Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IRISA et GéoAzur
Durée : 24 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2026-07-01

Contexte :
Le travail proposé s’inscrit dans un vaste projet intitulé Intelligent_Mapping, lui-même inscrit dans
le projet PEPR Risques IRIMA financé en 2024 par l’Agence Nationale de la Recherche (ANR)
dans le cadre du programme national PIA4 France 2030 (voir https://www.pepr-
risques.fr/fr/programme-de-recherche-risques-irima). IRIMA est piloté par le CNRS, l’Université
Grenoble Alpes et le BRGM, et vise à structurer et renforcer la science des aléas et des risques en
France. Intelligent_Mapping est une composante d’IRIMA, soutenue et hébergée par Université
Côte d’Azur (Responsable : Isabelle Manighetti, Géoazur ; co-responsable : Elena Di Bernardino,
LJAD). Plus spécifiquement, Intelligent_Mapping est intégré au Consortium « Plateformes » porté
par le BRGM. L’objectif principal d’Intelligent_Mapping est de développer des algorithmes
d’Intelligence Artificielle (IA) capables d’identifier, cartographier et mesurer dans des images
aériennes et satellitaires de la Terre, les aléas et risques naturels et socio-environnementaux étudiés
dans IRIMA (tremblements de terre, tsunamis, éruptions volcaniques, glissements de terrain,
avalanches, inondations, incendies de forêt, zones végétalisées détruites, érosion et modifications
des zones littorales, etc.) Le travail de post-doctorat FAILLES se concentre sur l’un des objectifs
d’Intelligent_Mapping : le développement d’algorithmes d’IA pour identifier et cartographier, dans
les images de la Terre, les réseaux de failles à l’origine des tremblements de terre dévastateurs qui
nous affectent.

