Détection de précurseurs au déclenchement d'instabilités gravitaires : chroniques multi-paramètres, intelligence artificielle et modélisation

Detection of precursors to the triggering of gravitational instabilities : multi-parameters chronicles, artificial intelligence and modeling

• Auteur / Autrice : Olivier Bejean-maillard
• Direction : Catherine Bertrand, Jean-Philippe Malet
• Type : Projet de thèse
• Discipline(s) : Structure et évolution de la terre
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Besançon, Université Marie et Louis Pasteur
• Ecole(s) doctorale(s) : École doctorale Environnements, Santé (Dijon ; Besançon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Chrono-Environnement
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-....)

Mots clés

Mots clés libres

Glissement de terrain

Apprentissage machine

Modèles prédictifs

Facteur de déclenchement

Observation multi-paramètres

Landslides

Machine Learning

Predictives models

Triggering factors

Multi-paramters observation

Résumé

Les mouvements gravitaires (glissements de terrain, chutes de blocs, effondrement, …) sont des phénomènes qui concernent une large population et qui provoquent d'importants dégâts. Ceux-ci sont contrôlés par une combinaison de facteurs de prédisposition (lithologie, hydrogéologie, caractéristiques mécaniques, …) et de facteurs de déclenchement (précipitation, gel/dégel, température, …) et se concentrent majoritairement dans les secteurs à relief. Le risque lié aux glissements de terrains amène à vouloir connaitre l'évolution des versants dans le temps au travers de modèles prédictifs, mais la combinaisons des facteurs les contrôlant rendent ces prédictions complexes et incorrects (exemple du glissement de la Clapière (Alpes Maritimes)). Afin de rendre ces modèles de prédictions corrects, l'objectif est de comprendre comment agissent les facteurs de déclenchements sur la genèse de glissement de terrain en étudiant des chroniques d'observations multi-paramètres acquises sur des glissements de contextes différents et sur de longues durées pour pouvoir identifier les périodes de crise et de stabilité. Ces observations permettront d'identifier des seuils de changement de régime de déformation et d'établir des modèles prédictifs multivariés (déplacement, eau+déplacement, …) qui pourront être généralisés pour produire un modèle par litohologie.

Gravitational movements such as landslides, rockfalls, and collapses represent significant hazards, impacting large populations and causing substantial damage. These phenomena are governed by a complex interaction of predisposing factors, including lithology, hydrogeology, and mechanical properties, and triggering factors such as precipitation, freeze-thaw cycles, and temperature fluctuations. They are predominantly concentrated in regions with pronounced topographic relief. The inherent risk posed by landslides has driven the development of predictive models to forecast slope evolution over time. However, the interplay of controlling factors introduces significant complexity, often leading to inaccurate predictions, as exemplified by the Clapière landslide (Alpes-Maritimes, France). To improve the accuracy of these predictive models, it is essential first to understand how triggering factors influence landslide initiation by analyzing long-term multi-parameter observation series collected from landslides in various geological and climatic contexts. These observations can help identify periods of instability and stability, enabling the detection of threshold values that indicate changes in deformation regimes. These observations will enable the identification of threshold values that indicate changes in the deformation regime, facilitating the development of initial multivariate predictive models (e.g., displacement, water-displacement). These models will then be generalized to produce a tailored model for each lithology.