Des opérateurs de Koopman aux réseaux de neurones sur graphes : un cadre unifié pour la modélisation de séries temporelles structurées

La disponibilité croissante de données multivariées issues des réseaux mondiaux de surveillance, tels que le Système de Surveillance International, ouvre de nouvelles perspectives pour la détection et l'interprétation des événements géophysiques. Malgré certaines avancées, les systèmes de traitement actuels restent limités par leur dépendance à des méthodes basées sur des règles fixes et à l'expertise humaine, en particulier lorsque la propagation des ondes se fait à travers des milieux changeants tels que l'atmosphère. Cette thèse introduit des approches d'apprentissage automatique ancrées dans des principes physiques, afin de répondre aux spécificités des réseaux de capteurs globaux. Deux axes complémentaires sont explorés. Le premier porte sur des données infrasonores monostation, pour lesquelles nous utilisons des autoencodeurs de Koopman pour modéliser et prévoir les dynamiques atmosphériques basses fréquences, et ainsi les séparer des signaux d'intérêt. Le second s'intéresse aux données sismiques multistation, en tirant parti de réseaux de neurones graphiques capables d'exploiter les relations spatiales et les caractéristiques des formes d'onde pour améliorer la caractérisation des événements, et notamment l'estimation de magnitude.En combinant théorie des systèmes dynamiques, apprentissage profond et modèles basés sur des graphes, ce travail vise à renforcer la précision et l'interprétabilité des méthodes de traitement des réseaux de surveillance mondiaux.