Mémoires d'Actuariat
Analyse de la survenance d'un arrêté CAT-NAT de type submersion marine face au changement climatique à partir de l'Open Data et du Machine Learning
Auteur(s) DOUTHAUD A.
Société Deloitte
Année 2023
Confidentiel jusqu'au 09/03/2025
Résumé
Ce mémoire analyse l’évolution des inondations par submersion marine à partir de la fréquence des arrêtés Cat-Nat sur le littoral atlantique français, avec une prise en compte du changement climatique. Les conditions climatiques futures sont déterminées dans une large mesure par les émissions actuelles et futures de gaz à effet de serre. Dans ce contexte, les RCP 4.5 (intermédiaire) et 8.5 (plus pessimiste), du GIEC ont été utilisées. Avant de pouvoir réaliser un modèle reposant sur des méthodes de machine learning, le premier objectif est de construire une base à partir de données intégralement libres d’accès. Le second objectif est ensuite d’utiliser ces modèles afin de prédire la survenance des futurs arrêtés Cat-Nat. La variable modélisée est la déclaration/occurrence d’un arrêté Cat-Nat pour un jour J et un canton C. Le calibrage du modèle a nécessité la constitution d’une base de données d’apprentissage comprenant l’historique de 1990 à 2005 de l’ensemble des variables. Les projections de 2006 à 2020 des variables explicatives sont ensuite utilisées en entrée du modèle afin de déterminer la fréquence des submersions sur cette période. Afin de valider le modèle, une base de validation historique de la variable à expliquer de 2006 à 2020 a été exploitée. A partir d’une validation statistique, le modèle de Gradient Boosting a été retenu parmi trois méthodes d’algorithmes supervisés. Il apparaît que les départements les plus touchés par la tempête Xynthia de 2010 (Charente-Maritime et Vendée) restent très exposés au risque de submersion marine. L’ensemble de ces éléments ouvrent la voie à l’étude de ce risque atypique et à l’émergence de bonnes pratiques pour le secteur. En effet, la comparaison de RCP est liée à l’étude de scénarios qui devrait être généralisée dans les pratiques de gestion des risques.
Abstract
This thesis analyses Nat-Cat decrees to construct the frequency of coastal flooding on the French Atlantic coast, throughout the years until 2050. Future climate conditions are determined to a large extent by current and future greenhouse gas emissions. In this context, RCP 4.5 (intermediate) and 8.5 (more pessimistic), emissions scenarios of the Intergovernmental Panel on Climate Change (IPCC) were used. Before being able to implement a model based on machine learning methods, the first objective is to build a database from open-source data. The second objective is then to use these models to predict the occurrence of future Nat-Cat events. The calibration of the model required the establishment of a training database with data between 1990 to 2005 for all the variables. Projections of the explanatory variables from 2006 to 2020 are then used as an input to the model in order to determine the frequency of flooding over this period. In order to validate the model, a test was carried on the historical database from 2006 to 2020 of the variable to be explained. Using a statistical test for validation, the Gradient Boosting model was selected among three supervised algorithms methods. It appears that the departments most affected by the Xynthia storm of 2010 (Charente-Maritime and Vendée) remain highly exposed to the risk of coastal flooding. All of these elements open the way to the study of this atypical risk and the emergence of good practices for the sector. Indeed, the RCPs comparison is linked to the scenario study that should be generalized in risk management practices.
Auteur(s) DOUTHAUD A.
Société Deloitte
Année 2023
Confidentiel jusqu'au 09/03/2025
Résumé
Ce mémoire analyse l’évolution des inondations par submersion marine à partir de la fréquence des arrêtés Cat-Nat sur le littoral atlantique français, avec une prise en compte du changement climatique. Les conditions climatiques futures sont déterminées dans une large mesure par les émissions actuelles et futures de gaz à effet de serre. Dans ce contexte, les RCP 4.5 (intermédiaire) et 8.5 (plus pessimiste), du GIEC ont été utilisées. Avant de pouvoir réaliser un modèle reposant sur des méthodes de machine learning, le premier objectif est de construire une base à partir de données intégralement libres d’accès. Le second objectif est ensuite d’utiliser ces modèles afin de prédire la survenance des futurs arrêtés Cat-Nat. La variable modélisée est la déclaration/occurrence d’un arrêté Cat-Nat pour un jour J et un canton C. Le calibrage du modèle a nécessité la constitution d’une base de données d’apprentissage comprenant l’historique de 1990 à 2005 de l’ensemble des variables. Les projections de 2006 à 2020 des variables explicatives sont ensuite utilisées en entrée du modèle afin de déterminer la fréquence des submersions sur cette période. Afin de valider le modèle, une base de validation historique de la variable à expliquer de 2006 à 2020 a été exploitée. A partir d’une validation statistique, le modèle de Gradient Boosting a été retenu parmi trois méthodes d’algorithmes supervisés. Il apparaît que les départements les plus touchés par la tempête Xynthia de 2010 (Charente-Maritime et Vendée) restent très exposés au risque de submersion marine. L’ensemble de ces éléments ouvrent la voie à l’étude de ce risque atypique et à l’émergence de bonnes pratiques pour le secteur. En effet, la comparaison de RCP est liée à l’étude de scénarios qui devrait être généralisée dans les pratiques de gestion des risques.
Abstract
This thesis analyses Nat-Cat decrees to construct the frequency of coastal flooding on the French Atlantic coast, throughout the years until 2050. Future climate conditions are determined to a large extent by current and future greenhouse gas emissions. In this context, RCP 4.5 (intermediate) and 8.5 (more pessimistic), emissions scenarios of the Intergovernmental Panel on Climate Change (IPCC) were used. Before being able to implement a model based on machine learning methods, the first objective is to build a database from open-source data. The second objective is then to use these models to predict the occurrence of future Nat-Cat events. The calibration of the model required the establishment of a training database with data between 1990 to 2005 for all the variables. Projections of the explanatory variables from 2006 to 2020 are then used as an input to the model in order to determine the frequency of flooding over this period. In order to validate the model, a test was carried on the historical database from 2006 to 2020 of the variable to be explained. Using a statistical test for validation, the Gradient Boosting model was selected among three supervised algorithms methods. It appears that the departments most affected by the Xynthia storm of 2010 (Charente-Maritime and Vendée) remain highly exposed to the risk of coastal flooding. All of these elements open the way to the study of this atypical risk and the emergence of good practices for the sector. Indeed, the RCPs comparison is linked to the scenario study that should be generalized in risk management practices.
