Thèse Utilisation d'Observations Satellite et de Machine Learning pour la Prévision du Risque d'Avalanche à Haute Résolution Spatiale H/F - 31

Établissement : Institut National Polytechnique de Toulouse
École doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace
Laboratoire de recherche : CNRM - Centre National de Recherches Météorologiques
Direction de la thèse : Matthieu LAFAYSSE ORCID 0009000800954660
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-01T23:59:59Les avalanches représentent un défi pour les habitants et les infrastructures des zones de montagnes. Une des actions pour réduire le risque associé est l'information préventive du public et des autorités. Pour cela, nous avons besoin de connaître l'activité avalancheuse passée comme future. L'objectif de cette thèse est de tirer profit de l'observation satellite et de la modélisation du manteau neigeux à haute résolution pour la prévision du risque d'avalanche. Il s'agit de valoriser les images de rétrodiffusion SAR, permettant d'identifier les zones de dépôt d'avalanche avec une excellente couverture spatiale, en se basant sur les travaux de Kaushi et al., 2026. A partir des zones de dépôt et de la topographie, les zones de départ d'avalanche seront identifiées. Ces informations seront ensuite croisées avec d'autres sources de données sur l'activité avalancheuse pour construire une base de données de l'activité avalancheuse observée et bénéficier d'une connaissance fine, à haute résolution spatio-temporelle de l'activité avalancheuse passée. Ces informations seront mises en regard de la modélisation numérique à haute résolution spatiale (250 m) développée au Centre d'Études de la Neige. Un algorithme d'apprentissage automatique permettra de relier les conditions d'enneigement modélisées aux caractéristiques de l'activité avalancheuse attendue. Ce travail servira à concevoir un modèle de prévision solide et fiable de l'activité avalancheuse et approfondira notre compréhension des événements avalancheux historiques. L'enjeu est également d'améliorer et d'étendre notre capacité à anticiper des prévisions fiables du risque d'avalanches. À long terme, les outils développés dans cette thèse seront utilisés comme norme de référence pour évaluer les conditions d'avalanche actuelles, futures et historiques.

Les avalanches menacent les pratiquants de zone de montagne, mais aussi les infrastructures et certaines zones urbanisées. L'augmentation de l'exposition avec le développement des zones de montagne ces dernières décennies et l'augmentation de la population présente dans les zones d'aléa conduit a une augmentation du risque [Pörtner et al., 2019; Zgheib, 2022].

Dans ce contexte, la plupart des états confrontés au risque d'avalanches ont mis en place des réseaux d'observation et des outils de modélisation [Morin et al., 2020]. En France, deux principaux réseaux d'observation ont été développés : l'Enquête Permanente Avalanche (EPA, ONF/INRAE) [Bourova et al., 2016] avec l'observation d'environ 3 000 couloirs d'avalanches dans les Alpes et les Pyrénées françaises, et le réseau nivo-météorologique (coordonné par Météo-France) avec principalement des observateurs en stations de sports d'hiver [Giard et al., 2018]. Ces réseaux d'observation fournissent des observations quotidiennes de l'activité avalancheuse, mais leur couverture spatiale est très limitée. Des outils de modélisation ont également été développés permettant une couverture spatiale homogène et permettant la prévision a court terme de l'évolution du manteau neigeux, avec le modèle neigeux Crocus [Vionnet et al., 2012, Lafaysse et al., 2025]. Enfin, des outils de post-traitement pour analyser le manteau neigeux modélisé en termes de stabilité et de probabilité d'avalanche ont été développés sur la base de ce modèle. Des premiers modèles experts [e.g. Giraud et al., 2002], des modèles optimisés de type machine learning ont été développés, que ce soit des méthodes de plus proche voisins ou des méthodes basées sur des forêts aléatoire [e.g. Pérez-Guillén et al., 2022; Viallon-Galinier et al., 2023]. Néanmoins, la couverture spatiale reste grossière.

Afin de mieux représenter la grande variété des conditions d'enneigement dans les chaînes de montagnes et de représenter les nouveaux processus nécessaires à la compréhension des risques d'avalanche, tels que la neige soufflée, le CEN travaille actuellement à développer un système de modélisation à haute résolution (résolution horizontale de 250 m) [Lafaysse, 2023 ; Baron et al., 2024]. Cependant, les observations du réseau d'observation classique sont trop parcellaires pour évaluer le modèle et former des modèles d'apprentissage automatique afin de relier les conditions d'enneigement et l'activité avalancheuse prévue à la résolution du modèle.

