Note ABES Automated exploration and analysis of seismological data streams with advanced AI-based technologies Exploration automatisée et analyse de flux de données sismologiques avec des technologies avancées basées sur l’IA Sismologie environnementale Apprentissage machine Apprentissage profond Apprentissage auto-supervisé Clustering Glissement de terrain Volcans Glaciers Environmental seismology Machine learning Deep learning Self-supervised learning Clustering Landslides Volcanoes Glaciers 551.22 Sismologie Apprentissage profond Apprentissage auto-supervisé (intelligence artificielle) Clustering (intelligence artificielle) Glissements de terrain Volcans Glaciers La sismologie environnementale étudie les signaux produits par des structures géologiques telles que glissements de terrain, volcans et glaciers. Les réseaux denses de stations fournissent aujourd’hui des enregistrements très détaillés de la sismicité, mais génèrent des volumes de données si importants que les méthodes d’analyse traditionnelles deviennent insuffisantes. Cette thèse propose des approches d’exploration exhaustive de la donnée, sans connaissance a priori, fondées sur l’apprentissage auto-supervisé et le clustering. En représentant la donnée en images ou en séries temporelles multicomposantes, les méthodes développées permettent de traiter efficacement des jeux de données massifs issus de réseaux denses ainsi que des ensembles multi-environnement. Ces travaux ouvrent de nouvelles perspectives pour l’analyse des données sismologiques et pour une compréhension plus fine et plus globale de la complexité des phénomènes environnementaux. Environmental seismology studies the signals produced by geological structures such as landslides, volcanoes, and glaciers. Dense station networks now provide highly detailed seismic recordings, but they generate such large volumes of data that traditional analysis methods have become insufficient. This thesis proposes exhaustive data-exploration approaches, with no prior knowledge, based on self-supervised learning and clustering. By representing the data as images or multicomponent time series, the developed methods enable the efficient processing of massive datasets from dense networks as well as multi-environment datasets. This work opens new perspectives for seismic data analysis and for a more refined and comprehensive understanding of the complexity of environmental processes. Electronic Thesis or Dissertation Text en PDF 356755854 https://publication-theses.unistra.fr/public/theses_doctorat/2025/Rimpot_Joachim_2025_ED413.pdf http://www.theses.fr/2025STRAH010/abes https://theses.hal.science/tel-05443772 https://theses.hal.science/tel-05443772 https://theses.hal.science/tel-05443772 Rimpot Joachim 1997-07-11 FR 273971662 0508021391P 21901425 4200005 https://theses.fr/2025STRAH010 2025STRAH010 https://doi.org/10.70675/714d458bzaa23z4ccdz9e68z3897b481cfa9 2025-09-11 Sciences de la Terre et de l'Environnement Strasbourg 131056549 Doctorat Docteur es non oui Malet Jean-Philippe MADS_DIRECTEUR_DE_THESE_1 077157818 Forestier Germain MADS_DIRECTEUR_DE_THESE_2 148679072 Méger Nicolas MADS_PRESIDENT_DU_JURY 086847570 Seydoux Léonard MADS_MEMBRE_DU_JURY_1 276299485 Stankovic Lina MADS_MEMBRE_DU_JURY_2 250886804 Kurtz Camille MADS_RAPPORTEUR_1 164897615 Vergne Jérôme MADS_RAPPORTEUR_2 069318255 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 Forestier Germain Méger Nicolas Seydoux Léonard Stankovic Lina Kurtz Camille Vergne Jérôme École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....) Institut Terre Environnement (Strasbourg) PDF 356755854