Jumeau numérique probabiliste pour la prévision, l’alerte et la prévention des risques naturels à déclenchement rapide dans les petits bassins versants de montagne

Description du sujet

Les phénomènes naturels à déclenchement rapide (crues éclair, montées soudaines des eaux, phénomènes torrentiels) représentent un défi majeur pour les territoires de montagne. Leur dynamique est caractérisée par de fortes incertitudes, des temps de réaction très courts et une disponibilité limitée des données, rendant difficile l'utilisation opérationnelle des approches déterministes classiques.

Cette thèse s'inscrit dans le projet européen Interreg POCTEFA RISKRAPID consacré au développement de systèmes de prévision, d'alerte et de prévention des risques naturels à déclenchement rapide dans les petits bassins versants de montagne. Le projet réunit des partenaires français et espagnols autour du développement de nouvelles approches d'observation, de modélisation et d'aide à la décision pour la gestion des risques naturels.

L'objectif scientifique de la thèse est de développer un jumeau numérique probabiliste capable de représenter, prédire et expliquer l'évolution de phénomènes hydrologiques rapides à partir d'un réseau distribué de capteurs hydrométéorologiques. Contrairement aux approches reposant exclusivement sur des modèles physiques ou sur des méthodes d'apprentissage automatique de type boîte noire, l'approche proposée s'appuiera sur les réseaux bayésiens dynamiques afin de combiner connaissances expertes, données d'observation et gestion explicite des incertitudes.

La recherche visera à répondre à plusieurs verrous scientifiques :

• Comment représenter de manière probabiliste la propagation spatio-temporelle de phénomènes rapides dans des bassins versants partiellement instrumentés ?
• Comment exploiter conjointement des observations hétérogènes (hauteurs d'eau, vitesses d'écoulement, précipitations, informations géographiques) dans un cadre cohérent et explicable ?
• Comment concevoir des modèles transférables vers des bassins peu ou non instrumentés ?
• Comment optimiser le positionnement de capteurs afin de maximiser la capacité prédictive du système tout en limitant les coûts d'instrumentation ?
• Comment transformer des prévisions probabilistes en indicateurs directement exploitables par les gestionnaires de crise et les services de secours ?

Les travaux s'articuleront autour de quatre axes principaux :

Axe 1 – Jumeau numérique probabiliste des bassins versants

Développement d'une architecture originale de réseaux bayésiens dynamiques permettant de représenter la structure spatiale des bassins versants, les mécanismes de propagation des phénomènes hydrologiques et les différentes sources d'incertitude.

Axe 2 – Instrumentation intelligente et optimisation des réseaux de capteurs

Développement de méthodes d'analyse de l'information et d'optimisation permettant d'identifier les emplacements les plus pertinents pour l'installation de nouveaux capteurs et d'évaluer la valeur informationnelle des observations disponibles.

Axe 3 – Prévision probabiliste et systèmes d'alerte

Développement d'algorithmes de prévision à court terme du dépassement de seuils critiques et de mécanismes d'alerte probabilistes adaptés aux besoins opérationnels des acteurs de terrain.

Axe 4 – Cartographie dynamique du risque et aide à la décision

Couplage du jumeau numérique avec des systèmes d'information géographique afin de produire des cartes dynamiques intégrant simultanément l'aléa, l'exposition et la vulnérabilité. Les résultats devront être directement exploitables par les services de secours et les gestionnaires de crise.

Les contributions attendues concernent à la fois les domaines du génie industriel, des systèmes complexes, de l'intelligence artificielle explicable et de la gestion des risques naturels. Les travaux donneront lieu à des expérimentations sur des sites pilotes instrumentés dans les Pyrénées franco-espagnoles et à des publications dans des revues internationales de premier plan.

Le doctorant évoluera dans un environnement fortement interdisciplinaire associant chercheurs en génie industriel, spécialistes des risques naturels, acteurs institutionnels et services opérationnels impliqués dans la gestion des crises.

 

Description of the topic

Rapid-onset natural phenomena (flash floods, sudden rises in water levels, torrential events) pose a major challenge for mountainous regions. Their dynamics are characterized by significant uncertainties, very short response times, and limited data availability, making it difficult to apply traditional deterministic approaches in an operational context.

This thesis is part of the European Interreg POCTEFA RISKRAPID project dedicated to the development of forecasting, warning, and prevention systems for rapidly occurring natural hazards in small mountain watersheds. The project brings together French and Spanish partners to develop new approaches to observation, modeling, and decision support for natural hazard management.

