Après un séisme, les ondes P, qui se propagent plus rapidement, arrivent en premier, suivies des ondes S, plus destructrices, et des ondes de surface. Les systèmes d'alerte précoce aux séismes exploitent ce décalage temporel pour émettre des alertes avant l'arrivée des fortes secousses. Bien que le délai d'alerte ne soit généralement que de quelques secondes à quelques dizaines de secondes, il est suffisant pour permettre l'évacuation de la population, la réduction de la vitesse du trafic ferroviaire et la fermeture des infrastructures critiques, ce qui en fait un moyen important de limiter les dégâts causés par les séismes.

Les systèmes actuels, à l'instar du système américain ShakeAlert, reposent principalement sur des stations sismiques dédiées pour capter les signaux sismiques et estimer la localisation et la magnitude de l'épicentre. Bien que cette méthode soit relativement mature dans les réseaux sismiques terrestres denses, elle présente des limitations importantes dans les zones côtières à haut risque, telles que la zone de subduction de Cascadia. Le coût élevé de la construction et de la maintenance des stations sous-marines, conjugué aux difficultés de communication en temps réel, a entraîné une absence prolongée de surveillance efficace dans certaines zones côtières. Ces lacunes d'observation raccourcissent non seulement les délais d'alerte dans les régions côtières, mais peuvent également affecter les estimations de magnitude en raison d'imprécisions dans la localisation de l'épicentre.

La détection acoustique distribuée (DAS) offre de nouvelles possibilités pour combler cette lacune. Le DAS peut utiliser les câbles optiques de communication existants pour transformer les fibres optiques ordinaires en un réseau de détection de contrainte distribué en continu, permettant ainsi d'obtenir des observations d'ondes sismiques à haute densité.Cependant, les câbles optiques sont généralement posés de manière linéaire, fournissant des informations limitées sur l'azimut et rendant difficile la localisation stable de l'épicentre ; dans le même temps, le DAS enregistre la déformation ou le taux de déformation, ce qui est différent de la vitesse, de l'accélération et du déplacement enregistrés par les sismographes traditionnels.

Pour remédier à ces problèmes, une équipe de recherche de l'Institut d'études géologiques des États-Unis a contourné l'approche traditionnelle consistant à « localiser d'abord le séisme puis à estimer sa magnitude » et a proposé une méthode de classification binaire de la magnitude basée sur l'apprentissage automatique.Cette méthode utilise uniquement la forme d'onde de déformation dans les 4 secondes suivant la première arrivée de l'onde P pour déterminer rapidement si un tremblement de terre a atteint le seuil d'alerte de M5,4 en utilisant l'amplitude et les caractéristiques d'ondelettes multibandes.Le modèle a été entraîné à l'aide de données historiques de jauges de contrainte de forage et validé sur des données DAS indépendantes, y compris le séisme de magnitude 7,0 au large du cap Mendocino en 2024, offrant une nouvelle voie possible pour que le DAS participe à l'alerte précoce aux séismes côtiers.

Les résultats de recherche pertinents, intitulés « Classification rapide de la magnitude des séismes via les déformations des ondes P provenant de tensiomètres de forage et de la détection acoustique distribuée », ont été publiés dans Nature Communications.

Voir le document :
https://www.nature.com/articles/s41467-026-72223-z

Jeu de données : Enregistrements de formes d’onde sismiques fusionnant la déformation des forages et la détection acoustique distribuée

Cette étude utilise deux types de données de déformation. Parmi celles-ci,Les données des jauges de contrainte de forage sont utilisées pour l'entraînement du modèle et les tests internes, tandis que les données de détection acoustique distribuée (DAS) sont utilisées pour vérifier l'applicabilité du modèle dans les scénarios de câbles à fibres optiques de communication.

