Le Tremblement De Terre De Hualien a Été Signalé 20 Secondes À L'avance. La Prévision Précise Des Tremblements De Terre Est-elle Proche ?

L’utilisation de technologies d’apprentissage automatique telles que l’apprentissage profond et les réseaux neuronaux pour analyser et étudier les problèmes liés aux tremblements de terre peut révéler la valeur de certaines données que les gens ne peuvent pas voir. Obtenez une plus grande précision dans les prévisions telles que les répliques et les micro-séismes.

Le 18 avril à 13h01, un tremblement de terre de magnitude 6,7 s'est produit soudainement à Hualien, à Taiwan. Il s’agit du plus grand tremblement de terre à avoir frappé Taïwan depuis près de 20 ans, et les secousses ont été ressenties dans de nombreuses zones proches du détroit de Taïwan. Heureusement, il n’y a eu que quelques blessés accidentels lors de ce tremblement de terre.

Selon les médias, la ville de New Taipei a reçu un message d'avertissement 20 secondes avant que le tremblement de terre ne soit ressenti. L'ancien maire de la ville de New Taipei, Zhu Lilun, était interviewé à ce moment-là, et les images de l'interview ont également enregistré la scène où il a reçu l'avertissement.

Le message reçu à l’avance dans la vidéo s’appelle une alerte au tremblement de terre. Il s’agit d’envoyer une alerte à des zones éloignées de l’épicentre après un tremblement de terre, généralement quelques dizaines de secondes à l’avance. Bien que cette technologie soit mature, elle ne peut aider que les zones situées à la limite de la zone sismique, tandis que la zone de l'épicentre ne peut que la laisser au destin.

Contrairement à l’alerte précoce aux tremblements de terre, la prévision des tremblements de terre est la capacité de prédire avec précision l’heure, le lieu et la magnitude d’un tremblement de terre avant qu’il ne se produise, afin que des contre-mesures puissent être organisées à l’avance. Cependant, en raison des causes complexes des tremblements de terre et du manque de données, nous ne sommes toujours pas en mesure de prédire avec précision les tremblements de terre à ce jour.

Cependant, il est encourageant de constater que, même si le problème de la prévision des tremblements de terre n’a pas été résolu, ces dernières années, les scientifiques ont commencé à essayer d’utiliser des technologies d’apprentissage automatique telles que l’apprentissage profond et les réseaux neuronaux pour analyser et étudier les problèmes de tremblements de terre, et ont obtenu de bons résultats de prévision dans des prévisions telles que les répliques et les micro-séismes.

Harvard et Google s'associent pour utiliser l'apprentissage automatique afin de prédire les répliques sismiques

Les tremblements de terre ne sont pas des événements isolés ; un « choc principal » (généralement un événement qui fait la une des journaux) est souvent suivi d’une série de « répliques ». Ces répliques sont nombreuses et les plus importantes peuvent provoquer de graves blessures répétées. Un exemple typique est le tremblement de terre de Wenchuan du 12 mai, qui a été suivi par des dizaines de milliers de répliques, ce qui a constitué une grande menace pour les efforts de sauvetage.

La détection des répliques est donc également un élément important de la prévision des tremblements de terre. Selon les méthodes traditionnelles, il existe des règles et des méthodes empiriques permettant d'évaluer l'heure et l'ampleur des répliques, mais l'emplacement n'est généralement pas prédit avec précision et des procédures fastidieuses sont nécessaires.

L'Université de Harvard travaille avec des experts en apprentissage automatique de Google pour essayer d'utiliser l'apprentissage profond pour prédire où les répliques se produiront. Leurs recherches ont permis une avancée majeure et les résultats finaux ont été publiés dans Nature en août 2018.

Leur base de données contient des informations sur au moins 199 tremblements de terre majeurs qui se sont produits dans le monde. Sur la base de cette base de données, ils ont appliqué un modèle de réseau neuronal pour analyser principalement la relation entre les changements de contrainte statique causés par le choc principal et les emplacements des répliques. L'algorithme est capable d'identifier des modèles utiles à partir des informations de données.

Ils ont finalement obtenu le modèle optimal de prédiction de l’emplacement des répliques. Même si le système doit encore être amélioré, cela signifie qu’il s’agit d’un pas en avant dans cette direction.

La recherche a également eu un avantage inattendu : elle a aidé l’équipe à identifier les quantités physiques impliquées dans les tremblements de terre, ce qui est très important pour la recherche sur les tremblements de terre. Lorsque les réseaux neuronaux sont appliqués à des ensembles de données, ils peuvent obtenir un aperçu de la combinaison spécifique de facteurs essentiels aux prédictions, plutôt que de simplement considérer les prédictions comme des valeurs numériques.

Meade, l'un des membres de l'équipe, a expliqué un jour : « Les sismologues traditionnels s'apparentent davantage à des pathologistes. Ils étudient ce qui se passe après des tremblements de terre catastrophiques. Nous ne voulons pas faire cela. Nous voulons être des épidémiologistes. Nous voulons comprendre les déclencheurs et les causes de ces événements. »

On s’attend à ce qu’à l’avenir, l’apprentissage automatique puisse découvrir les mystères derrière les tremblements de terre et réduire les dégâts qu’ils causent.

