Disposant d'une richesse croissante de données sismiques et d'une puissance de calcul, les sismologues se tournent de plus en plus vers une discipline appelée apprentissage automatique pour mieux comprendre et prédire les schémas complexes de l'activité sismique.

Dans une rubrique thématique publiée dans la revue Lettres de recherche sismologique , les chercheurs décrivent comment ils utilisent des méthodes d'apprentissage automatique pour affiner les prédictions de l'activité sismique, identifier les centres sismiques, caractérisent différents types d'ondes sismiques et distinguent l'activité sismique des autres types de "bruit" au sol.

L'apprentissage automatique fait référence à un ensemble d'algorithmes et de modèles qui permettent aux ordinateurs d'identifier et d'extraire des modèles d'informations à partir de grands ensembles de données. Les méthodes d'apprentissage automatique découvrent souvent ces modèles à partir des données elles-mêmes, sans référence au monde réel, mécanismes physiques représentés par les données. Les méthodes ont été utilisées avec succès sur des problèmes tels que l'image numérique et la reconnaissance vocale, entre autres applications.

De plus en plus de sismologues utilisent les méthodes, entraîné par « la taille croissante des ensembles de données sismiques, amélioration de la puissance de calcul, de nouveaux algorithmes et architectures et la disponibilité de frameworks d'apprentissage automatique open source faciles à utiliser, " écrire les rédacteurs de la section focus Karianne Bergen de l'Université de Harvard, Ting Cheng du Laboratoire national de Los Alamos, et Zefeng Li de Caltech.

Plusieurs chercheurs utilisent une classe de méthodes d'apprentissage automatique appelées réseaux de neurones profonds, qui peut apprendre les relations complexes entre des quantités massives de données d'entrée et leur sortie prévue. Par exemple, Farid Khosravikia et ses collègues de l'Université du Texas, Austin montre comment un type de réseau de neurones profonds peut être utilisé pour développer des modèles de mouvement du sol pour les tremblements de terre naturels et induits dans l'Oklahoma, Kansas et Texas. Le caractère inhabituel du nombre croissant de tremblements de terre provoqués par l'évacuation des eaux usées pétrolières dans la région rend essentiel la prévision des mouvements du sol pour les futurs tremblements de terre et, éventuellement, l'atténuation de leur impact.

Les techniques d'apprentissage automatique pourraient être de plus en plus utilisées dans un avenir proche pour préserver les enregistrements analogiques des séismes passés. Au fur et à mesure que le support sur lequel ces données sont enregistrées se dégrade, les sismologues sont dans une course contre la montre pour protéger ces précieux enregistrements. Des méthodes d'apprentissage automatique capables d'identifier et de catégoriser les images peuvent être utilisées pour capturer ces données de manière rentable, selon Kaiwen Wang de l'Université de Stanford et ses collègues, qui a testé les possibilités sur un film de sismographe analogique de l'expérience de contrôle des tremblements de terre Rangely de l'U.S. Geological Survey.

Des méthodes d'apprentissage automatique sont également déjà en place dans des applications telles que MyShake, pour récolter et analyser les données du réseau sismique mondial de smartphones en crowdsourcing, selon Qingkai Kong de l'Université de Californie, Berkeley et ses collègues.

D'autres chercheurs utilisent des algorithmes d'apprentissage automatique pour passer au crible les données sismiques afin de mieux identifier les répliques sismiques, l'activité sismique volcanique et pour surveiller le tremor tectonique qui marque la déformation aux limites des plaques où des tremblements de terre de mégathrust pourraient se produire. Certaines études 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 dans l'environnement.