Les données de jauges de contrainte de forage proviennent du réseau d'observation open source EarthScope et couvrent trois zones sismiquement actives : Mendocino Triad Point, Napa Valley et Ridgecrest en Californie. Ces données comprennent les enregistrements de sept stations, de 2008 à 2022. Chaque station disposait d'une fréquence d'échantillonnage de 20 Hz et de quatre canaux de mesure de la contrainte horizontale. Après filtrage, détection manuelle des ondes P et contrôle qualité, 1 949 formes d'onde valides, correspondant à 453 séismes de magnitude comprise entre M3,5 et M7,1, ont été obtenues. Seules 51 formes d'onde de magnitude supérieure ou égale à M5,4 ont été retenues, ce qui indique une distribution d'échantillons très inégale.

La fenêtre d'analyse du signal utilisée pour la modélisation s'étendait de 10 secondes avant l'arrivée de l'onde P à 4 secondes après son arrivée. Les données du séisme de magnitude 7,0 survenu au large du cap Mendocino le 5 décembre 2024 n'ont pas été utilisées pour l'entraînement du modèle, mais ont été conservées comme échantillon de test indépendant.
Les données DAS proviennent du réseau de câbles à fibres optiques Arcata-Eureka, situé dans le comté de Humboldt, en Californie. Ce câble, d'une longueur d'environ 15 kilomètres, se trouve à proximité de la partie sud de la zone de subduction de Cascadia. Après standardisation des paramètres d'acquisition à différentes étapes, 25 séismes de magnitude supérieure ou égale à 3,5 ont été enregistrés dans un rayon de 100 kilomètres autour du câble. Les ondes P ont été automatiquement détectées par le modèle PhaseNet-DAS, puis corrigées manuellement.

Une fois le prétraitement terminé,L'étude a extrait 127 caractéristiques de chaque forme d'onde.Outre les indices temporels tels que la déformation maximale et l'amplitude, la transformée en ondelettes continue est utilisée pour extraire des informations temps-fréquence. L'étude porte sur l'analyse de trois bandes de fréquences : 0,2-0,5 Hz, 0,5-2,0 Hz et 2,0-5,0 Hz. Après une sélection basée sur les corrélations, 56 caractéristiques ont été retenues pour la première phase d'apprentissage du modèle.

Le classificateur binaire XGBoost identifie les séismes d'intensité modérée à forte à partir des premières ondes P.

Cette étude utilise les arbres de gradient boosting XGBoost pour construire un modèle de classification binaire.Le modèle détermine si la forme d'onde de déformation provient d'un séisme de magnitude 5,4 ou plus. Au lieu d'estimer directement la magnitude précise, il se concentre sur le point le plus critique pour les systèmes d'alerte précoce : le seuil de déclenchement d'une alerte si le séisme a été atteint. XGBoost corrige progressivement les erreurs de prédiction à l'aide de plusieurs arbres de décision, en traitant simultanément des caractéristiques telles que l'amplitude, la fréquence et les variations temps-fréquence, et en identifiant leurs relations non linéaires avec la magnitude du séisme. Son mécanisme de régularisation contribue également à réduire le risque de surapprentissage en cas de petits échantillons.

Étant donné que les formes d'onde de M5.4 et supérieures ne représentent que 51 TP3T de tous les échantillons, l'entraînement du modèle est confronté à un déséquilibre important entre les classes. Pour éviter que le modèle ne favorise excessivement les petits tremblements,L'étude a augmenté les pondérations d'entraînement pour les échantillons de séismes modérés à forts et les a optimisées à l'aide d'une fonction de perte logarithmique bivariée.L'objectif principal devrait être de réduire le nombre de séismes mineurs qui sont confondus avec de dangereux séismes majeurs.

Les données sont divisées en un ensemble d'entraînement de 701 TPE et un ensemble de test de 301 TPE, et présentées par événement sismique complet. Afin d'éviter la présence de données similaires dans les deux ensembles, seules les formes d'onde générées par un même séisme sont incluses dans un seul ensemble.L'étude a également imposé des contraintes sur le nombre d'échantillons de grands séismes dans l'ensemble d'entraînement et a sélectionné 50 modèles indépendants qui répondaient aux critères parmi environ 2 000 partitions aléatoires.Cela permet de réduire l'aléatoire causé par une partition unique.

