SONAR|HES-SO

SONAR|HES-SO

SONAR|HES-SO regroupe les travaux de bachelor et master diffusables de plusieurs écoles de la HES-SO. Consultez cette page pour le détails.

En cas de question, merci de contacter les bibliothécaires de la HES-SO : bibliotheques(at)hes-so.ch

Back to SONAR
Back
imfeld_dimitri_bt.pdf
Bachelor thesis

Rolling Stones : Etude de faisabilité d'un modèle de Machine Learning pour l'identification du risque de chute de pierres sur le territoire du Canton du Valais

  • Sion : Haute Ecole d'Ingénierie, HES-SO Valais-Wallis, 2025

Bachelor of Science (BSc) HES en Informatique et systèmes de communication: Haute Ecole d'Ingénierie, HES-SO Valais-Wallis, 2025

engineering
data
machine learning
rockfall
natural hazards
rockfall susceptibility mapping
English French The Service for Natural Hazards of the Canton Valais (SDANA) is responsible for assessing and managing natural hazards, including rockfalls. Rockfalls are a significant natural hazard in mountainous regions, particularly in the Swiss Alps, where steep slopes and geological conditions create an environment favourable to such events. They wanted, through this project, to explore the potential of machine learning techniques to assist in the creation of rockfall susceptibility maps, with the goal to help identify areas at risk and inform and assist decision-making processes for land use planning and risk management. The project uses a variety of geospatial data, including digital elevation models (DEMs), geological maps, and hand-made rockfall susceptibility maps used as reference, to train and evaluate different machine learning models. The results show that machine learning models can effectively learn from the data and produce rockfall susceptibility maps that, while not as precise as expert-made maps, are still accurate enough to identify general areas at risk of rockfalls. The project demonstrates the potential of using machine learning techniques to assist in rockfall hazard assessment, providing a valuable tool for risk management in the canton of Valais. Le Service des dangers naturels du Canton du Valais (SDANA) est responsable de l’évaluation et de la gestion des dangers naturels, y compris les chutes de pierres. Les chutes de pierres constituent un danger naturel important dans les régions montagneuses, particulièrement dans les Alpes suisses, où les pentes raides et les conditions géologiques créent un environnement favorable à de tels événements. Ils souhaitaient avec ce projet explorer le potentiel des techniques d’apprentissage automatique (Machine Learning) pour aider à la création de cartes de susceptibilité de chutes de pierres, dans le but d’identifier les zones à risque et d’informer et d’assister les processus de prise de décision pour l’aménagement du territoire et la gestion des risques. Le projet utilise une variété de données géospatiales, notamment des modèles numériques d’élévation, des cartes géologiques et des cartes de susceptibilité aux chutes de pierres réalisées manuellement utilisées comme référence, pour entraîner et évaluer différents modèles d’apprentissage automatique. Les résultats montrent que les modèles d’apprentissage automatique peuvent efficacement apprendre à partir des données et produire des cartes de susceptibilité aux chutes de pierres qui, bien qu’elles ne soient pas aussi précises que les cartes réalisées par des experts, sont néanmoins suffisamment exactes pour identifier les zones générales à risque de chutes de pierres. Le projet démontre le potentiel de l’utilisation des techniques d’apprentissage automatique pour aider à l’évaluation des dangers de chutes de pierres, fournissant un outil précieux pour la gestion des risques dans le Valais.
Language
  • English
Classification
Computer science and technology
Notes
  • Haute Ecole d'Ingénierie Valais
  • Informatique et systèmes de communication - Informatik und Kommunikationssysteme
  • Data engineering major
  • hesso:heivs
Persistent URL
https://sonar.rero.ch/hesso/documents/335272
Statistics
Document views: 11 File downloads:
  • imfeld_dimitri_bt.pdf: 15