Un réseau de neurones spatio-temporels profonds entraînés sur plus de 36, 000 tremblements de terre offre une nouvelle façon de prédire rapidement l'intensité des secousses du sol une fois qu'un tremblement de terre est en cours, rapport de chercheurs lors de la réunion annuelle 2021 de la Seismological Society of America (SSA).

DeepShake analyse les signaux sismiques en temps réel et émet un avertissement avancé de fortes secousses en fonction des caractéristiques des premières ondes détectées lors d'un tremblement de terre.

DeepShake a été développé par Daniel J. Wu, Avoy Datta, Weiqiang Zhu et William Ellsworth à l'Université de Stanford.

Les données sismiques utilisées pour former le réseau DeepShake proviennent d'enregistrements sismiques du Ridgecrest 2019, Séquence californienne. Lorsque ses développeurs ont testé le potentiel de DeepShake en utilisant la secousse réelle du tremblement de terre de magnitude 7,1 Ridgecrest du 5 juillet, le réseau neuronal a envoyé des alertes simulées entre 7 et 13 secondes avant l'arrivée de secousses au sol de haute intensité à des endroits dans la région de Ridgecrest.

Les auteurs ont souligné la nouveauté de l'utilisation de l'apprentissage en profondeur pour une alerte précoce rapide et des prévisions directement à partir des seuls enregistrements sismiques. "DeepShake est capable de capter des signaux sous forme d'ondes sismiques dans toutes les dimensions de l'espace et du temps, " expliqua Datta.

DeepShake démontre le potentiel des modèles d'apprentissage automatique pour améliorer la vitesse et la précision des systèmes d'alerte aux tremblements de terre, il ajouta.

« DeepShake vise à améliorer les alertes précoces aux tremblements de terre en faisant ses estimations de secousses directement à partir des observations de mouvement du sol, en supprimant certaines des étapes intermédiaires utilisées par les systèmes d'alerte plus traditionnels, " dit Wu.

De nombreux systèmes d'alerte précoce déterminent d'abord l'emplacement et la magnitude du séisme, puis calculer le mouvement du sol pour un emplacement sur la base des équations de prédiction du mouvement du sol, Wu a expliqué.

"Chacune de ces étapes peut introduire une erreur qui peut dégrader la prévision de tremblement de terre, " il ajouta.

Pour remédier à ce, l'équipe DeepShake s'est tournée vers une approche de réseau de neurones. La série d'algorithmes qui composent un réseau de neurones est entraînée sans que le chercheur identifie les signaux « importants » que le réseau doit utiliser dans ses prédictions. Le réseau apprend quelles fonctionnalités prévoient de manière optimale la force des futures secousses directement à partir des données.

"Nous avons remarqué en construisant d'autres réseaux de neurones à utiliser en sismologie qu'ils peuvent apprendre toutes sortes de choses intéressantes, et donc ils pourraient ne pas avoir besoin de l'épicentre et de la magnitude du tremblement de terre pour faire une bonne prévision, " a déclaré Wu. " DeepShake est formé sur un réseau présélectionné de stations sismiques, afin que les caractéristiques locales de ces stations fassent partie des données d'entraînement."

"Lorsque vous entraînez un modèle d'apprentissage automatique de bout en bout, nous pensons vraiment que ces modèles sont capables de tirer parti de ces informations supplémentaires pour améliorer la précision, " il a dit.

Wu, Datta et leurs collègues voient DeepShake comme complémentaire à ShakeAlert opérationnel de Californie, s'ajoutant à la boîte à outils des systèmes d'alerte précoce aux tremblements de terre. "Nous sommes très enthousiastes à l'idée d'étendre DeepShake au-delà de Ridgecrest, et fortifier notre travail pour le monde réel, y compris les cas de défaillance tels que les stations en panne et la latence élevée du réseau, " a ajouté Datta.