Optimisation du pré positionnement des moyens des sapeurs-pompiers dans un contexte de vigilance inondationsur un territoire à risques // Optimizing the pre-positioning of firefighter resources in a flood monitoring context in an at-risk area

Cette thèse vise à développer une méthode ou un modèle d'aide à la décision pour le pré-positionnement optimal des moyens de secours lors d'une alerte inondation. Il s'agira de comprendre comment anticiper efficacement les inondations, afin de pré-positionner les moyens des sapeurs-pompiers de manière optimale sur un territoire à risques. De nombreux paramètres seront considérés : incertitudes météorologiques, topographie locales, évènements passés, expérience, infrastructures critiques, et évidemment les ressources disponibles.

Les principaux objectifs de la thèse sont :
• Identifier, analyser les facteurs de risque liés aux inondations (météo, topographie, réseaux hydrographiques, urbanisation, historique d'inondations, accessibilité, population à risque, etc.).
• Analyser les stratégies actuelles des SDIS en période de crise inondation et identifier les différentes approches dans divers pays européens
• Élaborer une méthode d'aide à la décision pour la préposition des moyens humains et matériels. L'optimisation de la localisation des ressources en temps réel peut être modélisée avec des algorithmes de type VRP (Vehicle Routing Problem) ou des approches multicritères (MCDA). L'IA et le machine learning commencent également à être mobilisés pour prédire les impacts et guider les décisions
• Tester la méthode sur un cas d'étude réel (un bassin versant, un département, etc.).
• Proposer un outil ou une interface simplifiée utilisable par les services opérationnels.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis aims to develop a decision-making method or model for the optimal prepositioning of
emergency resources during a flood alert. The goal will be to understand how to effectively anticipate
flooding in order to optimally preposition firefighter resources in a high-risk area. Numerous
parameters will be considered: meteorological uncertainties, local topography, past events,
experience, critical infrastructure, and, of course, available resources.

The main objectives of the thesis are:
• Identify and analyze flood risk factors (weather, topography, hydrographic networks, urbanization,
flood history, accessibility, at-risk population, etc.).
• Analyze current SDIS strategies during flood crises. Identify the different approaches in various
European countries.
• Develop a decision-support method for prepositioning human and material resources. Optimizing
resource location in real time can be modeled using VRP (Vehicle Routing Problem) algorithms or multi-criteria approaches (MCDA). AI and machine learning are also beginning to be used to predict impacts and guide decisions.
• Test the method on a real-life case study (a watershed?, a department?).
• Propose a simplified tool or interface that can be used by operational departments.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Cifre

CIFRE ANRT

Nîmes Université

583 Risques et Société

• Diplôme d'ingénieur ou Master 2 en mathématiques appliquées ou informatique ; • Connaissance ou intérêt avéré pour les risques climatiques, la fusion de données et les projets transdisciplinaires ; • Bonne maîtrise des méthodes d'analyses statistiques, économétriques, des modèles de ML, des outils de SIG et des langages de programmation (R et/ou Python) ; • Bonnes capacités rédactionnelles et de communication en français et en anglais ; • Rigueur et autonomie, aptitude à travailler en équipe.
Engineering degree or Master of Science in applied mathematics, computer science…; • Knowledge of or demonstrated interest in climate risks, data fusion, and transdisciplinary projects; • Good command of statistical and econometric analysis methods, ML models, GIS tools, and programming languages (R and/or Python); • Good writing and communication skills in French and English; • Rigor and autonomy, and the ability to work in a team.