Sujet :
Les fractures et les failles sont très répandues dans la croûte terrestre et sont associées à des risques
telluriques, notamment les séismes, la sismicité induite, les glissements de terrain, la fracturation
des réservoirs rocheux, entre autres. Alors que les fractures sont généralement de petite taille, peu
profondes et planes, les failles couvrent une large gamme d’échelles de longueur (10⁻⁶ à 10³ km) et
de largeur en profondeur (1 à 10² km), et présentent une architecture 3D complexe (e.g.,
Giampietro et al., 2025). À toutes les échelles, les failles forment des réseaux denses (aussi appelés
zones de failles) comprenant une faille principale et une myriade de fractures et de failles
secondaires qui dissèquent intensément la roche autour de la faille principale. Qu’il s’agisse d’une
faille principale ou secondaire, la faille est rarement plane mais se compose plutôt de sections
déconnectées. Entre autres, la complexité géométrique des failles et des zones de failles a un impact
important sur le comportement de la rupture sismique de ces failles : elle contrôle en partie le
déclenchement et l’arrêt de la rupture, et donc l’étendue de celle-ci, mais aussi l’amplitude des
déplacements et des accélérations du sol, et donc la magnitude du séisme et son potentiel de
dommages (e.g., Manighetti et al., 2007 ; Radiguet et al., 2009). Une quantification précise de la
géométrie et de l’architecture des failles est donc d’une importance capitale pour mieux comprendre
et anticiper les risques sismiques.
La plupart des plans de faille coupent la surface du sol, où ils forment généralement des traces
nettes, laissant souvent une empreinte dans la topographie. Ces traces en surface fournissent des
informations précieuses sur l’architecture de la zone de faille en profondeur. C’est pourquoi un
volume considérable d’observations de failles a été réalisé à la surface du sol au cours du siècle
dernier et traduit en cartes 2D reproduisant les traces de failles en surface. Au cours des dernières
décennies, l’augmentation rapide du volume de données satellitaires et d’autres données de
télédétection a grandement facilité la cartographie des traces de failles. La cartographie est
généralement effectuée manuellement : l’expert identifie visuellement les traces de fractures et de
failles dans les images de télédétection et les données topographiques, puis reproduit ces traces
sous forme de lignes tracées à la main dans un environnement de système d’information
géographique (SIG). Ces environnements permettent d’étiqueter de diverses manières les attributs
2
des failles, tels que l’épaisseur des traces, l’importance hiérarchique, les interruptions, les
connexions et le mode de glissement, tandis que le niveau de confiance de l’expert dans la
reconnaissance des failles peut être évalué qualitativement. Cependant, la cartographie manuelle est
extrêmement chronophage, et l’expertise nécessaire n’est pas toujours disponible, ce qui empêche
l’analyse de vastes zones de failles à haute résolution et limite considérablement le nombre de cartes
de failles précises disponibles.
Récemment, plusieurs approches ont été mises au point pour tenter d’automatiser la cartographie
des failles et des fractures à partir de données de télédétection (Mattéo et al., 2021 ; Esmaeili et al.,
2025). L’apprentissage profond a été utilisé pour réaliser cette cartographie à partir de données
provenant de drones (Batista et al., 2025 ; Chudasama et al., 2024 ; Lambert et al., 2025) ou d’images
satellitaires (Mattéo et al., 2021), tant à très haute résolution (Choi et al., 2023 ; Pousse-Beltran et
al., 2025) qu’à haute résolution (Gannouni et al., 2025). Le développement de ces nouveaux
modèles d’IA est soutenu par la mise à disposition de jeux de données publics (Yaqoob et al., 2024).
Dans un contexte plus large, la détection des fissures a fait l’objet de nombreuses études et, depuis
certaines tentatives préliminaires telles que DeepCrack (Liu et al., 2019), de nombreuses méthodes
utilisant l’apprentissage profond ont été développées (Gupta & Dixit, 2022 ; Pandey & Mishra,
2025). Bien que ces méthodes ne soient pas spécifiquement adaptées aux failles et fractures de la
Terre, elles fournissent une bibliographie riche et un ensemble de références pour le projet.
Cependant, aucune des approches existantes ne s’est jusqu’à présent révélée pleinement
satisfaisante. Cela s’explique principalement par la grande complexité des traces de failles et des
réseaux qu’elles forment à grande échelle : chaque trace de faille est un mélange de sections
sublinéaires et curvilignes ; ces sections peuvent être entièrement connectées ou déconnectées ; les
traces de failles peuvent se croiser, parfois en se ramifiant les unes vers les autres, parfois en
s’interrompant mutuellement. De plus, ces caractéristiques se manifestent différemment selon
l’échelle à laquelle les traces de failles sont analysées : alors qu’une trace de faille peut paraître
continue et simple à une échelle donnée, elle se révèle très segmentée et complexe à une échelle
plus petite. Enfin, bien que les réseaux de failles aient une organisation complexe, il a été démontré
que certaines lois d’échelle contrôlent en partie cette organisation, ce qui suggère que certains
principes physiques sous-tendent les motifs des réseaux de failles (e.g., Perrin et al., 2016).

Profil du candidat :
Le/la candidat(e) doit être titulaire d’une thèse en informatique ou dans un domaine connexe (traitement du signal et des images, mathématiques appliquées), ou en en géosciences avec des contributions méthodologiques avérées en IA.

Nous recherchons un/une candidat(e) fortement motivé(e) par les questions de risques naturels et
par devenir un expert dans les développements IA les plus poussés.
Le/la candidat(e) aura également une excellente maîtrise dans les domaines suivants :
• Programmation Python
• Cadre d’apprentissage profond (de préférence Pytorch)
• Utilisation de serveurs GPU Linux en ligne de commande
• Anglais scientifique écrit et parlé
Une expérience avec les SIG et la télédétection serait un plus.

Formation et compétences requises :

Adresse d’emploi :
IRISA, site UBS, campus de Tohannic, 56000 Vannes

Document attaché : 202605020914_postdoc-IRIMA-failles.pdf