Géomorphologie et apprentissage profond : Homogénéisation d’une base de données de marqueurs de failles décrochantes pour l’évaluation de réseaux de neurones.

8 semaines entre mai et août 2025

Laboratoire de rattachement :
ISTerre Grenoble

Encadrant(s) :
Jules Bourcier, post-doctorant à ISTerre, équipe Cycle sismique et déformations transitoires

Co-endadrant(s) :
Léa Pousse, chercheuse IRD à ISTerre, équipe Cycle sismique et déformations transitoires ;
Sophie Giffard, chercheuse IRD à ISTerre, équipe Cycle sismique et déformations transitoires.

Contact(s) :
jules.bourcier univ-grenoble-alpes.fr

Lieu :
ISTerre, domaine universitaire de Grenoble, OSUG-C (Maison des Géosciences), 1381 rue de la Piscine, 38610 Gières

Durée :
8 semaines entre mai et août 2025 (dates ajustable en fonction du parcours du candidat).

Rémunération :
Rémunération envisageable, demande de financement en cours.

Niveau de formation et prérequis :
Être en Master 1 Géoscience ou Géographie ou Informatique, être intéressé par les aléas naturels, et être motivé par l’informatique et l’apprentissage automatique, si possible avec une expérience en programmation Python.

Candidature :
Merci d’envoyer un CV et mail de motivation à jules.bourcier univ-grenoble-alpes.fr

Contexte et objectifs du stage

Vue d'une portion de la faille de San Andreas (USA) ainsi que plusieurs drainages ayant subi des décalages suite à des séismes.
Figure 1 : Vue d’une portion de la faille de San Andreas (USA), avec plusieurs canaux de drainages ayant subi des décalages suite à des séismes.
Figure adaptée de Reitman et al. (2019).

L’apprentissage profond présente un fort potentiel pour résoudre automatiquement de nombreux problèmes en géosciences. C’est notamment le cas en morphotectonique, visant à étudier les impacts de tremblements de terre sur le paysage. Cependant, le principal défi à ces applications réside dans la difficulté à obtenir des données annotées en quantité et qualité suffisante pour entraîner et évaluer des réseaux de neurones profonds.

Ce sujet de stage s’inscrit dans le projet “StrikeLearn” dont l’objectif est de développer un réseau de neurones pour la tâche de caractérisation de failles décrochantes à partir de données topographiques de type modèles numériques de terrain (MNT). Cette tâche vise à estimer les décalages le long des cours d’eau, qui témoignent d’événements sismiques passés (Reitman et al., 2019) (cf. Figure 1). Dans ce contexte, l’annotation de ces décalages par des experts est difficile et coûteuse. Étant données la rareté des données réelles, nous avons entraîné un réseau de neurones sur des données synthétiques : MNT de synthèse et décalages sismiques simulés avec le logiciel Landlab (Hobley et al., 2017). Le modèle a été évalué sur des données réelles localisées le long de la faille de San Andreas, USA (Visage et al., 2024). Ces premiers résultats nous encouragent à présent à évaluer la capacité de généralisation du modèle à différentes failles de différentes régions géographiques, présentant des climats et des reliefs variés.
Dans cette perspective, nous avons créé une base de données compilant les données de décalages de failles décrochantes publiés dans la littérature, et dont les données topographiques sont disponibles publiquement. Cependant, ces jeux de données sont issus de méthodologies variables et fournis dans des formats hétérogènes.
Afin de pouvoir exploiter toutes ces données, nous avons ainsi besoin de les traiter et les homogénéiser, afin qu’elles soient toutes regroupées sous un format et un niveau de qualité communs qui les rendent prêtes à être utilisées pour l’évaluation du réseau de neurones.

Les objectifs du stage sont :

  1. Analyser les données issus de jeux de données hétérogènes et préalablement collectées.
  2. Établir un protocole pour le filtrage, le nettoyage, et l’homogénéisation de ces données, déterminant un format de données commun, et une procédure de conversion pour chaque jeu de données
  3. Développer le code répondant au problème et produire les données homogénéisées
  4. Évaluer le réseau de neurones préalablement entraîné sur les données produites, analyser les performances et et les comparer sur les différentes failles.

Références

Hobley, D. E. J., Adams, J. M., Nudurupati, S. S., Hutton, E. W. H., Gasparini, N. M., Istanbulluoglu, E., & Tucker, G. E. (2017). Creative computing with Landlab  : An open-source toolkit for building, coupling, and exploring two-dimensional numerical models of Earth-surface dynamics. Earth Surface Dynamics, 5(1), 21‑46. https://doi.org/10.5194/esurf-5-21-2017

Reitman, N. G., Mueller, K. J., Tucker, G. E., Gold, R. D., Briggs, R. W., & Barnhart, K. R. (2019). Offset channels may not accurately record strike‐slip fault displacement : Evidence from landscape evolution models. Journal of Geophysical Research : Solid Earth, 124(12), 13427-13451. https://doi.org/10.1029/2019JB018596

Visage, S., Pousse, L., Giffard-Roisin, S., Mouchené, M., Audin, L., & Perrinel, S. (2024). Characterisation of strike-slip fault offsets using convolutional neural networks (EGU24-16516). EGU24. Copernicus Meetings. https://doi.org/10.5194/egusphere-egu24-16516

Mis à jour le 23 janvier 2025