Chrono-environnement - UMR 6249 CNRS/UFC
Campus de la Bouloie
16 rue de Gray
25030 Besançon cedex
France
Olivier Béjean-Maillard
Doctorant
GEODE
olivier.maillard@-Code to remove to avoid SPAM-univ-fcomte.fr
+33 (0)3 81 66 64 31, bureau -227L (La Bouloie)
Encadrant⋅e Chrono :
0009-0007-9264-5488 
obejeanmaillard
Géorisques – Glissement de terrain – Modèle de prévision temporelle – Facteurs météorologiques et hydrogéologiques – Machine learning
Présentation
Thèse de doctorat : Détection des éléments précurseurs au déclenchement d’instabilités gravitaires : Chronique multi-paramètres, intelligence artificielle et modélisation
Les glissements de terrain sont des mouvements gravitaires qui peuvent être déclenchés par facteurs de déclenchement tels que les activités sismiques et des événements climatiques (précipitation, tempête…). Dans le but d’améliorer les systèmes de prévention des glissements de terrain dans le temps, mes travaux de thèse visent à identifier les facteurs hydrogéologique et météorologique précurseurs aux phases d’instabilité. Pour cela, je construis un modèle de prévision des vitesses de déplacement dans le temps à partir de modèles de machine learning (Random Forest, XGBoost) qui permettent de hiérarchiser les facteurs les plus utilisées dans la prévision en utilisant dans un premier temps les données issues du glissement de Séchilienne.
▶ Voir plus sur le CV HAL
Publications
Article dans une revue
2025
- ref_biblio
- Olivier Béjean-Maillard, Catherine Bertrand, Jean-Philippe Malet, Guillaume Cinkus, Pierre Nevers, et al.. Hydrogeological forecasting of deep-seated landslides dynamics: structure and sensitivity of tank models. Landslides, 2025, ⟨10.1007/s10346-025-02482-2⟩. ⟨hal-04976057⟩
- Accès au bibtex
-
Communication dans un congrès
2024
- ref_biblio
- Joshua Ducasse, Catherine Bertrand, Olivier Maillard, Delphine Charpentier, Jean-Pierre Sizun, et al.. HYDROGEOLOGICAL SIMULATIONS OF A DEEP-SEATED LANDSLIDE: IMPLICATIONS FOR HAZARD MITIGATION. XIVth International Symposium on Landslides, Jul 2024, Chambéry (France), France. ⟨hal-04938130⟩
- Accès au texte intégral et bibtex
-
- ref_biblio
- Olivier Maillard, Catherine Bertrand, Jean-Philippe Malet. Forecasting landslide motion with EXplainable Machine Learning models: the use case of Séchilienne landslide (French Alps) to identify the relevant predicting variables. European Geolosciences Union, Apr 2024, Viennes, Austria. ⟨10.5194/egusphere-egu24-16825⟩. ⟨hal-04976803⟩
- Accès au bibtex
-
- ref_biblio
- Olivier Maillard, Catherine Bertrand, Jean-Philippe Malet. Forecasting landslide motion with machine learning models: the use case of Séchilienne landslide (French Alps) to identify the relevant predicting variables. XIVth International Symposium on Landslides, Jul 2024, Chambéry (France), France. ⟨hal-04938136⟩
- Accès au texte intégral et bibtex
-
