Auteur : Li Baozhu

Editeur : Li Weidong, xixi, Sanyang

La survenue de tremblements de terre implique de nombreuses variables et la « prédiction » est difficile, mais des progrès significatifs ont été réalisés dans la prévision du nombre et de l’intensité des répliques.

Le 18 décembre 2023 à 23h59, un tremblement de terre de magnitude 6,2 s'est produit dans le comté de Jishishan, préfecture de Linxia, province du Gansu, avec une profondeur focale de 10 kilomètres. Le 19 à 6 heures du matin, 275 répliques avaient été enregistrées localement. Par coïncidence, un tremblement de terre de magnitude 7,6 s'est produit dans la péninsule de Noto, dans la préfecture d'Ishikawa, au Japon, dans l'après-midi du 1er janvier 2024. À 6 heures du matin, heure locale, le 2, 129 répliques d'une intensité de plus de 2 degrés s'étaient produites.

(Un niveau 2 sur l'échelle d'intensité des tremblements de terre du Japon signifie que de nombreuses personnes dans des bâtiments calmes pourraient ressentir les secousses.)

Bien que moins violentes que la secousse principale, les répliques ne doivent pas être sous-estimées. D’une part, les répliques d’un fort tremblement de terre sont souvent de magnitude élevée ; D'autre part, les dommages secondaires causés par les répliques peuvent détruire davantage des bâtiments déjà extrêmement fragiles, conduisant à un effondrement de zones encore plus vastes.

De plus, des répliques sismiques fréquentes peuvent rendre la structure de la montagne instable et, en cas de précipitations, elles peuvent également provoquer des catastrophes géologiques secondaires telles que des glissements de terrain et des coulées de boue et de roches. Cependant, les répliques sont souvent imprévisibles car il est difficile de déterminer comment la secousse principale déclenchera à distance des zones de faille dans d’autres zones dans le court laps de temps suivant le tremblement de terre.

En fait, les gens n’ont jamais cessé d’explorer les moyens de prédire les tremblements de terre, en particulier les capacités de traitement des données et de raisonnement démontrées par des technologies telles que l’IA et le big data, qui ont fourni des idées de résolution de problèmes plus flexibles et ont réalisé des progrès gratifiants. La journaliste de Nature Alexandra Witze a précédemment publié un rapport dans Nature présentant le potentiel des modèles d'apprentissage automatique dans la prédiction des répliques sismiques et de leur intensité.

Lien original :

https://www.nature.com/articles/d41586-023-02934-6

Innovation des modèles de prédiction alimentés par les réseaux neuronaux

Les catastrophes surviennent souvent en un éclair et sont difficiles à combattre avec la force humaine. Les gens sont donc plus enclins à prédire quand un tremblement de terre se produira afin de pouvoir évacuer les zones dangereuses à l’avance. Bien qu'il soit encore difficile de prédire un tremblement de terre avec une heure et un lieu précis, la prédiction des répliques est devenue possible grâce à l'apprentissage profond, ce qui aidera sans aucun doute grandement l'évacuation après une catastrophe et réduira le nombre de victimes.

Tout comme les grands modèles linguistiques doivent être formés avec des millions de mots, de phrases, de paragraphes, etc., la formation des modèles de prévision des tremblements de terre nécessite également une grande quantité de données sur les tremblements de terre passés pour prédire la probabilité de répliques. Mais les chercheurs ont découvert qu’il n’est pas facile en pratique de prédire clairement les indicateurs de détection nécessaires pour les tremblements de terre rares et de grande ampleur. Au cours des dernières années, les sismologues ont utilisé l’apprentissage automatique pour découvrir de petits tremblements de terre qui n’avaient jamais été détectés dans les enregistrements sismiques précédents, enrichissant ainsi les données existantes et fournissant de nouveaux éléments pour la deuxième série d’analyses d’apprentissage automatique.

Le modèle de prévision actuellement utilisé par l’United States Geological Survey (USGS) prédit les tremblements de terre possibles en fonction de la magnitude et de l’emplacement des tremblements de terre passés.Actuellement, trois articles ont adopté des méthodes de prédiction basées sur des réseaux neuronaux pour mieux saisir les lois complexes de l’occurrence des tremblements de terre.

d'abord,Kelian Dascher-Cousineau, géophysicien à l'Université de Californie à Berkeley, et ses collègues ont testé leur modèle sur des données provenant de milliers de tremblements de terre survenus dans le sud de la Californie entre 2008 et 2021. Le modèle a surpassé les modèles standards en prédisant le nombre de tremblements de terre qui se produiraient sur une période continue de deux semaines. De plus, le modèle capture mieux la gamme des magnitudes possibles des tremblements de terre, réduisant ainsi les risques d’un tremblement de terre d’une ampleur inattendue.

