Modélisation de la propagation des aléas rocheux à l'aide du machine learning et d'une approche révisée de la ligne d'énergie – Rockaval

Dans le monde entier, les zones urbanisées et les infrastructures construites à l’aval de parois rocheuses sont potentiellement menacées par les dangers générés par les aléas rocheux. Il est maintenant scientifiquement prouvé que le réchauffement climatique ainsi que la dégradation du pergélisol entraîneront une augmentation des conditions de rupture d’équilibre des faciès rocheux (RSF en anglais) ainsi que des éboulements, notamment en altitude, mettant davantage en danger (directement ou indirectement) les infrastructures de transport et les zones urbaines en montagne. La modélisation de la propagation des chutes de pierres, des trajectoires et/ou des zones de dépôts est une méthode qui fournit des informations importantes pour établir des prévisions réalistes sur les zones potentiellement menacées par cet aléa. Cependant, les modèles prédictifs existants manquent souvent de précision et de robustesse, ce qui entraîne des incertitudes dans les processus de prise de décision. Ce projet de recherche propose de développer et de tester un modèle prédictif avancé qui intègre les données géologiques et topographiques afin de prédire avec précision les enveloppes de propagation et la distance de dépôt des chutes de blocs, des éboulements et des avalanches rocheuses.
Les hypothèses de recherche, sur lesquelles le projet RockAval a été construit, sont les suivantes : 1) l’aire adimensionnée située sous le profil topographique (notée AUP en anglais) de la trajectoire d’un événement rocheux est une variable clé pour la caractérisation de la distribution statistique de l'angle de la ligne d'énergie pour un événement et une pente donnée, 2) un modèle basé sur l'apprentissage automatique et entraîné avec l’AUP ainsi que d'autres covariables de plusieurs milliers d'événements d'éboulement avec des volumes variables est capable de prédire avec précision la distance maximale de propagation des événements rochaux allant de la chute d’un projectile unitaire à l'avalanche rocheuse. Pour atteindre ces objectifs, notre approche scientifique peut être résumée comme suit : 1) la compilation d'une base de données d'événements passés d'éboulement bien documentée et accessible, 2) le développement et le test d'un nouveau modèle statistique pour la prédiction de la zone de propagation des éboulements et 3) l'application et la validation de ces modèles à l'échelle régionale. Pour mettre en œuvre l'approche de recherche décrite ci-dessus, le projet RockAval a été structuré en 5 tâches de travail. La première (WP1) concerne toutes les tâches de gestion et d’administration du projet. La deuxième (WP2), est dédiée à l’analyse de la littérature, y compris l'évaluation des données ouvertes existantes et pertinentes pour le projet. Dans la troisième (WP3), nous compilerons la base de données des événements passés observés et documentés. La quatrième (WP4), sera consacrée à l’élaboration et au test des modèles de simulations qui seront construits en utilisant la technique d’apprentissage automatique (machine learning). Les tests seront réalisés en utilisant un jeu de validation constitué de 100 événements (projectiles unitaires, éboulements, avalanches rocheuses) parfaitement documentés et non utilisés pour construire les modèles. Au final la cinquième et dernière tâche (WP5), sera dédiée à la validation et l’utilisation du modèle le plus performant dans deux zones, une en France et une en Suisse, de chacune 2500km2. Au cours du projet, nous prévoyons de publier 1 article de synthèse, 1 article de données (datapaper, publication en openaccess de la base de données RockAval) et 3 articles scientifiques. Nous avons également l'intention de proposer une session sur l'apprentissage automatique pour la prédiction de l'écoulement des aléas rocheux à l'Union Européenne des Géosciences (EGU) et d'organiser, à la fin du projet, un symposium RockAval.