Abstract:
Ce mémoire s'intéresse à l'application de l'intelligence artificielle pour la prédiction et la
surveillance des tremblements de terre. Face aux limites des méthodes traditionnelles et à
la difficulté de prévoir précisément ces phénomènes naturels, les techniques d'apprentissage
automatique offrent des possibilités nouvelles grâce à leur capacité à analyser de grands
volumes de données et à détecter des relations complexes. Dans ce travail, nous avons
étudié plusieurs approches proposées dans la littérature, à travers l'analyse de six articles
scientifiques spécialisés dans la prévision sismique par intelligence artificielle. Ensuite, une
solution a été proposée en utilisant le modèle LightGBM, reconnu pour ses performances
en classification. Les données sismiques historiques ont été prétraitées, normalisées et
équilibrées à l'aide de la méthode SMOTE afin de corriger le déséquilibre des classes. Le
modèle a ensuite été entraîné et évalué à l'aide d'indicateurs de performance tels que la
précision et l'aire sous la courbe ROC. Les résultats obtenus ont montré que LightGBM est
capable de capturer des relations complexes entre les variables et la survenue des séismes,
avec des performances satisfaisantes. Ce travail confirme ainsi l'intérêt des techniques
d'intelligence artificielle pour améliorer les systèmes de détection et d'alerte précoce, tout
en ouvrant des perspectives pour l'intégration de nouvelles données et de modèles plus
avancés dans les recherches futures.