Apprendre à prédire les tremblements de terre à partir de 550 000 échantillons

Sur la base des modèles d'IA proposés par Harvard et Google, les chercheurs de l'Université de Stanford ont également créé un modèle d'intelligence artificielle qui se concentre sur la détection et la prédiction des micro-séismes, et ont finalement atteint un taux de précision élevé.

Les microséismes, ou tremblements de terre de faible intensité, sont des tremblements de terre d’une magnitude instantanée de 2,0 ou moins. Ces tremblements de terre sont moins destructeurs, mais ils sont parfois manqués par les systèmes de surveillance des tremblements de terre en raison de facteurs tels que le bruit de fond, les petits événements et les fausses alarmes.

Le modèle d'IA construit par l'Université de Stanford, appelé Cnn-Rnn Earthquake Detector (CRED), peut détecter avec précision des informations sur les micro-séismes grâce à des données historiques enregistrées en continu.

Le système se compose de deux types de couches de réseaux neuronaux :Réseaux de neurones convolutifs (CNN) et réseaux de neurones récurrents (RNN). CNN extrait les caractéristiques des capteurs sismiques, tandis que RNN peut combiner la mémoire et les données d'entrée pour améliorer la précision de ses prédictions et apprendre les caractéristiques de séquence similaires aux sismographes.

Ces deux-là constituent unCadre d'apprentissage résiduel,Cela est fait pour atténuer les problèmes tels que le surapprentissage qui peuvent survenir dans les réseaux neuronaux multicouches. De cette manière, les réseaux neuronaux sont capables de maintenir leur précision tout en apprenant des caractéristiques plus détaillées à partir de l’ensemble de données. De plus, il sera plus facile à optimiser.

Pour former et valider le système d'IA de détection des tremblements de terre, les chercheurs ont collecté des données enregistrées en continu à Guy-Greenbrier, Arkansas, en 2011, qui contenaient 3 788 événements, ainsi que 550 000 cartes de tremblements de terre de 30 secondes provenant de 889 stations de surveillance du nord de la Californie, dont trois indicateurs.

50 000 échantillons sur 550 000 données sont utilisés pour évaluer les performances. Le résultat est que, quelle que soit l’ampleur du tremblement de terre, qu’il se produise localement ou qu’il y ait un fort bruit de fond, le modèle de réseau peut identifier avec précision les signaux sismiques. De plus, l’IA n’a besoin que d’un enregistrement partiel pour détecter les tremblements de terre.

Alimenté en continu par les données de l'ensemble de données Guy-Greenbrier, le modèle, qui a nécessité près d'une heure de formation sur ordinateur, a détecté 1 102 micro- et grands tremblements de terre causés par la fracturation hydraulique, l'injection d'eaux usées et le mouvement des plaques tectoniques, dont 77 qui n'avaient jamais été enregistrés auparavant.

Le rapport a noté que dans tous les tests, le modèle d'apprentissage a démontré des performances « supérieures » par rapport à deux systèmes sismiques largement déployés. Parce que les modèles informatiques peuvent analyser la valeur de certaines données que les gens ne peuvent pas voir.

aussi,L'évolutivité du modèle a également été améliorée.« Une fois formé, le modèle peut être appliqué en temps réel aux flux de données sismiques », ont-ils écrit. « Les signaux sismiques, basés sur leur structure spectrale, sont modélisés avec une haute résolution et un faible taux de faux positifs. »

L'équipe estime que le modèle d'apprentissage automatique pourrait être facilement étendu à plusieurs capteurs, permettant une surveillance en temps réel dans les zones tectoniques actives et pourrait également servir de base à un système d'alerte précoce en cas de tremblement de terre.

Si le jugement des petits tremblements de terre est suffisamment précis, il sera alors d’une grande importance que le modèle de prédiction soit utilisé dans la prévision des grands tremblements de terre.

La prévision des tremblements de terre pourrait être possible à l'avenir

Les techniques d’apprentissage automatique peuvent être utilisées pour conserver des enregistrements simulés des tremblements de terre passés. Alors que les supports qui enregistrent ces données se dégradent, les sismologues se lancent dans une course contre la montre pour préserver ces précieuses informations.

Certains chercheurs utilisent des algorithmes d’apprentissage automatique pour passer au crible les données sismiques afin de mieux identifier les répliques des tremblements de terre, la sismicité volcanique et de surveiller les précurseurs des secousses qui signalent une déformation aux limites des plaques où d’énormes tremblements de terre pourraient se produire.

D’autres chercheurs utilisent des techniques d’apprentissage automatique pour localiser les origines des tremblements de terre et distinguer les petits tremblements de terre des autres « bruits » sismiques présents dans l’environnement.

Pendant longtemps, certains chercheurs ont cru qu’il était impossible de prédire complètement les tremblements de terre. Mais à en juger par les résultats actuels des recherches, il n’est peut-être plus « impossible » de prédire les tremblements de terre. Grâce à des prévisions précises des répliques et des micro-séismes, peut-être dans un avenir proche, le problème de la prévision des grands tremblements de terre pourra être surmonté.

Les catastrophes naturelles sont incontrôlables. Nous ne pouvons qu’espérer pouvoir utiliser la puissance de la technologie moderne pour empêcher que les catastrophes naturelles ne causent des dommages à quiconque.

Attendez-vous à ce jour où les prévisions basées sur l’apprentissage automatique aideront à déployer les services d’urgence et à fournir des plans d’évacuation pour les zones à risque de répliques.