l'intelligence artificielle moderne dans divers domaines scientifiques et industriels, l'intelligence artificielle est souvent adoptée dans les pipelines de traitement des données d'observation de la Terre afin d'augmenter ou de remplacer les analyses plus conventionnelles basées sur le traitement des signaux et des images. Cette thèse vise à examiner le potentiel et la capacité de la ML moderne dans deux problèmes importants de la science côtière où le potentiel de la ML reste relativement inexploré.
Dans cette thèse, l'apprentissage profond et l'apprentissage automatique interprétable sont appliqués aux problèmes de la bathymétrie dérivée des satellites et de la modélisation de l'évolution du trait de côte. Nous démontrons que l'apprentissage automatique est compétitif par rapport aux modèle actuelles basées sur la physique pour les deux tâches. En outre, nous montrons le potentiel de la ML pour automatiser un grand nombre de nos analyses de données côtières à grande échelle, afin d'obtenir une compréhension globale de l'évolution du littoral. Nous concluons notre travail en discutant des difficultés rencontrées, des limites des deux méthodologies de ML et de la manière dont elles peuvent être améliorées, ainsi que les perspectives à long terme qui peuvent être construites sur la base de ce travail. |
The ever-growing density of human populations in coastal areas, coupled with the increased frequency and intensity of coastal hazards resulting from climate change, create serious safety hazards and present a number of challenges to coastal managers and engineers. The ability to predict the evolution of coastal systems is a requirement for effective coastal management including risk assessment and mitigation, and has been a fundamental goal of coastal research for decades. However, the process of coastal evolution is complex by nature, and predicting its development through time remains challenging using current methodologies.
The absence of representative datasets which accurately track the state and evolution of coastal systems greatly limits our ability to predict coastal change in response to different natural and anthropogenic pressures. Traditional field surveys are used extensively in the Coastal Science literature, and have served as important assets in advancing our knowledge of these systems. However, a number of operational costs and constraints limit the use of these techniques to a few areas of the world, and to sparse temporal resolutions which are insufficient to effectively track different climatic modes, storm impact and recovery, for instance. Satellite-based Remote Sensing (RS) provides a series of technologies and techniques for frequently monitoring coastal areas around the globe at high temporal resolutions and scales. While space-borne RS unlocks the potential for studying coastal environments around the globe, it requires the development of novel data processing methodologies for handling large streams of Earth Observation data.
Machine Learning (ML) is a subfield of Artificial Intelligence which aims at constructing algorithms able to leverage large amounts of example data in order to construct predictive models, and has been a critical component of many scientific advancements in recent years. Given the continuous stream of high-dimensional data recorded by multiple Earth Observation satellite constellations, in addition to the impressive performance of modern ML across diverse scientific and industrial domains, ML is often adopted in EO data processing pipelines in order to augment or replace more conventional signal and image processing-based analysis. This thesis aims to examine the potential and capability of modern ML in two important problems in Coastal Science where the potential of ML remains relatively unexplored.
In this thesis, Deep Learning and Interpretable Machine Learning are applied to the problems of satellite-derived bathymetry and shoreline evolution modelling. We demonstrate that ML is competitive with current physics-based baselines on both tasks. Furthermore, we show the potential of ML in automating many of our large-scale coastal data analysis, towards gaining a global understanding of coastal evolution. We conclude our work by discussing the difficulties encountered, the limitations of both ML methodologies and how they can be improved, in addition to the long term perspectives that can be built upon this work. |