Modlisation de dclenchement davalanche par rseaux 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

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? • 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 Avalanche de fonte Avalanche de poudre Avalanche de plaque

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

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%)

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

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 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.

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 • 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

Réseau de neurones • Un neurone:

Réseau de neurones • Fonction de sortie du réseau de neurones

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…)

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)

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 • 1944 données, 3% d’avalanches

Qualité du modèle On demande faux positifs< 20%

Résultats sur le couloir test Prédiction observation 0 1 O 84% 15% 1 44% 55%

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

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

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 • • Prise en compte des paramètres géomorphologiques Autres variables météo Travailler à 2 jours près Comparer à d’autres méthodes neuronales