Projets / Classification multimodale de catastrophes naturelles
Classification multimodale de catastrophes naturelles
Un système qui combine données sismiques tabulaires et signaux audio synthétiques pour détecter automatiquement les catastrophes naturelles (séismes, tsunamis…).
- Période
- Oct. – déc. 2025
- Cadre
- M1 Langue & Informatique, Sorbonne Université
- Encadrement
- Laurence Devillers, Nour Ben Chaabene
- Équipe
- en binôme avec Mamadou Diouhé Barry
Le problème
Une catastrophe naturelle laisse des traces de natures différentes : des mesures sismiques structurées et des signaux sonores. Chaque source prise seule est incomplète. La question : combiner ces modalités améliore-t-il la détection par rapport au meilleur modèle unimodal ?
La démarche
Données sismiques+Signaux audio→StandardScaler prétraitement→Modèles unimodaux→Fusion concaténation · stacking · voting
- Modélisation unimodale : Naïve Bayes, SVM, Random Forest, Gradient Boosting, KNN, comparés sur chaque modalité.
- Fusion multimodale : fusion précoce par concaténation des descripteurs, puis fusion tardive par stacking et par vote.
Résultats
88,9 %exactitude, meilleur modèle unimodal (Random Forest)
0,886F1-score
La fusion multimodale améliore la séparabilité des classes et dépasse les approches unimodales.
Python · scikit-learn · pandas · NumPy