Le projet SWIFTS vise à développer une stratégie algorithmique innovante permettant la combinaison d’un large volume de données issu de l’observation spatiale avec des modèles numériques hydrodynamiques afin d’améliorer la compréhension et la prévision des inondations aux échelles locales et régionales. Le projet se focalise sur les milieux urbains et sur l’usage des données SAR, optiques et altimétriques pour la caractérisation des écoulements inondant complexes. L’idée centrale du projet repose sur l’amélioration conjointe des produits observés et simulés via des méthodes avancées d’apprentissage et d’assimilation de données pour la réduction des incertitudes. Le projet lèvera trois verrous scientifiques : (i) améliorer la paramétrisation de la topographie et de la friction dans les modèles hydrodynamiques via l’utilisation avancée des techniques de photogrammétrie, d’interférométrie et de classification de l’occupation du sol appliquées à des images acquises principalement par les missions PLEIADES et SENTINEL, (ii) l’enrichissement des algorithmes de classification des images SAR, incluant des techniques de machine learning et d’interférométrie, pour la cartographie des surfaces inondées en milieu urbain et péri-urbain ainsi que pour la cartographie des zones d’exclusion dans lesquelles les images SAR ne permettent pas de détecter l’eau, (iii) l’assimilation dans les modèles hydrodynamiques, des surfaces inondées traitées comme fronts, et cartes binaires ou probabilistes. Le projet fera appel à un large volume de données et à une ressource de calcul massive pour les algorithmes d’apprentissage et d’assimilation ensembliste. Pour embrasser des échelles locales et régionales, une approche traditionnelle de modélisation hydrodynamique à haute résolution sera complétée par une approche à large échelle incluant des concepts de porosité. La faisabilité sera démontrée sur un bassin connu et un bassin peu jaugé où l’information provient des observations spatiales.