Actuellement, la méthode de simulation de l’évolution des tremblements de terre largement utilisée dans l’industrie est le modèle ETAS (séquence de répliques de type épidémique).

Plus précisément, l’étude a testé les propriétés du choc principal, ainsi que la manière dont le contexte (profondeur, type de limite de plaque, etc.) et la source (énergie rayonnée, taille de la source, etc.) affectent le nombre de répliques, et a introduit le modèle de processus ponctuels neuronaux-temporels dans le cadre standard de prévision des tremblements de terre.

Source : Profil GitHub de Kelian Dascher-Cousineau https://keliankaz.github.io/academic-profile/

Deuxièmement,Samuel Stockman, statisticien appliqué à l'Université de Bristol au Royaume-Uni, a également développé un modèle basé sur des processus ponctuels neuronaux qui ont donné de bons résultats lorsqu'ils ont été formés sur des données de tremblements de terre du centre de l'Italie en 2016-2017. Le modèle d’apprentissage automatique a obtenu des résultats encore meilleurs lorsque les chercheurs ont réduit la magnitude des tremblements de terre dans l’ensemble d’entraînement.

La recherche a été publiée dans Earth's Future. Des études ont montré que le processus de point neuronal a de meilleures performances de prédiction pour les données de faible magnitude que le modèle statistique de réplique de tremblement de terre ETAS (Epidemic-Type Aftershock Sequence) et a une vitesse d'apprentissage rapide.

Adresse du document :
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777

enfin,Yohai Bar-Sinai, physicien à l'Université de Tel Aviv en Israël, a dirigé une équipe pour développer un modèle basé sur un encodeur-décodeur appelé FERN (Forecasting Earthquake Rates with Neural networks). Testé sur 30 années de données sismiques au Japon, le modèle s'est également révélé plus performant que le modèle standard.

Architecture du modèle

Comme le montre la figure ci-dessus, l’entrée du modèle est codée par le réseau neuronal pour générer une représentation latente de l’état construit, qui est ensuite transmise au réseau décodeur. L’avantage de cette approche est que différentes sources de données et différents modèles peuvent être naturellement incorporés et ajoutés au modèle via des encodeurs spécifiques à la source de données. De plus, le même état de codage peut être utilisé comme entrée pour plusieurs têtes de prédiction (décodeurs) pour différentes tâches de prédiction. La recherche a été publiée dans Nature.

Adresse du document :
https://www.nature.com/articles/s41598-023-38033-9

Smart Earthquake — Système de surveillance des tremblements de terre en temps réel par l'IA

L'attente des gens de « prévenir les catastrophes avant qu'elles ne se produisent » est une force motrice majeure pour la mise à niveau continue des systèmes d'alerte précoce aux tremblements de terre, mais nous devons d'abord préciser queCe qui a été mis en œuvre et qui est continuellement amélioré, c’est le système d’alerte précoce en cas de tremblement de terre, et non la prévision des tremblements de terre.

Bien qu'il n'y ait qu'une seule lettre de différence entre les deux, la difficulté technique et les effets réels sont très différents.Alerte précoce aux tremblements de terre,Cela signifie qu'après un tremblement de terre, avant que les ondes sismiques ne se propagent à la zone fortifiée, une alarme est émise plusieurs secondes à plusieurs dizaines de secondes à l'avance pour informer les gens de prendre des mesures d'urgence, réduisant ainsi les pertes en vies humaines ;Prévision des tremblements de terre,Il s’agit de la prévision d’événements sismiques qui ne se sont pas encore produits mais qui pourraient se produire.

Source de l'image : Weibo @冲鋒号角

De la composition du sol dans différentes zones aux types d’interactions entre les plaques sismiques et à la façon dont les ondes sismiques se propagent à travers la Terre, il existe tellement de variables impliquées dans l’évaluation d’un tremblement de terre que les gens doivent toutes les comprendre pleinement afin de porter un jugement précis. Ainsi, la « prédiction » n’est pas facile, mais « l’alerte précoce » ne l’est pas.

