Exploration automatisée et analyse de flux de données sismologiques avec des technologies avancées basées sur l’IA
Langue Anglais
Accéder à la thèse :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Rimpot, Joachim
Date de soutenance : 11-09-2025

Directeur(s) de thèse : Malet, Jean-Philippe - Forestier, Germain

Président : Méger, Nicolas
Rapporteur(s) : Kurtz, Camille - Vergne, Jérôme
Membre(s) du jury : Seydoux, Léonard - Stankovic, Lina

Établissement de soutenance : Strasbourg
Laboratoire : Institut Terre Environnement (Strasbourg)
École doctorale : École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....)
 
Discipline : Sciences de la Terre et de l'Environnement
Classification : Sciences de la terre

Mots-clés libres : Sismologie environnementale, Apprentissage machine, Apprentissage profond, Apprentissage auto-supervisé, Clustering, Glissement de terrain, Volcans, Glaciers
Mots-clés :
  • Sismologie
  • Apprentissage profond
  • Apprentissage auto-supervisé (intelligence artificielle)
  • Clustering (intelligence artificielle)
  • Glissements de terrain
  • Volcans
  • Glaciers
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAH010
Type de ressource : Thèse