Modélisation de déclenchement d’avalanche par réseaux de neurones

Présentation au sujet: "Modélisation de déclenchement d’avalanche par réseaux de neurones"— Transcription de la présentation:

1 Modélisation de déclenchement d’avalanche par réseaux de neurones
D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique de Meudon CNRS **IRD Montpellier *** CEMAGREF Grenoble STIC 2006-Narbonne

2 Problématique Avalanches en France: 50 morts par an
Prévention à court terme localement. Est-il possible de prédire un déclenchement d’avalanche à partir uniquement de données météo simples? Modèle simple, local, peu coûteux avec données disponibles

3 Qu’est ce qu’une avalanche?
Une avalanche est un écoulement gravitaire rapide d’une masse de neige sur une pente de montagne (Ancey & Charlier, 1996) Force de résistance Force de traction

4 3 types d’avalanche Avalanche de fonte Avalanche de poudre
Avalanche de plaque

5 Facteurs Météo Végétation Pente
Contexte extérieur: déclenchement préventif, skieur… Instabilité du manteau neigeux

6 Enquête Permanente des Avalanches
Données du CEMAGREF de Grenoble Recensement journalier des avalanches par des techniciens du parc national des Écrins Identification sur chaque couloir de la vallée de Valloire entre 1978 et 2002 Évènement avalancheux:1/0 et type d’avalanche (non fiable a 100%)

7 Données météorologiques
Données Météo France Précipitation et température journalières sur la vallée. Construction de variables représentant le réchauffement et l’accumulation de neige: (amplitude thermique, hauteur des précipitations depuis la dernière avalanche…)

8 Carte de localisation

9 L’événement avalancheux dans la base de données
Couloirs haute fréquence: plus de 40 avalanches par an Couloirs basse fréquence: entre 20 et 40 avalanches par an

10 Choix du réseau de neurones
Étude précédente avec régression logistique Avalanche= événement rare dans la base de donnée. Modèle avec apprentissage Modèle permettant la manipulation d’un grand nombre de données.

11 Démarche méthodologique
Choix des variables explicatives Construction d’un modèle optimal sur un seul couloir par apprentissage Application sur l’ensemble de la base de données.

12 Choix des variables explicatives
Test de Wilcokson On ordonne les valeurs de chaque variable dans l’échantillon et on compare les rangs obtenus par les jours sans avalanche et avec avalanche 12 variables météorologiques sélectionnées

13 Réseau de neurones Un neurone:

14 Réseau de neurones Fonction de sortie du réseau de neurones

15 Modèle optimal (1) Entrée: 12 variables météo
Sortie: 0 ou 1 (avalanche/non avalanche) Normalisation et rescaling des données d’entrée Choix de la structure du RN (nombre de couches cachées, poids…)

16 Modèle optimal (2) Choix des meilleurs prédicteurs par OCD: « Optimal Cell Damage »: Procédure backward: les prédicteurs sont enlevés au fur et à mesure Jusqu’à minimum local de la variance Les différents modèles sont testés par un test de Fisher (sur l’erreur de prédiction sur un ensemble test)

17 Modèle optimal (3) Il ne reste que 2 variables: la différence de température entre j et j-1 et Les précipitations de j-1

18 Construction du RN sur un couloir unique
1944 données, 3% d’avalanches

19 Qualité du modèle On demande faux positifs< 20%

20 Résultats sur le couloir test
Prédiction observation 1 O 84% 15% 44% 55%

21 Résultats Baisse de la détection des avalanches de fonte
Meilleure prédiction des avalanches de plaque 40% d’avalanches retrouvées

22 Implémentation Avec R http://cran.r-project.org Library(nnet)
Temps de calcul très rapide Procédure reproductible en cas de « délocalisation »

23 conclusion Résultats encourageants
Résultats différents suivant le type d’avalanche Modèle simple, peu coûteux et reproductible. Système « boite noire »: on ne peut pas interpréter le rôle de chaque variable

24 Perspectives Prise en compte des paramètres géomorphologiques
Autres variables météo Travailler à 2 jours près Comparer à d’autres méthodes neuronales STIC 2006-Narbonne