En passant au peigne fin les données sismiques historiques, des chercheurs utilisant un modèle d'apprentissage automatique ont mis au jour des caractéristiques statistiques distinctes marquant le stade de formation des ruptures à glissement lent dans la croûte terrestre des mois avant que le tremblement ou les données GPS ne détectent un glissement dans les plaques tectoniques. Étant donné la similitude entre les événements à glissement lent et les séismes classiques, ces signatures distinctes peuvent également aider les géophysiciens à comprendre le moment des tremblements de terre plus rapides et dévastateurs.

"Le modèle d'apprentissage automatique a révélé que, proche de la fin du cycle de glissement lent, un instantané des données est imprimé avec des informations fondamentales concernant la défaillance prochaine du système, " dit Claudia Hulbert, géophysicien computationnel à l'ENS et au Laboratoire national de Los Alamos et auteur principal de l'étude, publié aujourd'hui dans Communication Nature . "Nos résultats suggèrent que la rupture lente pourrait bien être prévisible, et parce que les événements de glissement lent ont beaucoup en commun avec les tremblements de terre, les événements à glissement lent peuvent fournir un moyen plus facile d'étudier la physique fondamentale de la rupture de la terre."

Les événements à glissement lent sont des tremblements de terre qui secouent doucement le sol pendant des jours, mois, voire des années, ne pas rayonner d'ondes sismiques de grande amplitude, et passent souvent inaperçus par la personne moyenne. Les séismes classiques que la plupart des gens connaissent bien font éclater le sol en quelques minutes. Dans une zone donnée, ils se produisent également moins fréquemment, rendant les plus gros tremblements de terre plus difficiles à étudier avec les techniques d'apprentissage automatique gourmandes en données.

L'équipe a examiné les ondes sismiques continues couvrant la période 2009 à 2018 du Pacific Northwest Seismic Network, qui suit les mouvements de la terre dans la région de Cascadia. Dans cette zone de subduction, lors d'un événement de glissement lent, la plaque nord-américaine bascule vers le sud-ouest au-dessus de la plaque Juan de Fuca environ tous les 14 mois. L'ensemble de données se prêtait bien à l'approche d'apprentissage automatique supervisé développée lors d'expériences sismiques en laboratoire par les collaborateurs de l'équipe de Los Alamos et utilisée pour cette étude.

L'équipe a calculé un certain nombre de caractéristiques statistiques liées à l'énergie du signal dans les signaux de faible amplitude, bandes de fréquences, leurs travaux antérieurs ont été identifiés comme les plus informatifs sur le comportement du système géologique. La caractéristique la plus importante pour prédire le glissement lent dans les données Cascadia est la puissance sismique, qui correspond à l'énergie sismique, en particulier les bandes de fréquences associées aux événements de glissement lent. Selon le journal, le glissement lent commence souvent par une accélération exponentielle sur le défaut, une force si petite qu'elle échappe à la détection par les capteurs sismiques.

"Pour la plupart des événements, nous pouvons voir les signatures de rupture imminente de semaines à mois avant la rupture, ", a déclaré Hulbert. "Ils sont suffisamment similaires d'un cycle d'événements à l'autre pour qu'un modèle formé sur des données passées puisse reconnaître les signatures dans les données de plusieurs années plus tard. Mais c'est toujours une question ouverte de savoir si cela tient sur de longues périodes de temps."

L'hypothèse de l'équipe de recherche sur le signal indiquant la formation d'un événement à glissement lent s'aligne sur d'autres travaux récents de Los Alamos et d'autres détectant des pré-chocs de faible amplitude en Californie. Ces travaux ont révélé que des pré-chocs peuvent être observés en moyenne deux semaines avant la plupart des séismes de magnitude supérieure à 4.

Les algorithmes d'apprentissage automatique supervisés de Hulbert et de ses collaborateurs s'entraînent sur les caractéristiques sismiques calculées à partir de la première moitié des données sismiques et tentent de trouver le meilleur modèle qui mappe ces caractéristiques au temps restant avant le prochain événement de glissement lent. Ensuite, ils l'appliquent à la seconde moitié des données, qu'il n'a pas vu.

Les algorithmes sont transparents, ce qui signifie que l'équipe peut voir quelles fonctionnalités l'apprentissage automatique utilise pour prédire quand le défaut glissera. Cela permet également aux chercheurs de comparer ces caractéristiques avec celles qui étaient les plus importantes dans les expériences de laboratoire pour estimer les temps de défaillance. Ces algorithmes peuvent être sondés pour identifier quelles caractéristiques statistiques des données sont importantes dans les prédictions du modèle, et pourquoi.

"En identifiant les caractéristiques statistiques importantes, nous pouvons comparer les résultats à ceux des expériences de laboratoire, qui nous donne une fenêtre sur la physique sous-jacente, " a déclaré Hulbert. " Étant donné les similitudes entre les caractéristiques statistiques des données de Cascadia et des expériences de laboratoire, il semble y avoir des points communs dans la physique frictionnelle sous-jacente à la rupture lente par glissement et à la nucléation. Les mêmes causes peuvent s'étendre du petit système de laboratoire à la vaste échelle de la zone de subduction de Cascadia."

L'équipe de sismologie de Los Alamos, dirigé par Paul Johnson, a publié plusieurs articles au cours des dernières années, pionnier de l'utilisation de l'apprentissage automatique pour décompresser la physique sous-jacente aux tremblements de terre dans des expériences de laboratoire et des données sismiques du monde réel.