Les satellites Sentinel-1, exploités par l'Agence spatiale européenne, permettent d'étudier la couverture neigeuse avec une haute résolution spatiale et un temps de revisite de 5 à 12 jours depuis 2014. Les images SAR (radar à synthèse d'ouverture) Sentinel-1 sont acquises à l'aide de la télédétection active dans la bande C et, grâce à leur sensibilité à la rugosité de la surface, entre autres paramètres, peuvent être utilisées pour détecter les changements locaux causés par les avalanches (augmentations locales de la rétrodiffusion). Cette propriété a été utilisée pour détecter les zones de dépôts d'avalanches à partir d'images SAR [Eckerstorfer & Malnes, 2015 ; Karbou et al., 2018 ; Coleou et al., 2018 ; Sinha et al., 2019ab]. Des évaluations aux échelles locales [e.g. Karas et al., 2022] ou régionales [e.g. Kaushik et al., 2026] ont montré un bon accord avec les observations de terrain et les analyses humaines.

A la fois les données d'observation et la modélisation à haute résolution sont désormais disponibles pour envisager la possibilité d'une prévision du risque d'avalanche à haute résolution spatiale. L'objectif de la thèse sera de valoriser les observations satellites à haute résolution spatiale, de les combiner avec d'autres sources d'observations au sol pour obtenir une base de donnée à haute résolution spatiale et temporelle de l'activité avalancheuse. Cette base de donnée sera utilisée pour entraîner un modèle d'IA chargé de relier les conditions de neige modélisées aux caractéristiques de l'activité avalancheuse attendue.

Une première partie, préparatoire, du doctorat aura pour objectif d'utiliser les images SAR pour identifier les avalanches et constituer une base de données sur l'activité avalancheuse observée dans les Alpes et les Pyrénées françaises. Ces travaux s'appuieront sur les travaux de [Karas et al., 2022], récemment exploités dans les environnements glaciaires [Kneib et al., 2024] qui permettent d'identifier les zones de dépôt des avalanches. L'objectif sera d'abord d'identifier les zones de départs correspondantes afin de relier ces observations aux conditions nivo-météorologiques ayant conduit au déclenchement des avalanches. Les détections par satellite seront ensuite combinées avec d'autres observations (réseaux EPA et SMN) afin de constituer une base de données agrégée d'observations d'avalanches à haute résolution spatio-temporelle. La haute résolution spatiale mais basse résolution temporelle des observations satellite sera notamment combinée au données du réseau SMN qui a une résolution temporelle quotidienne mais une échelle spatiale large. Le réseau EPA fournira notamment des données d'évaluation grâce à la présence dans cette base d'observations avec une position géographique et une indication de date de déclenchement précises. On disposera donc d'une base de donnée passée d'activité avalancheuse à haute résolution spatiale et temporelle qui servira de base à l'ensemble de la thèse.

A partir de cette base de données sur les avalanches à haute résolution spatio-temporelle , le coeur de la thèse, sera d'entraîner un modèle d'apprentissage automatique basé sur la modélisation de la neige. Il s'agit de mettre en relation les sorties du modèle de manteau neigeux et l'activité avalancheuse observée issue de la première phase de la thèse. Grâce à la haute résolution atteinte dans cette phase préparatoire, il sera possible de mettre en regard des simulations a haute résolution (250m) et inspiré du modèle de forêt aléatoire développé par Viallon-Galinier et al., 2023, afin d'analyser les conditions neigeuses simulées en termes de probabilité de déclenchement d'avalanches. Au-delà du nombre d'avalanches observées, la base de données agrégée sera utile pour de nouveaux indicateurs clés décrivant le risque d'avalanche [Statham et al., 2018], tels que la taille prévue des avalanches et les indicateurs agrégés de risque d'avalanche à l'échelle du massif. Lorsque les résultats de cette thèse seront transférés aux services opérationnels, ces nouveaux diagnostics seront utiles aux prévisionnistes d'avalanches pour synthétiser des modèles neigeux à haute résolution qui, autrement, fourniraient trop d'informations pour être utilisés directement par un prévisionniste humain.