LISALPS IconLes Alpes constituent un laboratoire naturel privilégié pour étudier l'orogenèse en raison de affleurements exceptionnels. La structure profonde des Alpes et les processus tectoniques associés restent néanmoins controversés en raison de la complexité de la chaîne mais aussi de la faible résolution avec laquelle ces niveaux profonds ont été imagés. Pour palier ce manque, le consortium Européen AlpArray a déployé un réseau dense de stations large bande (inter-station < 52km) sur l'ensemble de l'arc Alpin ainsi que 30 stations sismiques sous-marines dans le bassin Ligure. Le projet LisAlps propose d'appliquer la « Full Waveform Inversion » (FWI) aux données télésismiques enregistrées durant AlpArray pour construire :
(1) un nouveau modèle de référence multi-paramétrique de la lithosphère et de l'asthénosphère à l'échelle de l'arc alpin (1500kmx700km) jusqu'à une profondeur de 700km à partir de l'ensemble du réseau et d'un catalogue de 300 séismes,
(2) un modèle lithosphérique haute-résolution des Alpes Occidentales centré sur la zone complexe du noeud Ligure.

NILAFAR ImageLRLes modèles numériques qui synthétisent nos connaissances du système climatique prévoient pour les décennies à venir des variations extrêmes du cycle de l'eau qui auront un impact sur les ressources naturelles et les populations. Dans la corne de l’Afrique, depuis plusieurs milliers d’années, des périodes de fortes et faibles moussons ont déterminé la disponibilité en eau dans les basses terres, ce qui a affecté drastiquement les dynamiques de peuplement humain. Comment ces populations se sont-elles adaptées à ces changements plus ou moins rapides de disponibilité en eau depuis 20,000 ans ? Comment l’homme s’adaptera aux changements climatiques et environnementaux futurs ?

Le projet NILAFAR vise à quantifier les fluctuations hydrologiques et à documenter leurs conséquences sur les communautés humaines, à la transition entre le monde des chasseurs-cueilleurs et le monde des agro-pasteurs, au cours des 20,000 dernières années, en Afrique du nord-est (en région Afar, Ethiopie & Djibouti). Il vise aussi à acquérir une meilleure compréhension des mécanismes à l’origine des fluctuations de la mousson africaine et des épisodes d’hyperaridités qui se sont installés en quelques centaines d’années dans le passé.

logo EARLINatural hazards such as earthquakes are difficult to predict. Dramatic developments in the field of artificial intelligence (AI), however, are paving the way for anticipating destructive events. The EU-funded EARLI project will use AI to identify weak, early seismic signals to both speed up early warning and explore the possibility of earthquake prediction. Specifically, it will implement an early-warning approach based on a newly identified signal, caused by the perturbation of the gravity field generated by an earthquake, which is ~6 orders of magnitude smaller than seismic waves (strongly limiting its detection with standard techniques), but precedes them. The second, more exploratory, objective will be to adapt the developed AI algorithm to search for even earlier signals preceding the origin of large earthquakes.