The scientific objective of the thesis is to develop a probabilistic digital twin capable of representing, predicting, and explaining the evolution of rapid hydrological phenomena based on a distributed network of hydrometeorological sensors. Unlike approaches relying exclusively on physical models or black-box machine learning methods, the proposed approach will utilize dynamic Bayesian networks to combine expert knowledge, observational data, and explicit uncertainty management.

The research will aim to address several scientific challenges:

• How can the spatiotemporal propagation of rapid phenomena in partially instrumented watersheds be represented probabilistically?
• How can heterogeneous observations (water levels, flow velocities, precipitation, geographic information) be jointly utilized within a coherent and explainable framework?
• How can we design models that are transferable to basins with few or no instruments?
• How can we optimize sensor placement to maximize the system’s predictive capacity while limiting instrumentation costs?
• How can we transform probabilistic forecasts into indicators that can be directly used by crisis managers and emergency services?

The research will focus on four main areas:

Area 1 – Probabilistic digital twin of watersheds

Development of an original architecture of dynamic Bayesian networks capable of representing the spatial structure of watersheds, the propagation mechanisms of hydrological phenomena, and the various sources of uncertainty.

Axis 2 – Smart instrumentation and optimization of sensor networks

Development of information analysis and optimization methods to identify the most relevant locations for installing new sensors and to evaluate the informational value of available observations.

Axis 3 – Probabilistic forecasting and warning systems

Development of short-term forecasting algorithms for the exceedance of critical thresholds and probabilistic warning mechanisms tailored to the operational needs of field personnel.

Axis 4 – Dynamic risk mapping and decision support

Integration of the digital twin with geographic information systems to produce dynamic maps simultaneously incorporating hazard, exposure, and vulnerability. The results must be directly usable by emergency services and crisis managers.

Expected contributions cover the fields of industrial engineering, complex systems, explainable artificial intelligence, and natural risk management. The research will involve experiments at instrumented pilot sites in the French-Spanish Pyrenees and publications in leading international journals.

The PhD student will work in a highly interdisciplinary environment bringing together industrial engineering researchers, natural hazard specialists, institutional stakeholders, and operational services involved in crisis management.

L’Université de Technologie Tarbes Occitanie Pyrénées (UTTOP) est un établissement public d’enseignement supérieur et de recherche spécialisé dans les sciences et technologies de l’ingénieur. Située à Tarbes, au cœur du sud-ouest européen et à proximité immédiate de l’Espagne, l’université développe des activités de recherche reconnues dans les domaines des systèmes complexes, du génie industriel, de l’intelligence artificielle, de la science des données, de l’énergie, de la mécanique et de la gestion des risques.

L’UTTOP entretient des relations étroites avec les acteurs industriels, institutionnels et territoriaux et participe à de nombreux projets nationaux et européens. Son positionnement transfrontalier constitue un atout particulier pour le développement de collaborations scientifiques à l’échelle des Pyrénées et de l’espace européen.

Le doctorant sera accueilli au sein du Laboratoire Génie de Production (LGP), unité de recherche de l’UTTOP. Le laboratoire développe des recherches en génie industriel et en ingénierie des systèmes complexes, avec des compétences reconnues dans les domaines de l’aide à la décision, de l’optimisation, de la fiabilité, de la transformation numérique, de l’intelligence artificielle, de la science des données et de la gestion des risques.

Le LGP rassemble enseignants-chercheurs, doctorants et partenaires académiques ou industriels autour d’une approche systémique des problématiques d’ingénierie. Ses travaux portent aussi bien sur les systèmes industriels que sur les systèmes territoriaux, environnementaux ou socio-techniques.

La thèse sera réalisée au sein du département scientifique « Systèmes », dont les activités concernent notamment la modélisation, l’évaluation et l’aide à la décision pour les systèmes complexes. Les recherches menées mobilisent des approches avancées telles que les réseaux bayésiens, les jumeaux numériques, l’intelligence artificielle explicable, les méthodes probabilistes et l’analyse de données massives.

Cette thèse s’inscrit dans le cadre du projet européen Interreg POCTEFA RISKRAPID consacré au développement de systèmes de prévision, d’alerte et de prévention des risques naturels à déclenchement rapide dans les petits bassins versants de montagne.

Le doctorant évoluera dans un environnement de recherche fortement interdisciplinaire, à l’interface entre génie industriel, intelligence artificielle, hydrologie, géomatique, gestion des risques naturels et aide à la décision. Il travaillera en interaction avec des partenaires académiques, institutionnels et opérationnels français et espagnols impliqués dans le projet.

Cette dynamique offrira au doctorant des opportunités de collaborations internationales, de participation à des conférences scientifiques de premier plan et de publication dans des revues internationales reconnues.