L'entraînement initial a utilisé 56 caractéristiques, et les paramètres du modèle ont été déterminés par validation croisée à K plis et recherche exhaustive. L'étude a ensuite eu recours à la méthode d'interprétation additive de Shapley (SHAP) pour évaluer la contribution de chaque caractéristique aux résultats de prédiction. Les résultats ont montré que l'information discriminante principale du modèle était concentrée dans les 6 caractéristiques les plus pertinentes.

Compte tenu de la forte corrélation de certaines caractéristiques, l'étude a éliminé les informations redondantes, ne retenant finalement que trois caractéristiques essentielles : la valeur maximale des coefficients d'ondelettes gaussiennes du troisième ordre dans la bande 0,2-0,5 Hz, l'amplitude des coefficients d'ondelettes gaussiennes du premier ordre dans la bande 0,5-2,0 Hz et l'amplitude maximale de déformation dans les quatre secondes suivant l'arrivée de l'onde P. Ces trois caractéristiques reflètent respectivement l'énergie basse fréquence, l'amplitude de variation des moyennes et basses fréquences et l'intensité de la déformation. Leur faible corrélation préserve l'information discriminante principale et renforce la fiabilité des prédictions du modèle.

Après avoir identifié les caractéristiques principales, nous avons étudié le réentraînement du modèle et comparé le rappel, la précision et le score F1 sous différentes époques d'entraînement.Les résultats ont montré qu'après 500 séances d'entraînement, tous les indicateurs étaient globalement stables.Par conséquent, la performance finale est considérée comme la moyenne des résultats de 500 modèles afin de réduire les fluctuations dues au partitionnement des données et à l'entraînement aléatoire.

Le modèle a atteint un rappel de 81% et une précision de 79% sur les données de jauges de contrainte de forage.

Ensuite, les chercheurs ont mené des expériences dans quatre domaines : capacité de classification du modèle, comparaison de référence avec ShakeAlert, validation croisée DAS et analyse de la contrainte statique.

d'abord,Sur la base des données de la jauge de contrainte de forage, la précision globale du modèle a atteint 96%.Cependant, étant donné que les séismes mineurs représentent 951 TP3T de l'échantillon, cet indicateur risque d'être surestimé. Le rappel, la précision et le score F1 sont des indicateurs plus pertinents. Le rappel moyen des 500 modèles était de 811 TP3T, la précision moyenne de 791 TP3T et le score F1 de 781 TP3T. Cela indique que le modèle peut identifier plus de 80 % des séismes d'intensité modérée à forte et maintient une répartition relativement équilibrée entre les alertes manquées et les fausses alertes.

Deuxièmement, l'étude a comparé rétrospectivement le modèle aux résultats historiques de ShakeAlert. Les deux modèles fonctionnent dans des conditions différentes : celui présenté ici utilise les données d'une seule jauge de contrainte et ne nécessite pas la localisation de l'épicentre ; ShakeAlert, en revanche, s'appuie sur au moins quatre stations sismiques et requiert la détection, la localisation et l'estimation de la magnitude en temps réel. Par conséquent, les résultats de cette comparaison ne peuvent servir que de référence.

Parmi les 55 séismes de magnitude 4,5 ou plus enregistrés dans la zone d’alerte de la Californie entre 2021 et 2024, ShakeAlert a identifié les trois comme étant de magnitude 5,4 ou plus, avec un rappel de 1001 TP3T mais une précision de seulement 301 TP3T.Le modèle a atteint un rappel de 81% et une précision de 79%.Cela indique que ShakeAlert met davantage l'accent sur la prévention des faux négatifs, tandis que le modèle présenté dans cet article est plus performant pour réduire les faux positifs.

