- author = "Mahmoud {Al Najar}",
- title = "Estimating Coastal Evolution with Machine Learning",
- title_fr = "Estimation de l'evolution du littoral par l'apprentissage automatique",
- school = "University of Toulouse",
- year = "2023",
- address = "France",
- month = "30 " # nov,
- note = "forthcoming",
- keywords = "genetic algorithms, genetic programming, genetic improvement, Cartesian Genetic Programming, Deep Learning, Earth Observation, Shoreline forecasting, Bathymetry inversion",
-
URL = "
https://www.isae-supaero.fr/IMG/pdf/annonce_soutenance_these_m_al_najar.pdf",
-
URL = "
https://zoom.us/my/dennisgwilson",
- abstract = "Forecasting coastal evolution is a prerequisite for effective coastal management and has been a fundamental goal of coastal research for decades. However, coastal evolution is a complex process, and predicting its development through time remains challenging. The absence of representative datasets which accurately track the state and evolution of coastal systems greatly limits our ability to study these processes given different natural and anthropological scenarios. While traditional field surveys have been used extensively in the literature and have served as important assets in advancing our knowledge of these systems, the high operational costs of traditional field surveys limit their use to local and sparse spatio-temporal scales. Satellite-based Remote Sensing (RS) provides the opportunity for frequently monitoring the Earth at high temporal resolutions and scales, but requires the development of novel data processing methodologies for large streams of Earth Observation data. Machine Learning (ML) is a subfield of Artificial Intelligence which aims at constructing algorithms able to leverage large amounts of example data in order to automatically construct predictive models, and has been a critical component of many scientific advancements in recent years. This thesis examines the potential and capability of modern ML in two important problems in Coastal Science where ML remains unexplored. Deep Learning and Interpretable Machine Learning are applied to the problems of satellite-derived bathymetry and shoreline evolution modelling. The work demonstrates that ML is competitive with current physics-based baselines on both tasks, and shows the potential of ML in automating many of our large-scale coastal data analysis towards gaining a global understanding of coastal evolution.",
- resume = "a prvision de l'volution du littoral est une condition pralable a une gestion efficace des cotes et constitue un objectif fondamental de la recherche cotiere depuis des dcennies. Cependant, l'volution des cotes est un processus complexe et la prvision de son dveloppement dans le temps reste un dfi. L'absence d'ensembles de donnes reprsentatives permettant de suivre avec prcision l'tat et l'volution des systemes cotiers limite considrablement notre capacit a tudier ces processus dans le cadre de diffrents scnarios naturels et anthropologiques. Bien que les enquetes traditionnelles sur le terrain aient t largement dans la littrature et qu'elles aient permis de faire progresser notre connaissance de ces systemes, les couts oprationnels levs des enquetes sur le terrain limitent leur utilisation a des chelles spatio-temporelles locales et parses. La tldtection par satellite permet de surveiller frquemment la Terre a des rsolutions et des chelles temporelles leves, mais ncessite le dveloppement de nouvelles mthodologies de traitement des donnes pour les grands flux de donnes d'observation de la Terre. L'apprentissage automatique est un sous-domaine de l'intelligence artificielle qui vise a construire des algorithmes capables d'exploiter de grandes quantits de donnes d'entrainement afin de construire automatiquement des modeles prdictifs, et a t un lment essentiel de nombreuses avances scientifiques au cours des dernieres annes. Cette these examine le potentiel et la capacit de l'apprentissage automatique moderne dans deux problemes importants de la science cotiere o l'apprentissage automatique reste inexplor. L'apprentissage profond et l'apprentissage automatique interprtable sont appliqus aux problemes de la bathymtrie drive des satellites et de la modlisation de l'volution du trait de cote. Le travail dmontre que l'apprentissage automatique est comptitif par rapport aux bases actuelles bases sur la physique pour les deux taches, et montre le potentiel de l'apprentissage automatique dans l'automatisation d'un grand nombre de nos analyses de donnes cotieres a grande chelle afin d'obtenir une comprhension globale de l'volution du littoral.",
-
notes = "in english?
Supervisor Rafael Almar",
