RINA - Démonstrateur d’utilisation de l’intelligence artificielle pour la gestion opérationnelle des risques naturels gravitaires géologiques | FEREC 2020

16/20 Livrable – Projet RINA – AAP Fondation Ferec / Novembre 2021 l’ANR au sein de l’axe H.16 : Interfaces : mathématiques, sciences du numérique – sciences du système Terre et de l’environnement. Le projet RINA a en effet permis la construction d’un consortium solide. Deux autres partenaires, les laboratoires ISTERRE (Grenoble/Chambéry) et le LIRIS (Lyon) se sont associés à cette dynamique. Indiquer le résumé de la pré-proposition quand il sera stabilisé. Le résumé de la préproposition soumise est indiqué ci-dessous. « Actuellement, la gestion du risque rocheux est majoritairement abordée par le biais de la construction d’ouvrages de protection, qui représente un coût souvent démesuré par rapport aux ressources financières des communes et opérateurs privés et constitue une solution im- possible à développer sur l’ensemble d’un bassin de risque. Une stratégie plus durable et agile de gestion du risque rocheux serait de prendre en compte l’influence des conditions météoro- logiques sur le niveau d’aléa et d’organiser la mise en œuvre de dispositifs de mitigation du risque en cas d’évolution défavorable (fermeture temporaire d’itinéraires routiers, mise en place de protections temporaires, etc.). Ce type de gestion dynamique du risque étant poten- tiellement associée à un cout socio-économique élevé, sa mise en place nécessite un proces- sus de décisions motivées. L’objectif de ce projet est de développer les moyens de passer d’une prise de décision à dire d’expert à une connaissance fine des relations entre l’occurrence d’éboulements et les for- çages climatiques, pour établir des modèles de comportement et faire de la prédiction. Cette problématique est abordée à travers les 3 axes du projet: -Fiabiliser la détection des éboulements, notamment avec l’utilisation des progrès technolo- giques pour l’acquisition de données massives et variées et leur exploitation par des méthodes de traitement améliorées, ainsi que par la confrontation des différentes sources de données (fusion de données). -Développer, à l’aide d’innovations en Intelligence Artificielle (IA), des modèles prédictifs effi- caces et avec des résultats interprétables par l’expert et donc aboutissant à leur traduction en potentiels coûts socio-économiques et règles opérationnelles de gestion du risque. -Adapter les modèles prédictifs à de nouveaux sites à moindre coût en appliquant des mé- thodes IA innovantes de transfert d’apprentissage, ainsi qu’en testant la pertinence des don- nées issues de dispositifs bas coût pour leur entraînement » 5. RÉFÉRENCES BIBLIOGRAPHIQUES Seules les références citées dans le rapport sont indiquées ici mais le travail s’est basé sur une bibliographie plus large citée dans les rapports en annexes. Batista,, Dominique. 2016. Analyse statistique de l'aléa chute de blocs sur la Route du Litto- ral Île de la Réunion : analyse de l’aléa résiduel après sécurisation et optimisation des règles de basculement. Rapport d’ expertise Delonca, A., Gunzburger, Y., Verdel, T., 2014. Statistical correlation between meteorological and rockfall databases, Natural Hazards and Earth System Sciences, 14,8, 1953--1964, 10.5194/nhess-14-1953-2014