Evaluation d'outils et méthodes d'apprentissages statistiques (machine learning) pour la cartographie prédictive en géosciences

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Evaluation d’outils et méthodes d’apprentissages statistiques (machine learning) pour la cartographie prédictive en géosciences

En géosciences, il est souvent nécessaire d’intégrer de nombreuses informations pour aboutir à des cartes prospectives des risques naturels ou de potentielles ressources énergétiques ou industrielles.

Dans le cadre du développement d’outils digitaux pour les géosciences et en particulier l’essor des méthodes d’apprentissage statistique (machine learning), ce stage s’intéressera aux outils et méthodes appliquées à ces données en 2D que représentent les cartes.

A IFPEN, dans le cadre du consortium TELLUS (www.tellus-digital.net) dédié au développement d’outils digitaux pour les géosciences, Lebrun et al. (2022) ont couplé une méthode d’analyse multi-critère dépendant de la géologie avec des données traitées par divers modèles de régression pour générer une carte prospective du potentiel géothermique de la Colombie britannique (Canada).

L’objectif du stage proposé est d’évaluer l’outil LSAT (Landslide Susceptibility Assessment Tools v1.0.0b, Torizin et al 2022) et l’approche hybride ci-dessus à la fois sur le cas du potentiel géothermique de Colombie britannique et sur le cas présenté par Torizin et al (2022) sur les risques de glissement de terrain du Nord Pakistan.

Les résultats de ces évaluations pourront être valorisés dans le cadre du projet Tellus et du PEPR « Sous-sol, bien commun » auquel IFPEN contribue (https://www.brgm.fr/fr/programme/sous-sol-bien-commun-programme-recherche-utilisation-exploitation-responsable-durable).

Etapes principales du stage

• Evaluation de l’outil LSAT sur le cas des glissements de terrain de Torizin et al. 2022
• Evaluation de la possibilité d’appliquer cet outil LSAT pour l’estimation du potentiel géothermique de la Colombie britannique et comparer les résultats à l’étude Lebrun et al. 2022
• Evaluation de la méthodologie AHP + machine learning sur les données de glissement de terrain

Selon l’intérêt du stagiaire, les travaux pourront se porter additionnellement sur l’évaluation ou la mise en oeuvre d’autres approches, méthodologies ou sur l’intégration d’autres données.

References :
Lebrun, L., Delbos, F., Rasolofosaon, P. N. J., Dehghan, K., Gomez, J., & Siccardi, O. (2022, March). Advanced Geothermal prospectivity mapping with Machine Learning using Multi-model Regression and Geology-dependent Multicriteria-Decision Analysis. In 2nd EAGE Digitalization Conference and Exhibition, (Vol. 2022, No. 1, pp. 1-5) https://www.earthdoc.org/content/papers/10.3997/2214-4609.202239014.

J. Torizin, Nick Schüßler, and Michael Fuchs, 2022.: Landslide Susceptibility Assessment Tools v1.0.0b – Project Manager Suite: a new modular toolkit for landslide susceptibility assessment, Geosci. Model Dev., 15, 2791–2812, 2022 https://doi.org/10.5194/gmd-15-2791-2022