Les scientifiques ont développé un modèle d’apprentissage profond, RECAST, pour prévoir les répliques des tremblements de terre. Ce modèle démontre une adaptabilité et une évolutivité supérieures par rapport au modèle ETAS existant, en particulier avec des ensembles de données sismologiques plus importants. Le modèle pourrait conduire à de meilleures prévisions, même dans les zones disposant de données limitées, en exploitant les informations provenant de plusieurs régions du monde.
Les chercheurs ont développé un modèle d’apprentissage profond, RECAST, qui surpasse les méthodes traditionnelles de prévision des répliques sismiques, en particulier avec des ensembles de données plus volumineux. Cette avancée promet une meilleure prévision des tremblements de terre à l’aide de données mondiales complètes.
Depuis plus de 30 ans, les modèles utilisés par les chercheurs et les agences gouvernementales pour prévoir les répliques des tremblements de terre sont restés pratiquement inchangés. Bien que ces anciens modèles fonctionnent bien avec des données limitées, ils ont du mal à gérer les énormes ensembles de données sismologiques désormais disponibles.
Pour remédier à cette limitation, une équipe de chercheurs de l’Université de Californie à Santa Cruz et de l’Université technique de Munich a créé un nouveau modèle qui utilise l’apprentissage profond pour prévoir les répliques : le Recurrent Earthquake preneCAST (RECAST). Dans un article publié récemment dans Lettres de recherche géophysiqueles scientifiques montrent à quel point le modèle d’apprentissage profond est plus flexible et évolutif que les modèles de prévision des tremblements de terre actuellement utilisés.
Comparaison de RECAST aux modèles existants
Le nouveau modèle a surpassé le modèle actuel, connu sous le nom de modèle Epidemic Type Aftershock Sequence (ETAS), pour les catalogues de tremblements de terre d’environ 10 000 événements et plus.
« L’approche du modèle ETAS a été conçue pour les observations que nous avions dans les années 80 et 90, lorsque nous essayions de construire des prévisions fiables basées sur très peu d’observations », a déclaré Kelian Dascher-Cousineau, l’auteur principal de l’article qui a récemment terminé son doctorat. à l’UC Santa Cruz. « C’est un paysage très différent aujourd’hui. » Désormais, avec des équipements plus sensibles et des capacités de stockage de données plus importantes, les catalogues sismiques sont beaucoup plus volumineux et détaillés.
Dommages causés par un tremblement de terre de 2020 à Porto Rico. Crédit : Commission géologique des États-Unis
« Nous avons commencé à avoir des catalogues de tremblements de terre contenant des millions de tremblements de terre, et l’ancien modèle ne pouvait tout simplement pas gérer cette quantité de données », a déclaré Emily Brodsky, professeur de sciences de la Terre et des planètes à l’UC Santa Cruz et co-auteur de l’article. En fait, l’un des principaux défis de l’étude n’était pas de concevoir le nouveau modèle RECAST lui-même, mais de faire fonctionner l’ancien modèle ETAS sur d’énormes ensembles de données afin de comparer les deux.
« Le modèle ETAS est plutôt fragile et il peut échouer de nombreuses manières très subtiles et capricieuses », a déclaré Dascher-Cousineau. « Nous avons donc passé beaucoup de temps à nous assurer de ne pas gâcher notre référence par rapport au développement réel du modèle. »
Applications pratiques et potentiel futur
S’aventurant plus loin dans le domaine de l’apprentissage profond pour la prévision des répliques, Dascher-Cousineau affirme que ce domaine a besoin d’un meilleur système d’analyse comparative. Afin de démontrer les capacités du modèle RECAST, le groupe a d’abord utilisé un modèle ETAS pour simuler un catalogue de tremblements de terre. Après avoir travaillé avec les données synthétiques, les chercheurs ont testé le modèle RECAST en utilisant des données réelles du catalogue des tremblements de terre de Californie du Sud.
Ils ont constaté que le modèle RECAST – qui peut essentiellement apprendre à apprendre – fonctionnait légèrement mieux que le modèle ETAS pour prévoir les répliques, en particulier à mesure que la quantité de données augmentait. L’effort et le temps de calcul étaient également nettement meilleurs pour les catalogues plus volumineux.
Ce n’est pas la première fois que des scientifiques tentent d’utiliser apprentissage automatique pour prévoir les tremblements de terre, mais jusqu’à récemment, la technologie n’était pas tout à fait prête, a déclaré Dascher-Cousineau. Les nouvelles avancées en matière d’apprentissage automatique rendent le modèle RECAST plus précis et facilement adaptable à différents catalogues de tremblements de terre.
La flexibilité du modèle pourrait ouvrir de nouvelles possibilités pour la prévision des tremblements de terre. Grâce à leur capacité à s’adapter à de grandes quantités de nouvelles données, les modèles utilisant l’apprentissage profond pourraient potentiellement incorporer des informations provenant de plusieurs régions à la fois pour établir de meilleures prévisions sur des zones peu étudiées.
« Nous pourrions peut-être nous entraîner sur la Nouvelle-Zélande, le Japon, la Californie et disposer d’un modèle qui est en fait assez efficace pour prévoir des endroits où les données ne sont peut-être pas aussi abondantes », a déclaré Dascher-Cousineau.
L’utilisation de modèles d’apprentissage profond permettra également à terme aux chercheurs d’élargir le type de données qu’ils utilisent pour prévoir la sismicité.
« Nous enregistrons constamment les mouvements du sol », a déclaré Brodsky. « Le niveau suivant consiste donc à utiliser réellement toutes ces informations, sans se soucier de savoir si nous appelons cela un tremblement de terre ou non, mais à tout utiliser. »
En attendant, les scientifiques sont optimistes et pensent que le modèle suscitera des discussions sur les possibilités de la nouvelle technologie.
«Il a tout ce potentiel qui lui est associé», a déclaré Dascher-Cousineau. « Parce qu’il est conçu de cette façon. »
