Glissements de terrain et changement climatique dans des environnements hautement sensibles: sismologie, observation de la Terre et intelligence artificielle – HighLand

HIGHLAND a reposé sur une chaîne de traitement intégrée combinant sismologie, télédétection et intelligence artificielle, déployée sur des infrastructures de calcul intensif. L’objectif était de dépasser les limites de la détection des glissements de terrain en exploitant les complémentarités entre signaux sismiques et observations satellitaires.

En sismologie, les approches classiques reposaient sur les ondes longue période et ne permettaient de détecter que les événements les plus volumineux. Pour couvrir l’ensemble du spectre, HIGHLAND a développé des méthodes exploitant les signaux haute fréquence, générés par tous les glissements mais fortement contaminés par le bruit. L’apprentissage automatique a joué un rôle central dans ce défi. Des algorithmes supervisés tels que les forêts aléatoires ont été utilisés pour discriminer efficacement glissements et autres sources sismiques. Une approche de classification continue sur fenêtres glissantes de signal a été mise en place, évitant l’étape classique de détection préalable, souvent source de pertes d’événements.

Afin d’améliorer la généralisation et la détection d’événements atypiques, HIGHLAND a exploré des stratégies semi-supervisées et non supervisées capables de gérer la forte variabilité des sources et le déséquilibre entre classes. Un effort particulier a porté sur le Self-Supervised Learning (SSL), permettant d’exploiter directement de vastes volumes de données non étiquetées pour apprendre des représentations discriminantes du signal. Ces méthodes se sont révélées capables non seulement d’améliorer la détection de signaux faibles, mais aussi d’identifier des événements rares, comme le glissement du fjord Dickson et le tsunami qui a suivi, dans huit années de données continues. Cette avancée méthodologique a marqué une étape décisive vers une exploration exhaustive des archives sismologiques.

Toutes ces méthodes nécessitaient le traitement de volumes massifs de données issues de milliers de stations sismiques. Leur implémentation sur le centre de calcul haute performance de l’Université de Strasbourg a permis de réduire significativement les temps de calcul et d’envisager des applications en quasi temps réel.

Le projet HIGHLAND a conduit à plusieurs avancées majeures dans l’étude et la surveillance des glissements de terrain sismogènes.

Un premier résultat a été le développement d’une chaîne de traitement basée sur l’apprentissage auto-supervisé (Self-Supervised Learning, SSL) combiné à un clustering agglomératif. Cette approche a permis, pour la première fois, d’explorer de manière exhaustive des décennies de chroniques sismologiques et d’identifier automatiquement des sources rares ou atypiques, comme le glissement du fjord Dickson et le tsunami associé. Réalisés notamment dans le cadre de la thèse de J. Rimpot, ces travaux représentent une avancée méthodologique décisive.

Un deuxième résultat est la mise en place d’une chaîne de traitement intégrant localisation et classification automatique des événements à l’échelle régionale. Appliquée à 23 ans de données sismiques dans les Alpes, elle a permis d’identifier près de 1000 nouveaux glissements de terrain sismogènes. L’analyse de leur répartition temporelle a révélé des régimes saisonniers contrastés selon les massifs, liés à l’interaction entre température, précipitations, couverture nivale et fonte des neiges. Une comparaison avant et après 2010 a mis en évidence une élévation des températures (0,5 à 1,1 °C), une saisonnalité des précipitations plus marquée et un décalage de l’activité gravitaire vers des périodes plus précoces, en lien avec le changement climatique. Ces résultats ont été approfondis notamment dans la thèse de C. Groult.

Un troisième résultat concerne l’estimation directe des propriétés dynamiques des glissements à partir de leurs signaux sismiques. Des modèles de type gradient boosting ont été entraînés pour prédire volumes et distances de propagation. Les performances obtenues montrent une erreur médiane de 42 % pour les volumes (R² = 0,84) et de 19 % pour les distances, offrant une alternative aux approches classiques d’inversion et ouvrant des perspectives pour l’évaluation rapide des aléas en quasi temps réel.

