Note ABES Real-time seismic monitoring using DAS fiber-optic instrumentation and machine learning : towards autonomous classification of natural and anthropogenic events Surveillance sismique en temps réel par instrumentation à fibre optique DAS et apprentissage automatique : vers une classification autonome des événements naturels et anthropiques Distributed Acoustic Sensing (DAS) Apprentissage machine Sismologie Espace latent Tremblements de terre Sources sismiques anthropiques Apprentissage supervisé Apprentissage non-supervisé Distributed Acoustic Sensing (DAS) Machine Learning Seismology Latent Space Earthquakes Anthropogenic Seismic Sources Supervised Learning Unsupervised Learning 551.2 Géophysique Apprentissage automatique Sismologie Séismes Apprentissage supervisé (intelligence artificielle) Apprentissage non supervisé (intelligence artificielle) Ces dernières années, une nouvelle technologie basée sur l'utilisation de fibres optiques est apparue pour surveiller les événements acoustiques naturels ou anthropogéniques : la détection acoustique distribuée (Distributed Acoustic Sensing - DAS). Cette technologie innovante permet de mesurer les vibrations sismiques à très haute résolution spatiale sur des distances allant de quelques dizaines de mètres à plusieurs centaines de kilomètres. Bien que ces données soient plus volumineuses et plus complexes à traiter que celles des sismomètres traditionnels, elles offrent des perspectives prometteuses, notamment pour l'analyse des champs d'ondes générés par les tremblements de terre, la détection des glissements de terrain, la surveillance de divers événements anthropogéniques (tels que les déplacements de piétons, les mouvements de véhicules, ou les signaux sismiques provenant des activités humaines), les événements de faible amplitude ou très localisés, et la localisation précise de l'origine de ces événements sismiques. L'objectif de cette thèse est de développer et de tester des chaînes d'analyse de données automatisées en utilisant des approches basées sur l'IA pour détecter, classer et analyser les données DAS à fibre optique en temps quasi réel. L'objectif est axé sur la surveillance locale et régionale de zones spécifiques afin de permettre la détection et l'identification en temps réel d'événements naturels tels que les tremblements de terre et les glissements de terrain. In recent years, alongside traditional seismometer-based approaches, a new technology based on the use of optical fibers has emerged for monitoring natural or anthropogenic acoustic events: Distributed Acoustic Sensing (DAS). This innovative technology enables the measurement of seismic vibrations at very high spatial resolution over distances ranging from tens of meters to several hundred kilometers. Although these data are larger and more complex to process than those from traditional seismometers, they offer promising perspectives, particularly for analyzing the wavefields generated by earthquakes, detecting landslides, monitoring various anthropogenic events (such as pedestrian movements, vehicle movements, or seismic signals from human activities), low-amplitude or highly localized events, and precisely locating the origin of these seismic events. The goal of this thesis is to develop and test automated data analysis chains using AI-based approaches to detect, classify and analyze near-real-time fiber-optics DAS data. The objective is focused on local and regional monitoring of specific areas to enable the real-time detection and identification of natural events such as earthquakes and landslides. Electronic Thesis or Dissertation Text en PDF 151443359 https://publication-theses.unistra.fr/public/theses_doctorat/2025/Huynh_Camille_2025_ED413.pdf http://www.theses.fr/2025STRAH001/abes https://theses.hal.science/tel-05025563 https://theses.hal.science/tel-05025563 https://theses.hal.science/tel-05025563 Huynh Camille 1997-10-29 FR 28417274X 1508023135G 21521161 4200005 https://theses.fr/2025STRAH001 2025STRAH001 https://doi.org/10.70675/b47cff1cz8788z4ea8z9e49z4a3a1e03ef0d 2025-02-11 Géophysique Strasbourg 131056549 Doctorat Docteur es non oui Malet Jean-Philippe MADS_DIRECTEUR_DE_THESE_1 077157818 Weber Jonathan MADS_PRESIDENT_DU_JURY 160604311 Pelletier Charlotte MADS_MEMBRE_DU_JURY_1 231642938 Jousset Philippe MADS_MEMBRE_DU_JURY_2 202698246 Lanticq Vincent MADS_RAPPORTEUR_1 171977270 Metaxian Jean-Philippe MADS_RAPPORTEUR_2 170417085 Chaljub Emmanuel MADS_RAPPORTEUR_3 152221409 École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....) MADS_ECOLE_DOCTORALE_1 413 15650166X Institut Terre Environnement (Strasbourg) MADS_PARTENAIRE_DE_RECHERCHE_1 1062624 253262763 ddc:550 Malet Jean-Philippe Weber Jonathan Pelletier Charlotte Jousset Philippe Lanticq Vincent Metaxian Jean-Philippe Chaljub Emmanuel École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....) Institut Terre Environnement (Strasbourg) PDF 151443359