Un cadre de vie privilégié

Implantée à Tarbes, au pied des Pyrénées, l’UTTOP bénéficie d’un environnement naturel exceptionnel. La proximité immédiate de sites de montagne, d’espaces naturels remarquables et de la frontière espagnole offre un cadre particulièrement attractif pour les étudiants et les chercheurs.

Rejoindre l’UTTOP et le LGP, c’est intégrer une équipe de recherche à taille humaine, reconnue pour la qualité de son accompagnement doctoral, tout en participant à un projet européen ambitieux ayant un impact direct sur la prévention des risques naturels et la sécurité des populations.

 

The Tarbes Occitanie Pyrénées University of Technology (UTTOP) is a public institution of higher education and research specializing in engineering sciences and technologies. Located in Tarbes, in the heart of southwestern Europe and in close proximity to Spain, the university conducts recognized research in the fields of complex systems, industrial engineering, artificial intelligence, data science, energy, mechanics, and risk management.

UTTOP maintains close ties with industrial, institutional, and regional stakeholders and participates in numerous national and European projects. Its cross-border location is a particular asset for developing scientific collaborations across the Pyrenees and the European region.

The doctoral student will be based at the Production Engineering Laboratory (LGP), a research unit within UTTOP. The laboratory conducts research in industrial engineering and complex systems engineering, with recognized expertise in the fields of decision support, optimization, reliability, digital transformation, artificial intelligence, data science, and risk management.

The LGP brings together faculty researchers, doctoral students, and academic or industrial partners around a systems-based approach to engineering challenges. Its work focuses on industrial systems as well as territorial, environmental, and socio-technical systems.

The thesis will be conducted within the “Systems” scientific department, whose activities focus in particular on modeling, evaluation, and decision support for complex systems. The research employs advanced approaches such as Bayesian networks, digital twins, explainable artificial intelligence, probabilistic methods, and big data analysis.

This thesis is part of the European Interreg POCTEFA RISKRAPID project dedicated to the development of rapid-response forecasting, warning, and prevention systems for natural hazards in small mountain watersheds.

The PhD student will work in a highly interdisciplinary research environment, at the intersection of industrial engineering, artificial intelligence, hydrology, geomatics, natural risk management, and decision support. They will collaborate with French and Spanish academic, institutional, and operational partners involved in the project.

This dynamic will offer the PhD student opportunities for international collaboration, participation in leading scientific conferences, and publication in recognized international journals.

A Privileged Living Environment

Located in Tarbes, at the foot of the Pyrenees, UTTOP benefits from an exceptional natural environment. The immediate proximity to mountain sites, remarkable natural areas, and the Spanish border offers a particularly attractive setting for students and researchers.

Joining UTTOP and the LGP means becoming part of a close-knit research team, recognized for the quality of its doctoral support, while participating in an ambitious European project with a direct impact on natural hazard prevention and public safety.

Le candidat devra être titulaire d’un Master 2 ou diplôme équivalent dans l’un des domaines suivants :

• Génie Industriel ;
• Informatique ;
• Science des données ;
• Intelligence artificielle ;
• Mathématiques appliquées ;
• Modélisation des systèmes ;
• Hydrologie ou hydraulique.

Compétences recherchées :

• probabilités, statistiques et modélisation probabiliste ;
• apprentissage automatique et intelligence artificielle ;
• programmation scientifique (Python souhaité) ;
• traitement et analyse de données ;
• modélisation de systèmes complexes ;
• aptitude à travailler à l’interface entre recherche académique et partenaires opérationnels.

Une expérience en réseaux bayésiens, systèmes dynamiques, gestion des risques, hydrologie ou SIG constituera un atout apprécié mais n’est pas indispensable.

Le candidat devra démontrer une forte motivation pour la recherche, de bonnes capacités rédactionnelles en français et en anglais, ainsi qu’une aptitude au travail collaboratif dans un contexte international et interdisciplinaire.


 

The candidate must hold a Master’s degree or equivalent in one of the following fields:

• Industrial Engineering;
• Computer Science;
• Data Science;
• Artificial Intelligence;
• Applied Mathematics;
• Systems Modeling;
• Hydrology or Hydraulics.

Desired skills:

• probability, statistics, and probabilistic modeling;
• machine learning and artificial intelligence;
• scientific programming (Python preferred);
• data processing and analysis;
• complex systems modeling;
• ability to work at the interface between academic research and operational partners.

Experience in Bayesian networks, dynamical systems, risk management, hydrology, or GIS is a plus but not required.

The candidate must demonstrate a strong motivation for research, good writing skills in French and English, and the ability to work collaboratively in an international and interdisciplinary context.