Predictive modeling and quantification of Natech risk by coupling extreme value theory and bayesian networks: pollutant transport by slope flows

Research project description :

NaTech risk (Natural Hazards Triggering Technological Disasters) refers to a technological accident initiated by a natural hazard. In a context of intensifying climate extremes, the vulnerability of industrial and agricultural infrastructures is increasing, particularly regarding floods—the most frequent triggers of such catastrophes. In areas with marked topography, runoff and fluid dynamics on slopes exacerbate the rapid propagation of pollutants (pesticides, metals, nitrates) toward downstream ecosystems and populations. Assessing these complex accidental chains currently faces three major scientific bottlenecks: (i) the rarity of extreme events, which renders classical statistics inadequate; (ii) the uncertainty inherent in cascading effects; and (iii) the lack of confrontation between numerical models and real-world field data. The central research question of this thesis is: How can Extreme Value Theory (EVT) and Bayesian Networks (BN) be coupled to build a predictive and dynamic model of NaTech risk?

The objective is to move beyond classical phenomenological models, which struggle to simulate the complexity of transfers during out-of-the-ordinary events, by developing an innovative methodological framework. The first step consists of characterizing the hazard. Here, the use of EVT to model the "fat tails" of precipitation and flood distributions (from 100-year to 1,000-year events) allows for the anticipation of extreme stresses on structures. The second step relies on modeling the accidental cascade. Bayesian Networks provide a formal structure for the causal chain (Flood → Loss of containment → Leak → Pollution) and propagate uncertainties probabilistically.

Finally, this project bridges the gap between deterministic and stochastic models by integrating field data. Unlike most purely numerical NaTech studies, this project relies on a corpus of real data through collaboration with the CRBE laboratory. It specifically benefits from two years of high-frequency monitoring data for pesticides, nitrates, and metals. Data series from the Auradé and La Save observatories enable the establishment of robust relationships between flow rates, Suspended Solids (SS), and pollutants that are not continuously measured. The exploitation of these data (topography, flow history, vulnerability indicators) ensures the calibration and validation of the models. Monte Carlo simulations ensure the propagation of uncertainty through the Bayesian Network, resulting in a probabilistic distribution of the pollution risk.

Ultimately, this work provides territorial managers with a decision-support tool capable of quantifying not only structural damage but, crucially, the environmental impact associated with these hybrid crises. Furthermore, this project is part of an ongoing close scientific collaboration with Okayama University (Japan). An international mobility period is planned with Professor MAEDA’s team to confront the developed models with diverse geomorphological contexts. This comparison serves as a major lever to validate the generic and transposable nature of the proposed methodology.

Description du sujet :  

Le risque NaTech (Natural Hazards Triggering Technological Disasters) caractérise la survenue d'un accident technologique déclenché par un aléa naturel. Dans un contexte d'intensification des extrêmes climatiques, la vulnérabilité des infrastructures industrielles et agricoles s'accroît, particulièrement face aux inondations, déclencheurs les plus fréquents de ces catastrophes.

En zone de topographie marquée, le ruissellement et la dynamique des fluides sur les versants exacerbent la propagation rapide des polluants (pesticides, métaux, nitrates) vers les écosystèmes et les populations en aval. L'évaluation de ces chaînes accidentelles complexes se heurte aujourd'hui à trois verrous scientifiques majeurs : (i) la rareté des événements extrêmes, rendant les statistiques classiques inadéquates, (ii) l'incertitude inhérente aux effets cascades et (iii) le manque de confrontation des modèles numériques avec des données de terrain réelles. La problématique centrale de cette thèse est la suivante : Comment coupler la Théorie des Valeurs Extrêmes (TVE) et les Réseaux Bayésiens (RB) pour construire un modèle prédictif et dynamique du risque NaTech ?

L’objectif est de dépasser les modèles phénoménologiques classiques, qui peinent à simuler la complexité des transferts lors d'événements hors-normes, en développant un cadre méthodologique innovant. La première étape consiste à caractériser l'aléa. Ici l’utilisation de la TVE pour modéliser les queues de distribution des précipitations et des crues (centennales à millénales) permet d'anticiper les sollicitations extrêmes sur les structures. La seconde étape repose sur la modélisation de la cascade accidentelle. Les Réseaux Bayésiens permettent de formaliser la chaîne causale (Inondation à Défaillance de confinement à Fuite à Pollution) et propager les incertitudes de manière probabiliste. Enfin Ce projet lève le verrou du dialogue entre les modèles déterministes et stochastiques en utilisant les données de terrain. Contrairement à la majorité des études NaTech purement numériques, ce projet s’appuie sur un corpus de données réelles grâce à la collaboration du laboratoire CRBE. Il bénéficie notamment des données de suivi haute fréquence sur 2 ans des pesticides, nitrates et métaux. Les chroniques des observatoires d'Auradé et de La Save permettent d'établir des relations robustes entre les débits, les Matières En Suspension (MES) et les polluants non mesurés en continu. L'exploitation de ces données (topographie, historiques d'écoulement, indicateurs de vulnérabilité) assure la calibration et la validation des modèles. La simulation de Monte Carlo assure la propagation de l'incertitude à travers le réseau bayésien, aboutissant à une distribution probabiliste du risque de pollution.

En définitive, ce travail fournit aux gestionnaires de territoire un outil d'aide à la décision capable de quantifier non seulement les dommages structurels, mais surtout l'impact environnemental associé à ces crises hybrides. Ce projet s’inscrit par ailleurs dans la continuité d'une collaboration scientifique étroite avec l’Université d’Okayama (Japon). Une mobilité internationale est programmée avec l’équipe du Professeur MAEDA afin de confronter les modèles développés à différents contextes géomorphologiques. Cette comparaison constitue un levier majeur pour valider le caractère générique et transposable de la méthodologie proposée.

Notre unité de recherche est placée sous la triple tutelle du CNRS, de l’Institut National Polytechnique de Toulouse et de l’Université Toulouse. Elle accueille 160 chercheurs, enseignants chercheurs, administratifs, techniciens et ingénieurs, et environ autant de doctorants, post-doctorants et stagiaires de tous niveaux. Au croisement des Sciences et de la Technologie, nos recherches, menées de front sur les plans expérimental et théorique, diffusent les dernières avancées scientifiques au cœur des procédés de transformation de la matière et de l’énergie.

Target Candidate: Rigorous Master’s graduate (or current student) with a focus on applied research.

Key Highlight: Includes an international research exchange at Okayama University 

Technical Requirements:

• Natural & technological risk management
• Simulation and modeling (Python)
• Quantitative risk analysis

Profil recherché : Diplômé(e) de Master (ou étudiant(e) en fin de cursus) rigoureux(se) et curieux(se), avec un fort intérêt pour la recherche appliquée.

Atout du poste : Comprend une mobilité internationale (échange de recherche) à l'Université d'Okayama, au Japon 

Compétences techniques :

• Gestion des risques naturels et technologiques.
• Simulation et modélisation (Python)
• Analyse quantitative des risques.