Perspectives
215
L’ajout de plus d’indicateurs peut avoir un effet positif ou négatif dans la conception de
l’équation du risque, d’une part des indicateurs comme l’historique des houles, le type de
roche d’autre part l’introduction d’un grand nombre d’indicateurs peut induire en erreur les
experts dans la réponse au questionnaire car un grand nombre d’indicateurs peut être difficile
à classer selon le degré d’importance d’un point de vue humain (ex : comparaison entre 7 à 8
indicateurs peut poser des problèmes dans la matrice de calcul AHP dans le cas où, la
comparaison de ces indicateurs comprend quelques erreurs logiques).
Le calcul de l’indice de vulnérabilité et de risque côtier devrait être intégré dans des
méthodologies plus sophistiqués en effet de récentes études montrent que l’intelligence
artificielle et les algorithmes de Machine Learning peuvent être utilisés dans la création de
modèles pour le calcul de la vulnérabilité et des risques côtiers (Pradhan., 2019), ces outils
de technologie avancée permettrons d’automatiser les calculs longs et ainsi faciliter
l’obtention des résultats, ce qui n’est pas toujours le cas lors du traitement classique habituel
dans les outils de systèmes d’informations géographiques.
La mise en marche de l'intelligence artificielle se fait tout d'abord par l'entrée des données
input, les interactions entre les différentes données se fait pas ce réseau de neurones par le
biais de signaux électriques propageant ainsi ces signaux vers une sortie (output), ces réseaux
de neurones artificiels peuvent être supervisés ou non supervisés (Peponi et al., 2019).
Dans un réseau supervisé la fonction d'apprentissage et les données d'entrée sont introduites et
les valeurs de sortie seront informés par les valeurs d'entrée introduites, en ce qui concerne le
réseau non supervisé c'est le réseau lui même qui se charge de classer les données d'entrée en
cherchant toute similitude existante entre ces données, il apprend lui même les propriétés des
données et met en place les sorties (Output sous forme de carte ou autre) ( Peponi et al.,
2019) , ces méthodes de réseaux de neurones ont beaucoup d'autres application reliés au
domaine littorale et à la protection côtière tel que la télédétection (traitement des images
satellitaires) et le suivi du trait de côte (Dwarakish et Nithyapriya., 2016).
L'indice de vulnérabilité et de risque côtier doit rentrer dans la stratégie de GIZC pour la
planification côtière, en effet la mise en place d’une stratégie de GIZC pour la protection des
zones côtières basés sur les résultats de calcul de vulnérabilité et de risque permettra de bien
recenser les zones côtières à protéger et de mettre en place des directives d’interventions
adaptées.
L’évaluation de la vulnérabilité et du degré de risque doit être jumelé à l’étude de durabilité
de la zone côtière, la durabilité de la zone côtière dépend de plusieurs facteurs, pour cette
thèse on s'est consacré à la durabilité par rapport à la géographie et les enjeux socio-
215
L’ajout de plus d’indicateurs peut avoir un effet positif ou négatif dans la conception de
l’équation du risque, d’une part des indicateurs comme l’historique des houles, le type de
roche d’autre part l’introduction d’un grand nombre d’indicateurs peut induire en erreur les
experts dans la réponse au questionnaire car un grand nombre d’indicateurs peut être difficile
à classer selon le degré d’importance d’un point de vue humain (ex : comparaison entre 7 à 8
indicateurs peut poser des problèmes dans la matrice de calcul AHP dans le cas où, la
comparaison de ces indicateurs comprend quelques erreurs logiques).
Le calcul de l’indice de vulnérabilité et de risque côtier devrait être intégré dans des
méthodologies plus sophistiqués en effet de récentes études montrent que l’intelligence
artificielle et les algorithmes de Machine Learning peuvent être utilisés dans la création de
modèles pour le calcul de la vulnérabilité et des risques côtiers (Pradhan., 2019), ces outils
de technologie avancée permettrons d’automatiser les calculs longs et ainsi faciliter
l’obtention des résultats, ce qui n’est pas toujours le cas lors du traitement classique habituel
dans les outils de systèmes d’informations géographiques.
La mise en marche de l'intelligence artificielle se fait tout d'abord par l'entrée des données
input, les interactions entre les différentes données se fait pas ce réseau de neurones par le
biais de signaux électriques propageant ainsi ces signaux vers une sortie (output), ces réseaux
de neurones artificiels peuvent être supervisés ou non supervisés (Peponi et al., 2019).
Dans un réseau supervisé la fonction d'apprentissage et les données d'entrée sont introduites et
les valeurs de sortie seront informés par les valeurs d'entrée introduites, en ce qui concerne le
réseau non supervisé c'est le réseau lui même qui se charge de classer les données d'entrée en
cherchant toute similitude existante entre ces données, il apprend lui même les propriétés des
données et met en place les sorties (Output sous forme de carte ou autre) ( Peponi et al.,
2019) , ces méthodes de réseaux de neurones ont beaucoup d'autres application reliés au
domaine littorale et à la protection côtière tel que la télédétection (traitement des images
satellitaires) et le suivi du trait de côte (Dwarakish et Nithyapriya., 2016).
L'indice de vulnérabilité et de risque côtier doit rentrer dans la stratégie de GIZC pour la
planification côtière, en effet la mise en place d’une stratégie de GIZC pour la protection des
zones côtières basés sur les résultats de calcul de vulnérabilité et de risque permettra de bien
recenser les zones côtières à protéger et de mettre en place des directives d’interventions
adaptées.
L’évaluation de la vulnérabilité et du degré de risque doit être jumelé à l’étude de durabilité
de la zone côtière, la durabilité de la zone côtière dépend de plusieurs facteurs, pour cette
thèse on s'est consacré à la durabilité par rapport à la géographie et les enjeux socio-