Un codeur neuronal pour la prévision du taux de tremblement de terre

Rapports scientifiques volume 13, Numéro d'article : 12350 (2023) Citer cet article

756 Accès

3 Altmétrique

Détails des métriques

Prévoir le moment des tremblements de terre est un défi de longue date. De plus, la manière de formuler ce problème de manière utile ou de comparer le pouvoir prédictif de différents modèles reste encore débattue. Ici, nous développons un codeur neuronal polyvalent de catalogues de tremblements de terre et l'appliquons au problème fondamental de la prévision du taux de tremblement de terre, dans le cadre du processus ponctuel spatio-temporel. Le modèle de séquence de répliques de type épidémique (ETAS) apprend efficacement un petit nombre de paramètres pour contraindre les formes fonctionnelles supposées pour les corrélations spatiales et temporelles des séquences sismiques (par exemple, la loi Omori-Utsu). Nous introduisons ici les intégrations spatiales et temporelles apprises pour les modèles de prévision des tremblements de terre par processus ponctuel qui capturent des structures de corrélation complexes. Nous démontrons la généralité de cette représentation neuronale par rapport au modèle ETAS en utilisant la répartition des données de test de train et comment elle permet l'incorporation d'informations géophysiques supplémentaires. Dans les tâches de prédiction de taux, le modèle généralisé montre une amélioration de \(>4\%\) du gain d'information par séisme et l'apprentissage simultané de structures spatiales anisotropes analogues aux traces de failles. Le réseau formé peut également être utilisé pour effectuer des tâches de prédiction à court terme, montrant une amélioration similaire tout en offrant une réduction de 1 000 fois du temps d’exécution.

L'application de l'apprentissage automatique (ML) pour l'analyse des données sismologiques a connu des progrès récents substantiels, mis en évidence par de nouvelles approches pour la classification et la caractérisation des formes d'onde sismiques1,2, la sélection automatique de phase3, l'identification des séismes de faible magnitude4 et le dégroupage des catalogues5, 6. Dans le développement des catalogues de tremblements de terre, les approches ML ont multiplié par dix le nombre d’événements détectés4 et réduiront peut-être la dépendance au temps de trajet pour l’alerte précoce aux tremblements de terre, de la vitesse des ondes sismiques à la vitesse de la lumière7.

Cependant, dans la modélisation des séquences sismiques, les techniques d’apprentissage automatique ont donné lieu à des progrès limités en termes de caractérisation améliorée des modèles de sismicité8,9. La tâche spécifique de prévoir le calendrier des futurs événements sismiques constitue un défi fondamental et de longue date, à la fois en tant que question scientifique fondamentale et pour l'analyse appliquée des risques. Même si, dans certains cas, l’activité sismique présente des schémas temporels10 ou spatiaux11 relativement cohérents, le moment, le lieu et l’ampleur de la sismicité restent difficiles à prédire quantitativement12.

L’approche la plus avancée de ce problème en sismologie statistique consiste à représenter les séquences sismiques comme un processus ponctuel spatio-temporel13,14,15. Dans cette approche, le modèle est chargé de prédire le taux instantané d'apparition d'un tremblement de terre au-dessus d'une certaine magnitude, \(\lambda (x, y, t \mid H_{t-})\), où x, y sont les coordonnées spatiales ( longitude et latitude ou coordonnées projetées sur la carte) et t est l'heure. \(H_{t-}\) représente toutes les informations disponibles pour le modèle avant l'instant t. La fonction dépendant du temps \(\lambda\) est la représentation quantitative de l’intensité de l’activité sismique, caractérisant à la fois les époques de pré-séisme16,17 et de réplique18 et servant de base à l’évaluation du risque sismique19.

Le modèle de séquence de répliques de type épidémique (ETAS)13,20 est le modèle de ce type le plus couramment utilisé, représentant \(\lambda\) comme un processus de branchement auto-excité, qui suppose un « taux de fond » de sismicité et une fonction de réponse, f , dont la forme spécifique est choisie de telle sorte que les statistiques à long terme des catalogues synthétiques de séismes générés à partir du modèle reproduisent les deux distributions phénoménologiques de sismicité largement observées : (1) la loi d'Omori-Utsu de décroissance du taux de réplique et (2) la loi de Gutenberg- Distribution de Richter des magnitudes des événements. Il existe quelques choix populaires pour la fonction de réponse21,22,23,24, qui partagent la forme suivante : \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i ; M_i)\). Ici, \(\mu\) est appelé « taux de fond » indépendant du temps, T est un noyau temporel présentant une décroissance en loi de puissance conforme à la loi d'Omori, et S est un noyau en décroissance spatiale22,25. \(x_i, y_i\) et \(t_i\) sont respectivement l'emplacement hypocentral et l'heure d'apparition du tremblement de terre.