En considérant « l'alerte précoce aux tremblements de terre » du point de vue du modèle, nous devons d'abord assurer la saisie rapide des données sismiques, puis traiter rapidement et avec précision les données des tremblements de terre qui se produisent, puis déduire la direction et la vitesse de la rupture de la faille, et enfin les transmettre à la zone touchée en temps réel par des moyens de communication. Ce processus est comme une course contre la mort, et on ne peut gagner que quelques secondes pour s’échapper. Les données montrent que lorsqu'un tremblement de terre se produit, si les informations d'alerte peuvent être reçues 3 secondes à l'avance, le nombre de victimes sera réduit de 14%. Si elle peut être reçue 10 secondes à l'avance, les pertes seront réduites de 39%.

À l’heure actuelle, des systèmes d’alerte précoce aux tremblements de terre ont été déployés dans de nombreux endroits du monde, mais le temps nécessaire pour recevoir les informations d’alerte est généralement de 3 à 10 minutes. Le système d'alerte précoce aux tremblements de terre REIS du Japon peut calculer l'emplacement et la magnitude d'un tremblement de terre 5 secondes après avoir reçu le signal de l'onde sismique, et estimer le mécanisme source de la rupture du tremblement de terre environ 2 minutes plus tard ; le système de rapport rapide automatique de l'United States Geological Survey prend 3 à 5 minutes pour signaler les informations sur les tremblements de terre ; Mon pays a lancé en 2021 le premier système de surveillance des tremblements de terre en temps réel basé sur l'intelligence artificielle au monde : Smart Earthquake.

Le système a été développé par l'équipe du professeur Zhang Jie de l'Université des sciences et technologies de Chine en collaboration avec l'Administration chinoise des tremblements de terre. Il peut obtenir les trois éléments d'un tremblement de terre - le temps (heure de l'occurrence du tremblement de terre), l'espace (emplacement de l'épicentre) et la force (magnitude du tremblement de terre) - en 1 seconde, et obtenir le mécanisme de l'épicentre, c'est-à-dire la direction et la vitesse de la rupture de la faille, réalisant ainsi une détection et une diffusion automatiques en temps réel des informations sur le tremblement de terre.

De par son principe, « Smart Earthquake » repose principalement sur des capacités d’apprentissage profond. Il utilise des millions de données sismiques collectées dans la base de données et les combine avec la théorie sismologique pour traiter rapidement les données sur les tremblements de terre qui se produisent.

Ce qui est plus important, c’est de savoir comment diffuser des informations d’alerte précoce le plus rapidement possible après avoir surveillé les données sismiques.

Lors de ce tremblement de terre au Gansu, les utilisateurs de Xining, Chengdu et d'autres endroits près du comté de Jishishan ont reçu des alertes de tremblement de terre mobiles allant de 120 à 240 secondes. De nombreux internautes ont déploré la puissance des téléphones portables nationaux, mais en fait, il faut davantage attribuer le mérite au réseau d'alerte précoce aux tremblements de terre de Chine, construit conjointement par l'Institut de recherche sur la réduction des catastrophes de haute technologie de Chengdu et l'Administration sismique de Chine, qui a fourni des informations d'alerte précoce. Parmi eux, le réseau d'alerte précoce a émis une alerte précoce à la ville de Linxia, à 56 kilomètres de l'épicentre, 12 secondes à l'avance, et une alerte précoce à la ville de Lanzhou, à 110 kilomètres de l'épicentre, 29 secondes à l'avance.

Selon Wang Tun, directeur de l'Institut de recherche sur la réduction des catastrophes de haute technologie de Chengdu, le principe de la technologie d'alerte précoce en cas de tremblement de terre est que la propagation des ondes électromagnétiques est beaucoup plus rapide que celle des ondes sismiques. Avant que les ondes de cisaillement sismiques n'atteignent la zone cible d'alerte, des ondes électromagnétiques à vitesse de propagation plus rapide sont utilisées pour émettre des avertissements dans les zones susceptibles d'être affectées. À l'heure actuelle, les téléphones portables nationaux tels que Huawei et Xiaomi sont connectés à la fonction d'alerte sismique du réseau chinois d'alerte précoce aux tremblements de terre. C'est également la 80e fois que le Réseau chinois d'alerte précoce aux tremblements de terre avertit d'un tremblement de terre destructeur.

Les êtres humains sont si insignifiants face aux catastrophes naturelles, mais avec l’amélioration continue des technologies telles que l’IA, le big data et l’Internet des objets, nous nous armons également de technologie et devenons de plus en plus puissants. Avec l'itération accélérée des technologies émergentes, les gens continueront d'optimiser le système d'alerte précoce aux tremblements de terre et de travailler vers l'objectif de « prédire les tremblements de terre » !