Je suis
FR FR
  • Accueil
  • La recherche
  • Thèses
  • Analyse de signaux pluridisciplinaires par algorithmes intelligents pour l’anticipation des éruptions au Piton de la Fournaise
Citoyen / Grand public
Chercheur
Étudiant / Futur étudiant
Entreprise
Partenaire public
Journaliste
Enseignant / Elève

Analyse de signaux pluridisciplinaires par algorithmes intelligents pour l’anticipation des éruptions au Piton de la Fournaise

Début : 01 octobre 2022

Equipe(s) liée(s) :
Systèmes volcaniques

Statut : En cours

Les aléas et risques découlant de l’activité des édifices volcaniques sont nombreux, et souvent difficilement prévisibles. Les conséquences d’une éruption mal anticipée peuvent ainsi être dramatiques, comme montré par différents cas historiques récents (e.g., El Chichon, Mexique, en 1982 : 1 900 victimes ; Mt Pelée, France, en 1902 : 30 000 victimes). Actuellement, les édifices volcaniques français actifs sont étroitement surveillés par les observatoires volcanologiques et sismologiques de l’Institut de physique du globe de Paris (IPGP). Différentes méthodes géophysiques (sismologie, déformation, GPS…) et géochimiques (suivi des émissions de gaz, température des fumeroles, géochimie des eaux…) sont des indicateurs de l’activité volcanique et permettent d’anticiper les éruptions. L’interprétation de ces données guide ainsi les autorités pour les décisions à prendre concernant la mitigation des risques. Cependant, l’analyse humaine des données devient potentiellement difficile du fait de leur quantité et diversité en constante hausse. De plus, la mise en rapport d’observations de nature très différente, comme par exemple la sismologie et les flux de gaz, est complexe.

Dans le cadre de ce projet, nous proposons de résoudre ce problème via l’adoption d’algorithmes de machine learning. Ce dernier est très utilisé pour la détection de la sismicité, et a fait ses preuves dans différents contextes, tectoniques et volcaniques, ainsi que pour la sismicité induite. En géochimie, l’analyse de données via le machine learning est aussi de plus en plus utilisée, notamment pour remplacer des modèles empiriques imparfaits. Différents algorithmes de machine learning ont été développés pour détecter des éruptions potentielles sur certains édifices. Ces algorithmes sont habituellement entraînés sur un jeu de données particulier (exemple : sismique, ou INSAR, ou imagerie infrarouge). Cependant, à notre connaissance, aucun algorithme permet d’analyser simultanément les différentes observables géophysiques, géochimiques et climatiques. L’objectif de ce projet est donc de mettre en place un tel algorithme. Cette approche permettra de renforcer la robustesse de la détection de mouvements magmatiques et d’éruptions potentielles.

Nous prendrons comme cas d’étude le Piton de la Fournaise, sur l’île de la Réunion. Ce volcan présente des éruptions très fréquentes au cours des 20 dernières années. Des séries de données géophysiques et géochimiques, avec une très bonne couverture spatio-temporelle, sont disponibles. Ces données sont marquées par plusieurs éruptions majeures. En outre, elles comprennent des périodes avec peu d’éruption pendant plusieurs années, et d’autres avec plusieurs éruptions par an.

Cette diversité nous permettra donc de mettre en place, développer et tester différents algorithmes afin de sélectionner une méthode présentant une grande robustesse. La détection des éruptions se fera via la détection d’anomalies dans la série de données. Une des clés et difficultés de ce projet réside dans l’analyse conjointe de données de différents types (géophysiques, géochimiques, météorologique) présentant des pas de temps différents. Ceci pourra être réalisé, par exemple, en combinant plusieurs algorithmes. Par exemple, une méthode possible serait d’utiliser plusieurs réseaux de neurone dits autoencoders (un par type de données) reliés à un réseau de neurone feedforward terminal évaluant le caractère anormal ou non de la série de données, via les différents succès de reconstruction de cette série par les différents autoencoders. En outre, l’exploitation de la spatialisation des données pour la détection éruptive pourra aussi être explorée, par exemple via potentiellement des réseaux de neurones graphiques.

Ce travail permettra d’aider l’IPGP dans sa mission de surveillance des édifices volcaniques français, fréquemment actifs. Cette thèse propose aux candidat.e.s de développer et combiner des connaissances variées et des collaborations dans différentes disciplines (géochimie, géophysique, science des données, machine learning). Ce travail participera à l’élaboration de l’observatoire volcanologique numérique du 21 ème siècle. Cette thèse représente ainsi une opportunité unique pour l’étudiant.e d’acquérir des compétences et connaissances pouvant être valorisés dans des projets professionnels nombreux et diversifiés.

A lire aussi
Observatoire volcanologique du Piton de la Fournaise (OVPF-IPGP)
Observatoire volcanologique du Piton de la Fournaise (OVPF-IPGP)
Dans le cadre des services nationaux d’observation du CNRS-INSU, les missions confiées à l’IPGP, via l’observatoire volcanologique et sismologiq...
Systèmes volcaniques
Systèmes volcaniques
Les volcans : de la genèse du magma aux émissions de surface L’activité volcanique est l’une des manifestations les plus évidentes et spectacula...