Système d'aide à la surveillance sismique.

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.