LEA ZUCCALI

Doctoral student, Polytech Annecy-Chambéry

__________________________________________________________________________________

Informations personnelles

E-mail :

lea.zuccali@univ-smb.fr

Office / Bureau :

A109

Address / Adresse :

LISTIC, 5 chemin de bellevue, CS80439, 74 944 Annecy Cedex

Reaserch team/ Group : 

AFuTé

__________________________________________________________________________________

Informations sur la thèse

Sujet : « Assimilation de données géodésiques pour une gestion en temps réel des risques naturels »    /   « Assimilation of geodetic data for risk assessment in near-real time by means of a particle filter »

Mots-clefs / Keywords : Assimilation de données, Volcanologie, Géodésie  –  Data assimilation, Volcanology, Geodesy

__________________________________________________________________________________________________________

Résumé / Abstract :

Cette thèse de doctorat est proposée en réponse à la disponibilité croissante et régulière de la quantité des données de télédétection et à l’exigence de prédiction opérationnelle des risques naturels. L’objectif principal est d’améliorer l’intégration en temps quasi réel des données de télédétection et des modèles géophysiques dynamiques pour la mitigation des risques naturels. Cette thèse est partiellement (50%) financée par le plan d’action national en Intelligence Artificielle. La pertinence de la méthodologie développée dans cette thèse 1) par rapport à l’actuel réside dans l’intégration des connaissances géophysiques (qui permet d’améliorer l’interprétation des résultats à des fins opérationnelles) et sa mise en oeuvre en temps quasi réel ; 2) par rapport aux tentatives précédentes d’améliorer l’interprétation en temps quasi réel des données InSAR en utilisant le filtre de Kalman (par exemple, Bato et al, 2017, Dalaison & Jolivet, 2020), réside dans la capacité à prendre en compte les statistiques d’erreur non gaussiennes (qui permettent une meilleur représentation de la réalité). La première application sera la volcanologie, en utilisant des données InSAR et GNSS, mais la méthodologie peut facilement être appliquée à d’autres risques naturels (par exemple, les glissements de terrain, les glissements lents…), ainsi qu’à des risques anthropiques comme les feux de forêt.

This Ph.D thesis is proposed along with the increasing and regular availability of the amount of remote sensing data and the response to the requirement of operational prediction of natural hazards. The main objective is to improve the near-real time integration of remote sensing data and dynamical geophysical models for the mitigation of natural hazards. This thesis is partly (50%) funded by the national action plan in Artificial Intelligence. The relevance of the methodology developed in this thesis 1) compared to the current emerging data-driven methods, lies in the incorporation of geophysical knowledge (which helps increasing the interpretability of the results for operational purposes) and its near real-time implementation; 2) compared to previous attempts to improve the near real-time interpretation of InSAR data base on the Kalman Filter (e.g. Bato et al, 2017, Dalaison & Jolivet, 2020), lies in the capability in taking non-Gaussian error statistics (which can better represent the reality) into account. First application will be in volcanology, using InSAR andGNSS data, but the methodology can easily be applied to other natural hazards (e.g. landslides, slow slip..), as well as to anthropogenic hazards like forest fires.

__________________________________________________________________________________________________________

Encadrantes / Supervisors : Yajing Yan (LISTIC) et Virginie Pinel (ISTerre)

Début de la thèse / Start of the thesis : Octobre 2022

Ecole doctorale / Doctoral school : Sciences, Ingénierie, Environnement (SIE)