Mod lisation de d clenchement d avalanche par r seaux de neurones
This presentation is the property of its rightful owner.
Sponsored Links
1 / 24

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


  • 54 Views
  • Uploaded on
  • Presentation posted in: General

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

Download Presentation

Modélisation de déclenchement d’avalanche par réseaux de neurones

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…)


Carte de localisation

Carte de localisation


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 neurones

Réseau de neurones

  • Un neurone:


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 sur le couloir test

Résultats sur le couloir test


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


  • Login