Un graphique extrait par un nouvel algorithme de l'Université Rice montre les formes d'onde du cluster associées à des précurseurs et alignées par rapport à une forme d'onde de référence au sein du cluster. Les données provenaient de trois sismogrammes recueillis au cours de la journée précédant le glissement de terrain de Nuugaatsiaq. Crédit :Nature Communications
Des chercheurs de la Brown School of Engineering de l'Université Rice utilisent les données recueillies avant un glissement de terrain meurtrier en 2017 au Groenland pour montrer comment l'apprentissage en profondeur peut un jour aider à prédire des événements sismiques tels que des tremblements de terre et des éruptions volcaniques.
Les données sismiques recueillies avant le glissement de terrain massif dans un fjord du Groenland montrent que les signaux subtils de l'événement imminent étaient là, mais aucun analyste humain n'aurait pu rassembler les indices à temps pour faire une prédiction. Le tsunami qui en a résulté a dévasté le village de Nuugaatsiaq a tué quatre personnes et en a blessé neuf et a emporté 11 bâtiments dans la mer.
Une étude menée par l'ancien chercheur invité de Rice, Léonard Seydoux, aujourd'hui maître de conférences à l'Université de Grenoble-Alpes, utilise des techniques développées par les ingénieurs et co-auteurs de Rice, Maarten de Hoop et Richard Baraniuk. Leur rapport en libre accès en Communication Nature montre comment les méthodes d'apprentissage en profondeur peuvent traiter la quantité écrasante de données fournies par les outils sismiques assez rapidement pour prédire les événements.
De Hoop, qui se spécialise dans l'analyse mathématique des problèmes inverses et l'apprentissage en profondeur en lien avec le Département de la Terre de Rice, Sciences environnementales et planétaires, lesdites avancées en intelligence artificielle (IA) sont bien adaptées pour surveiller de manière indépendante des quantités importantes et croissantes de données sismiques. L'IA a la capacité d'identifier des groupes d'événements et de détecter le bruit de fond pour établir des connexions que les experts humains pourraient ne pas reconnaître en raison de biais dans leurs modèles, sans parler du volume, il a dit.
Quelques heures avant l'événement Nuugaatsiaq, ces petits signaux ont commencé à apparaître dans les données recueillies par une station sismique voisine. Les chercheurs ont analysé les données de minuit le 17 juin, 2017, jusqu'à une minute avant le toboggan à 23h39. qui a libéré jusqu'à 51 millions de mètres cubes de matière.
L'algorithme de Rice a révélé des grondements faibles mais répétitifs - indétectables dans les enregistrements sismiques bruts - qui ont commencé environ neuf heures avant l'événement et se sont accélérés au fil du temps, menant au glissement de terrain.
"Il y avait un article précurseur à celui-ci par notre co-auteur, Piero Poli à Grenoble, qui a étudié l'événement sans IA, " a déclaré de Hoop. " Ils ont découvert quelque chose dans les données qu'ils pensaient que nous devrions examiner, et parce que la zone est isolée de beaucoup d'autres bruits et activités tectoniques, c'était les données les plus pures avec lesquelles nous pouvions travailler pour essayer nos idées."
Un aperçu du U.S. Geological Survey montre l'emplacement du glissement de terrain de Nuugaatsiaq (étoile jaune) par rapport à cinq stations sismiques à large bande (triangles roses) à moins de 500 km du glissement de terrain. Nuugaatsiaq (NUUG) a été touché par le tsunami qui en a résulté et a atteint une hauteur de 300 pieds en mer, bien qu'il soit beaucoup plus bas avant d'atteindre le village. L'encart montre la géométrie des fjords par rapport au glissement de terrain et à Nuugaatsiaq. Crédit :USGS
De Hoop continue de tester l'algorithme pour analyser l'activité volcanique au Costa Rica et est également impliqué dans l'atterrisseur InSight de la NASA, qui a livré un détecteur sismique à la surface de Mars il y a près de deux ans.
Une surveillance constante qui délivre de tels avertissements en temps réel sauvera des vies, dit de Hoop.
« Les gens me demandent si cette étude est importante – et oui, c'est un grand pas en avant, et puis si nous pouvons prédire les tremblements de terre. Nous ne sommes pas tout à fait prêts à le faire, mais cette direction est, Je pense, l'un des plus prometteurs du moment."
Lorsque de Hoop a rejoint Rice il y a cinq ans, il a apporté son expertise dans la résolution de problèmes inverses qui impliquent de travailler à rebours à partir de données pour trouver une cause. Baraniuk est un expert de premier plan en apprentissage automatique et en détection compressive, qui aident à extraire des données utiles à partir d'échantillons clairsemés. Ensemble, c'est une équipe formidable.
"La chose la plus excitante dans ce travail n'est pas le résultat actuel, mais le fait que l'approche représente une nouvelle direction de recherche pour l'apprentissage automatique appliqué à la géophysique, " a déclaré Baraniuk.
"Je viens des mathématiques du deep learning et Rich vient du traitement du signal, qui sont aux extrémités opposées de la discipline, " a déclaré de Hoop. "Mais ici, nous nous rencontrons au milieu. Et maintenant, nous avons une formidable opportunité pour Rice de s'appuyer sur son expertise en tant que plaque tournante pour les sismologues pour rassembler et assembler ces pièces. Il y a tellement de données maintenant qu'il devient impossible de les gérer autrement."
De Hoop contribue à accroître la réputation de Rice en matière d'expertise sismique avec le Simons Foundation Math+X Symposia, qui ont déjà présenté des événements sur l'exploration spatiale et l'atténuation des risques naturels comme les volcans et les tremblements de terre. Un troisième événement, dates à annoncer, étudiera les applications d'apprentissage en profondeur pour les géantes solaires et les exoplanètes.
