modélisation de déclenchement davalanche par réseaux de neurones d.grancher*, v.jomelli**,...
TRANSCRIPT
![Page 1: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/1.jpg)
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
![Page 2: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/2.jpg)
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
![Page 3: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/3.jpg)
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
![Page 4: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/4.jpg)
Avalanche de fonte Avalanche de poudre Avalanche de plaque
3 types d’avalanche
![Page 5: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/5.jpg)
Facteurs
• Météo
• Végétation
• Pente
• Contexte extérieur: déclenchement préventif, skieur…
• Instabilité du manteau neigeux
![Page 6: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/6.jpg)
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%)
![Page 7: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/7.jpg)
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…)
![Page 8: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/8.jpg)
Carte de localisation
![Page 9: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/9.jpg)
L’événement avalancheux dans la base de données
98% 2%
21%
40%
28% sans avalanche
fonte
plaque
poudre
Couloirs haute fréquence: plus de 40 avalanches par anCouloirs basse fréquence: entre 20 et 40 avalanches par an
![Page 10: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/10.jpg)
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.
![Page 11: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/11.jpg)
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.
![Page 12: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/12.jpg)
Choix des variables explicatives
• Test de WilcoksonOn 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
![Page 13: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/13.jpg)
Réseau de neurones
• Un neurone:),,,;,,,( 2121 pn wwwxxxfy
![Page 14: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/14.jpg)
Réseau de neurones
• Fonction de sortie du réseau de neurones
i k
kikiijj xwwwwXG ))(()( 00
![Page 15: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/15.jpg)
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…)
![Page 16: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/16.jpg)
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)
![Page 17: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/17.jpg)
Modèle optimal (3)
Il ne reste que 2 variables: la différence de température entre j et j-1 et Les précipitations de j-1
![Page 18: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/18.jpg)
Construction du RN sur un couloir unique
• 1944 données, 3% d’avalanches
Répartition des avalanches sur le couloir n°5
96.7% 3.3% 34.4%
31.3%
34.4%
Jour sansavalanche
Avalanche depoudreuse
Avalanche defonte
Avalanche deplaque
![Page 19: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/19.jpg)
Qualité du modèle
On demande faux positifs< 20%
![Page 20: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/20.jpg)
Résultats sur le couloir test Prédiction
observation
0 1
O 84% 15%
1 44% 55%
Taux de reconnaissance des avalanches
avec le modèle
90.9%
45.5%
33.3%
0% 20% 40% 60% 80% 100%
Poudreuse
Fonte
Plaque
![Page 21: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/21.jpg)
Résultats
• Baisse de la détection des avalanches de fonte
• Meilleure prédiction des avalanches de plaque
• 40% d’avalanches retrouvées
Taux de reconnaissance des avalanches selon leur type pour l'ensemble des
couloirs
51,3%
21,6%
52,6%
0% 20% 40% 60%
Poudreuse
Fonte
Plaque
![Page 22: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/22.jpg)
Implémentation
• Avec R http://cran.r-project.org
Library(nnet)
• Temps de calcul très rapide
• Procédure reproductible en cas de « délocalisation »
![Page 23: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/23.jpg)
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
![Page 24: Modélisation de déclenchement davalanche par réseaux de neurones D.Grancher*, V.Jomelli**, D.Saizonou*, S.Escande*** *Laboratoire de Géographie Physique](https://reader036.vdocuments.site/reader036/viewer/2022062511/551d9d9f497959293b8cde9c/html5/thumbnails/24.jpg)
Perspectives
• Prise en compte des paramètres géomorphologiques
• Autres variables météo
• Travailler à 2 jours près
• Comparer à d’autres méthodes neuronales