mod lisation de d clenchement d avalanche par r seaux de neurones
Download
Skip this Video
Download Presentation
Modélisation de déclenchement d’avalanche par réseaux de neurones

Loading in 2 Seconds...

play fullscreen
1 / 24

Modélisation de déclenchement d’avalanche par réseaux de neurones - PowerPoint PPT Presentation


  • 82 Views
  • Uploaded on

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. Problématique. Avalanches en France: 50 morts par an

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Modélisation de déclenchement d’avalanche par réseaux de neurones' - liza


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
mod lisation de d clenchement d avalanche par r seaux de neurones

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

probl matique
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
qu est ce qu une avalanche
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

3 types d avalanche
3 types d’avalanche

Avalanche de fonte

Avalanche de poudre

Avalanche de plaque

facteurs
Facteurs
  • Météo
  • Végétation
  • Pente
  • Contexte extérieur: déclenchement préventif, skieur…
  • Instabilité du manteau neigeux
enqu te permanente des avalanches
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%)
donn es m t orologiques
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…)

l v nement avalancheux dans la base de donn es
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

choix du r seau de neurones
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.
d marche m thodologique
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.
choix des variables explicatives
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
r seau de neurones1
Réseau de neurones
  • Fonction de sortie du réseau de neurones
mod le optimal 1
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…)
mod le optimal 2
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)

mod le optimal 3
Modèle optimal (3)

Il ne reste que 2 variables: la différence de température entre j et j-1 et

Les précipitations de j-1

construction du rn sur un couloir unique
Construction du RN sur un couloir unique
  • 1944 données, 3% d’avalanches
qualit du mod le
Qualité du modèle

On demande faux positifs< 20%

r sultats
Résultats
  • Baisse de la détection des avalanches de fonte
  • Meilleure prédiction des avalanches de plaque
  • 40% d’avalanches retrouvées
impl mentation
Implémentation
  • Avec R http://cran.r-project.org

Library(nnet)

  • Temps de calcul très rapide
  • Procédure reproductible en cas de « délocalisation »
conclusion
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
perspectives
Perspectives
  • Prise en compte des paramètres géomorphologiques
  • Autres variables météo
  • Travailler à 2 jours près
  • Comparer à d’autres méthodes neuronales
ad