Big Data dans les systèmes terrestres
Des géosciences computationnelles à grande échelle — transformer les données satellitaires, géophysiques et de capteurs en prévisions physiquement cohérentes et explicables.
- 2
- Cadres d'apprentissage profond
- 4
- Sources de données
- 3
- Outils open source
- INP-HB
- Enseignement
XTFT · GeoPriorSubsNet
InSAR · EM · ERT · forages
GeoPrior-v3 · pyCSAMT · k-diagram
Géosciences computationnelles
Ce que couvre cet axe
Trois volets qui, ensemble, transforment les données terrestres en connaissances réutilisables.
Données terrestres à grande échelle
Séries InSAR pluriannuelles, prospections électromagnétiques et de résistivité, données de forages et hydrologiques — harmonisées dans des chaînes reproductibles.
IA explicable guidée par la physique
Des modèles de prévision à attention et des têtes physiques qui respectent l'hydrogéologie, pour des prédictions cohérentes et interprétables.
Enseignement et science ouverte
Les géosciences computationnelles enseignées à l'INP-HB, appuyées par des paquets open source documentés et réutilisables.
Apprentissage basé sur les données
Fusion d'attention multi-résolution et backbones encodeur-décodeur qui apprennent des patterns spatiotemporels complexes à partir de données InSAR, piézométriques et géologiques.
Têtes physiques
La tête physique dédiée de GeoPriorSubsNet v3 récupère les paramètres hydrogéologiques latents — conductivité effective, porosité, module d'élasticité — sans supervision supplémentaire, imposant la plausibilité physique en sortie.
GeoPriorSubsNet v3 : une étude de cas en IA guidée par la physique
GeoPriorSubsNet v3 unifie une tête de données probabiliste (sorties quantiles pour l'affaissement cumulatif et la charge hydraulique) avec une tête physique qui récupère les champs de fermeture hydrogéologiques effectifs — conductivité, porosité et module d'élasticité — comme variables latentes. Entraîné sur des données InSAR et piézométriques multi-villes, il surpasse les baselines purement basées sur les données et se transfère entre villes avec un réentraînement minimal.
La tête physique agit comme un régulariseur implicite — elle force le modèle à apprendre des représentations qui restent physiquement significatives même sous le changement de distribution entre villes.
Évaluation tenant compte de l'incertitude
Les sorties probabilistes de GeoPriorSubsNet sont auditées avec le toolkit k-diagram — garantissant que la plausibilité physique et la fiabilité statistique vont de pair à tous les niveaux de quantile.
- Les prévisions guidées par la physique sont-elles mieux calibrées que les baselines données seules ?
- Les têtes physiques réduisent-elles les prédictions physiquement implausibles ?
- Où émergent les compromis données-physique dans le transfert multi-villes ?
De la recherche à la pratique
GeoPrior-3.0 Forecaster apporte GeoPriorSubsNet aux praticiens qui ne programment pas — une interface graphique desktop qui couvre l'ensemble du pipeline, de l'ingestion des données et la configuration des contraintes physiques jusqu'à l'entraînement, le transfert d'apprentissage et la prévision opérationnelle.
Page produitRésultats clés
Ce que cet axe de recherche a produit jusqu'ici.
- 8+
Publications
Prévision par apprentissage profond, IA guidée par la physique et géophysique fondée sur les données, dans JEM, EMS, Computers & Geosciences et JOSS.
- 2
Cadres d'apprentissage profond
XTFT et GeoPriorSubsNet — des architectures à têtes probabiliste et physique pour la prévision des systèmes terrestres.
- 3
Outils open source
GeoPrior-v3, pyCSAMT et k-diagram — des paquets Python installables avec tutoriels reproductibles.
- 1
Application de bureau
GeoPrior-3.0 Forecaster met toute la chaîne à la portée des praticiens qui ne programment pas.
Logiciels et documentation
Les outils open source qui mettent ces recherches en pratique.
GeoPrior-v3
Framework Python scientifique pour l'analyse des géorisques guidée par la physique, la prévision et l'interprétation orientée risque.
GeoPrior-3.0 Forecaster
A guided desktop environment for operationalizing GeoPrior-v3 from data intake to reproducible geohazard forecasting.
Publications associées
Articles évalués par les pairs et prépublications issus de cet axe.
- 2024Publié
Machine learning-based techniques for land subsidence simulation in an urban area
Liu, J.; Liu, W.; Allechy, F. B.; Zheng, Z.; Liu, R.; Kouadio, K. L.*
Journal of Environmental Management
Lire l'article - 2025Publié
A mixture learning strategy for predicting aquifer permeability coefficient K
Kouadio, K. L.; Liu, J.; Liu, W.; Liu, R.
Computers & Geosciences
Lire l'article - 2024Publié
K-Means Featurizer: A Booster for Intricate Datasets
Kouadio, K. L.; Liu, J.; Liu, R.; Wang, Y.; Liu, W.
Earth Science Informatics
Lire l'article - 2023Publié
Ensemble Learning Paradigms for Flow-Rate Prediction Boosting
Kouadio, K. L.; Liu, J.; Kouamelan, S. K.; Liu, R.
Water Resources Management
Lire l'article - 2023Publié
watex: machine learning research in water exploration
Kouadio, K. L.; Liu, J.; Liu, R.
SoftwareX
Lire l'article - 2026En révision
Physics-Informed Deep Learning Reveals Divergent Urban Land Subsidence Regimes
Kouadio, K. L.; Liu, R.; Liu, Z.; Jiang, S.; Kouamelan, S.; Liu, W.; Qing, Z.; Zheng, Z.
IEEE Transactions on Geoscience and Remote Sensing
Continuer l'exploration
Chaque axe nourrit les autres — voici où aller ensuite.
Risques naturels
Affaissement des sols, contamination par des décharges défaillantes et feux de forêt menacent villes, eaux et écosystèmes — souvent plus vite que la surveillance.
Explorer
Eaux souterraines et exploration minière
Trouver l'eau et les ressources minérales là où les données manquent reste coûteux et incertain.
Explorer
Incertitude et prévisions fiables
Prendre des décisions fiables nécessite une compréhension sûre de l'incertitude des prévisions.
Explorer