Lorsqu’un tremblement de terre majeur frappe, les sismomètres à proximité peuvent alerter rapidement les résidents et les services d’urgence que des secousses ou des tsunamis potentiellement dangereux pourraient se diriger vers eux. Cependant, les mesures sismométriques locales ne suffisent pas à déterminer en temps réel l’ampleur des séismes les plus importants.
Les scientifiques ont exploité des mesures de haute précision du déplacement du sol à partir de systèmes mondiaux de navigation par satellite (GNSS), tels que le GPS, pour compléter les observations des sismomètres. Les données GNSS peuvent différencier les séismes les plus importants mais sont plus bruyantes que les données des sismomètres conventionnels, ce qui a limité leur contribution aux applications des risques naturels.
Pour traiter les données bruyantes, Dittmann et ses collègues ont fait deux choix de décision expérimentaux fondés sur des recherches antérieures sur la sismologie GNSS et le développement de l’apprentissage automatique : ils ont adopté une méthode alternative pour le traitement des mesures géodésiques et ils ont formé un modèle d’apprentissage automatique pour utiliser les données des capteurs GNSS pour détecter les tremblements de terre. . L’équipe a formé, validé et testé le modèle en utilisant les données des archives de la National Science Foundation’s Geodetic Facility for the Advancement of Geoscience à partir de 77 tremblements de terre de magnitude supérieure à 4,5 qui se sont produits sur 20 ans.
Comparé aux méthodes de détection de tremblement de terre GNSS existantes, le nouveau modèle a détecté plus de vrais signaux sismiques et déclenché moins de fausses alarmes. De plus, contrairement aux méthodes précédentes, le nouveau modèle repose sur un traitement informatique léger et ne repose pas sur des corrections supplémentaires pour tenir compte des faux signaux.
Les chercheurs suggèrent que le nouveau modèle pourrait être largement appliqué pour renforcer le rôle des capteurs GNSS dans la détection des tremblements de terre. Ils décrivent également les opportunités d’améliorations futures, telles que l’application d’ensembles de données plus étendus pour former et valider le modèle.
L’étude est publiée dans le Journal of Geophysical Research: Solid Earth.
Plus d’information:
T. Dittmann et al, Apprentissage automatique supervisé des vitesses GNSS à haut débit pour les signaux de mouvement fort des tremblements de terre, Journal of Geophysical Research: Solid Earth (2022). DOI : 10.1029/2022JB024854
Cette histoire est republiée avec l’aimable autorisation d’Eos, hébergée par l’American Geophysical Union. Lire l’histoire originale ici.