Dans son ensemble, HIGHLAND a démontré la faisabilité d’une exploration exhaustive des archives sismologiques et la pertinence de l’intelligence artificielle pour constituer des catalogues complets et homogènes. Le projet a mis en évidence le rôle des conditions climatiques sur l’activité gravitaire alpine et proposé des méthodes innovantes pour caractériser la dynamique des événements. Ces résultats constituent un socle solide pour développer à terme des systèmes automatiques de détection et de surveillance des glissements de terrain.

Les avancées de HIGHLAND ouvrent plusieurs perspectives majeures pour la recherche et la surveillance des instabilités gravitaires.

La première concerne la mise en place d’une détection automatique en temps quasi réel des glissements de terrain. La chaîne de traitement développée, testée sur plusieurs décennies de données, doit désormais être optimisée pour fonctionner en flux continu. L’objectif est de déployer ce système à l’échelle des Alpes, puis de l’étendre progressivement au niveau mondial. Une telle capacité permettrait de suivre l’activité gravitaire avec la même réactivité que pour les séismes et constituerait un outil précieux pour l’anticipation des risques.

Une deuxième perspective concerne le développement d’approches auto-supervisées à grande échelle. Leur généralisation doit permettre d’explorer de vastes chroniques sismologiques dans des contextes très variés : Alpes, Himalaya, zones arctiques, volcans ou environnements sous-marins. L’ambition est de produire des catalogues exhaustifs et homogènes, couvrant une diversité de sources, et de mieux comprendre leurs relations avec les forçages climatiques et hydrologiques.

La constitution de tels catalogues ouvre la voie à l’entraînement de modèles fondation pour la sismologie, inspirés de ceux qui transforment déjà le traitement du langage ou l’analyse d’images. Ces modèles auraient la capacité d’apprendre des représentations robustes et transférables des signaux sismiques, utilisables pour de multiples tâches : détection, classification, discrimination des sources, estimation des propriétés dynamiques. Ils offriraient un cadre unifié pour exploiter efficacement les milliards d’heures de données disponibles dans les bases mondiales. Une telle approche dépasserait le seul champ de la sismologie environnementale et pourrait bénéficier à la sismologie tectonique et volcanique.

Enfin, ces développements s’inscrivent dans un cadre de coopération internationale. Le passage à l’échelle mondiale suppose de renforcer les partenariats avec les réseaux sismologiques et satellitaires, ainsi qu’avec les services opérationnels en charge de la prévention des risques. Les retombées attendues vont bien au-delà de la recherche fondamentale : elles concernent directement la gestion des risques en montagne et dans les régions isolées, l’adaptation au changement climatique et la protection des populations et infrastructures.

HIGHLAND a démontré le potentiel de l’intelligence artificielle et du calcul intensif pour transformer la sismologie environnementale. Les prochaines étapes consistent à consolider ces acquis vers des systèmes opérationnels de surveillance globale et intégrée, reposant sur des catalogues massifs, des approches auto-supervisées et des modèles fondation, capables de répondre aux grands défis scientifiques et sociétaux liés aux aléas gravitaires dans un climat en réchauffement.

Le projet HighLand propose de combiner sismologie, télédétection et apprentissage machine pour quantifier l'impact du climat sur l'activité gravitaire dans les régions de haute latitude ou altitude. Le premier objectif du projet porte sur le développement de nouvelles chaines de traitement pour constituer, à partir des enregistrements continus de réseaux sismologiques régionaux, des catalogues instrumentaux de glissements de terrain. L'exploration systématique de ces chroniques sismologiques sera rendu possible par l'utilisation d'algorithmes d'apprentissage machine et permettra de produire des catalogues offrant une résolution spatio-temporelle inégalée. Les détection sismologique seront confrontées aux observations satellitaires à haute répétitivité temporelle possible grâce aux constellations de satellites Sentinel et Landsat. Trois régions du monde seront d'abord ciblée par cette nouvelle chaine de traitement: l'Alaska, les Alpes et le Nepal. Cette approche multi-disciplinaire permettra de produire des observations nécessaires et de construire et contraindre des modèles pour mieux comprendre les liens à long et court termes entre climat et activité gravitaire. Le prototype de chaine de traitement servira de base pour un système d'observation et d'écoute de l'activité gravitaire en temps court dans ces régions du monde puis à l'échelle globale.