Risques naturels
Prévoir et détecter les aléas avant qu'ils ne deviennent des catastrophes — affaissement urbain des sols, lixiviats de décharges et risque de feux.
- R² > 0.90
- Précision du modèle
- ~55%
- Réduction d'erreur
- −111 mm
- Affaissement max détecté
- 30×
- Inférence plus rapide
R² sur les jeux de test urbains
Par rapport aux baselines LSTM standards
Déformation annuelle dans les villes suivies
Par rapport aux simulateurs numériques
Affaissement urbain des sols
Prévision guidée par la physique avec GeoPriorSubsNet, des séries InSAR aux cartes de risque exploitables par les aménageurs.
Les villes s'affaissent — et les coûts s'accélèrent
L'extraction incontrôlée des eaux souterraines et l'urbanisation rapide causent une déformation mesurable dans les villes du sud de la Chine et au-delà. Les relevés de terrain à Zhongshan révèlent des dommages structurels de 100 à 342 mm — fondations fissurées, bâtiments inclinés, canalisations brisées. Une prévision précoce et précise est essentielle pour une planification urbaine durable.
GeoPriorSubsNet — Architecture de prévision guidée par la physique
Mes travaux introduisent GeoPriorSubsNet v3, un encodeur-décodeur unifié combinant la fusion d'attention multi-résolution, une tête de données probabiliste (sorties quantiles pour l'affaissement cumulatif et la charge hydraulique) et une tête physique qui récupère les paramètres hydrogéologiques latents — conductivité effective, porosité et module d'élasticité — sans étiquettes supplémentaires.
Persistance des points chauds et cartes de risque
Les sorties de GeoPriorSubsNet sont traduites en cartes de risque probabilistes identifiant les points chauds d'affaissement persistants dans les villes. Les clusters prioritaires classés par score de risque moyen permettent aux urbanistes de concentrer les ressources d'intervention là où la déformation se concentre.
Découvertes clés
Régimes urbains divergents
Nansha et Zhongshan présentent des dynamiques d'affaissement fondamentalement différentes, nécessitant une calibration spécifique à chaque ville.
La physique améliore la fiabilité
L'intégration de contraintes hydrogéologiques réduit les prédictions physiquement implausibles et récupère des paramètres latents interprétables sans étiquettes supplémentaires.
Transférable entre villes
Les modèles entraînés dans une ville peuvent être transférés vers un nouveau déploiement avec un réentraînement minimal, rendant le déploiement multi-villes opérationnellement faisable.
Suite de prévision desktop
GeoPrior-3.0 Forecaster opérationnalise GeoPriorSubsNet via un environnement desktop guidé — de l'ingestion des données et la configuration des expériences jusqu'à l'entraînement, le transfert d'apprentissage et la prévision opérationnelle — sans nécessiter de compétences en ligne de commande.
Page produitMADF — Détecter le lixiviat toxique par IA
Au-delà de la localisation des eaux souterraines fraîches, les protéger de la contamination est tout aussi critique. Ce volet de recherche applique un cadre de détection d'anomalies multidimensionnel (MADF) aux données de tomographie de résistivité électrique (ERT) pour cartographier et délimiter les panaches de lixiviat toxique s'échappant de géomembranes défaillantes.
Quand les décharges fuient : le lixiviat toxique dans le sous-sol
Les défaillances des géomembranes anti-infiltration dans les décharges libèrent du lixiviat toxique — un mélange de contaminants organiques, de métaux lourds et de pathogènes — dans le sol et les eaux souterraines environnantes. L'inversion ERT traditionnelle localise les anomalies approximativement, mais ne peut délimiter les périmètres d'excavation avec la précision requise par les équipes de remédiation.
Entonnoir à vote majoritaire : trois détecteurs, une vérité terrain
MADF exécute trois détecteurs d'anomalies non supervisés — Isolation Forest (IF), One-Class SVM (OC-SVM) et Local Outlier Factor (LOF) — sur des caractéristiques de résistivité extraites des sections ERT. Un entonnoir à vote majoritaire fusionne leurs sorties binaires en un masque d'anomalie confirmé unique (B_MADF), supprimant les faux positifs de chaque détecteur individuel tout en préservant les signatures de lixiviat réelles.
Des sections ERT au périmètre d'excavation
Validé sur deux profils (G1040 et G2030) sur un site de décharge actif, la sortie MADF a atteint un indice de Youden de J = 0,095–0,052 — une amélioration substantielle par rapport à l'inversion standard (J = 0,027–0,046). La zone de lixiviat délimitée correspondait à la déchirure confirmée de la membrane à 15 m de profondeur, permettant aux ingénieurs de définir un périmètre d'excavation précis.
Alerte précoce aux feux en Afrique
Africa FireShield applique la même recette — données satellitaires et IA — pour prévoir et surveiller le risque de feux sur le continent, afin que communautés et agences puissent agir avant leur propagation.
À propos d'Africa FireShieldRésultats clés
Ce que cet axe de recherche a produit jusqu'ici.
- 5+
Publications
Articles dans JEM, Waste Management et Geophysics sur la subsidence et les lixiviats, et des travaux en évaluation.
- 2
Villes cartographiées
Nansha et Zhongshan (Chine) — des séries InSAR pluriannuelles transformées en cartes de zones critiques et de risque.
- 1
Détecteur de lixiviats
MADF — un entonnoir d'IA à vote majoritaire qui localise les fuites à partir de données ERT et guide l'excavation.
- 1
Brevet déposé
Demande de brevet chinois (2026) pour une prévision de la subsidence contrainte par la physique.
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
Multifaceted anomaly detection framework for leachate monitoring in landfills
Liu, R.; Jiang, S.; Ou, J.; Kouadio, K. L.*; Xiong, B.
Journal of Environmental Management
Lire l'article - 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 - 2026Publié
A low-cost method for planar localization of leakage points in closed landfills
Liu, R.; Liu, Y.; Jiang, S.; Yang, G.; Kouadio, K. L.
Waste Management
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.
Big Data dans les systèmes terrestres
Satellites, prospections géophysiques et réseaux de capteurs produisent bien plus de données que les méthodes géoscientifiques classiques ne peuvent en exploiter.
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