La troisième série d'expériences visait à vérifier la transposabilité du modèle aux données DAS. L'étude a divisé le câble optique de 15 kilomètres en trois sections et a extrait la moyenne et l'écart type caractéristiques des canaux effectifs dans chaque section. Les résultats ont montré que, malgré les différences entre les jauges de contrainte DAS et celles de forage (conditions d'installation, effets de site et réponse en fréquence), les caractéristiques principales présentaient une tendance globalement cohérente en termes d'amplitude et ne montraient pas de dépendance régionale significative.

Le séisme de magnitude 7,0 survenu au large du cap Mendocino en 2024 n'a pas été utilisé pour l'entraînement du modèle. La forme d'onde de ses jauges de contrainte de forage a été correctement identifiée comme étant de magnitude 5,4 ou supérieure par l'ensemble des 500 modèles. Après l'intégration des caractéristiques de trois câbles à fibres optiques DAS dans le modèle, le rappel moyen a atteint 961 TP3T. Ces résultats indiquent que le modèle entraîné à partir des jauges de contrainte de forage présente une certaine transférabilité entre dispositifs.

Une comparaison plus poussée entre le séisme de magnitude 7,0 et celui de magnitude 4,8 a révélé que les deux présentaient des amplitudes de déformation similaires lors de la phase initiale de l'onde P. Cependant, le séisme de magnitude 7,0 a démontré une énergie nettement supérieure et une durée plus longue dans la bande de fréquence 0,2-0,5 Hz. Ceci indique que les caractéristiques basse fréquence reflètent plus efficacement le processus de rupture prolongé des grands séismes et constituent un élément essentiel des modèles de classification de magnitude.

aussi,L'étude a également identifié 14 formes d'ondes sismiques de champ proche présentant des décalages de contrainte statique.La déformation maximale observée dans ces échantillons dans les 4 secondes suivant l'arrivée de l'onde P était généralement inférieure aux valeurs prédites par les relations magnitude-amplitude classiques. Ceci suggère que le recours exclusif à l'amplitude dynamique à court terme peut sous-estimer certains séismes importants de proximité. La combinaison des caractéristiques dynamiques de l'onde P et de la déformation statique dans les futurs modèles pourrait potentiellement améliorer leurs capacités d'identification.

Derniers mots

Globalement, cette étude n'a pas tenté de reproduire intégralement le processus traditionnel d'alerte précoce aux séismes utilisant le DAS, mais a plutôt repensé la manière dont le DAS est utilisé : en omettant l'étape de localisation de l'épicentre, facilement affectée par la forme du câble optique, et en utilisant directement les caractéristiques de déformation dans les 4 secondes suivant l'arrivée de l'onde P pour déterminer si le séisme a atteint le seuil d'alerte.

Cette méthode réduit la dépendance au nombre de stations, à l'orientation des câbles à fibres optiques et à la localisation précise de la source, et atténue partiellement les difficultés d'estimation de la magnitude liées aux différences entre les grandeurs physiques observées par les systèmes DAS et les sismographes traditionnels. Bien que la précision du modèle puisse encore être améliorée et que la validation ait été jusqu'à présent principalement réalisée sur des données DAS terrestres, l'étude a démontré que les informations de basse fréquence et d'amplitude contenues dans les signaux de déformation permettent d'identifier rapidement les séismes d'intensité modérée à forte.

Avec le déploiement accru des câbles de communication sous-marins à fibre optique, la baisse du coût des équipements DAS et l'accumulation de données d'observation marine, le DAS devrait devenir un complément important aux réseaux sismiques traditionnels. Dans les zones à haut risque, comme la zone de subduction de Cascadia, où les stations côtières sont peu nombreuses et la population du littoral dense, il pourrait servir de réseau de surveillance de première ligne, permettant de détecter plus tôt les séismes majeurs potentiels et d'offrir aux zones côtières un délai d'alerte supplémentaire.