Apprentissage profond appliqué à la détection et la compréhension des glissements lents

DEEP LEARNING APPLIED TO THE DETECTION AND UNDERSTANDING OF SLOW SLIP EVENTS

• Auteur / Autrice : Giuseppe Costantino
• Direction : Anne Socquet, Mauro Dalla Mura, Sophie Giffard-Roisin
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la Terre et de l’Environnement
• Date : Soutenance le 25/09/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre, de l’environnement et des planètes (Grenoble, Isère, France ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut des sciences de la Terre (Grenoble)
• Jury : Président / Présidente : Jérôme Mars
• Jury : Examinateurs / Examinatrices : Joan Gomberg, Diane Rivet
• Jury : Rapporteurs / Rapporteuses : Romain Jolivet, Gregory C. Beroza

Mots clés

Mots clés contrôlés

Apprentissage automatique

Subduction

Apprentissage profond

Sismologie

Géodésie

Mots clés libres

Géodésie

Machine learning

Sismologie

Deep learning

Subduction

Supervised / unsupervised learning

Geodesy

Subduction

Deep learning

Machine learning

Seismology

Supervised / unsupervised learning

Résumé

La caractérisation du lien entre le glissement lent et la rupture sismique est actuellement un problème clé en sciences de la terre. Par exemple, une activité intense de pré-chocs a été décrite avant certains tremblements de terre inter-plaques. Un modèle a proposé d'expliquer ces observations en supposant qu'un glissement lent accéléré sur l'interface de la faille est le mécanisme moteur qui charge les aspérités sismiques et déclenche la libération accélérée du moment avant les grands tremblements de terre. Cependant, les observations directes de glissements lents précurseurs restent assez rares, très probablement en raison d'un seuil de détection dans les données géodésiques. Ainsi, le lien entre le glissement lent et les ruptures sismiques (et potentiellement les tremblements de terre destructeurs imminents) est encore mal compris.Nous devons donc développer et systématiser notre capacité à détecter les petits glissements lents et la réponse sismique associée afin de comprendre la mécanique des failles actives. Cela est particulièrement vrai dans les zones de subduction "froides", où les tremblements et glissements épisodiques (ETS) n'ont pas été observés. Nous souhaitons étudier comment le glissement asismique peut déclencher des tremblements de terre et comment ce déclenchement dépend de la profondeur, de la durée, de la migration, de la périodicité et de la quantité totale de glissement.Le but de ce projet de doctorat est d'explorer et de développer des approches d'apprentissage automatique pour exploiter les signaux sismologiques et géodésiques acquis dans les zones de subduction. Le premier objectif est de caractériser la relation empirique entre les événements de glissement lent et leur signature sismologique, et de suivre l'évolution de cette relation dans le temps et l'espace. Le second objectif est d'améliorer la détection et la caractérisation des glissements lents (ou de leur signature sismologique) en utilisant des réseaux géophysiques denses.Enfin, l'évolution spatiale et temporelle du lien entre déformation et sismicité sera caractérisée et analysée. Le modèle sera entraîné de manière récursive afin d'améliorer la détection des glissements lents et leurs réponses sismologiques.La grande quantité de données géodésiques et sismologiques acquises au Japon sera utilisée pour développer et tester les algorithmes d'apprentissage automatique. Les résultats et les tests bénéficieront d'un benchmark résultant des études géophysiques menées en parallèle afin de tester la pertinence de l'approche d'apprentissage automatiquedéveloppée au cours de la formation. Une fois validées, les méthodes seront testées dans d'autres contextes afin de généraliser la capacité des algorithmes à évaluer le lien entre déformation et sismicité, et à détecter de petits glissements lents? cachés dans le bruit des séries temporelles de positions réalisées jusqu'à présent.

Characterizing the link between slow slip and the seismic rupture is currently a key problem in earth science. For example, an intense foreshock activity has been described before some interplate earthquakes. One model proposed to explain these observations by assuming that an accelerating slow slip on the fault interface is the driving mechanism that loads the seismic asperities and triggers the accelerated moment release before large earthquakes. However, direct observations of precursory slow slip remain quite rare, most probably because of a detection threshold in geodetic data. Thus, the link between slow slip and seismic ruptures (and potentially impending destructive earthquakes) is still poorly understood.We therefore need to develop and systematize our capacity to detect small slow slip events and associated seismic response to understand the mechanics of active faults. This is particularly true in ‘cold’ subduction zones, where Episodic Tremor and Slip (ETS) have not been observed. We wish to investigate how aseismic slip can trigger earthquakes, and how this triggering depends on depth, duration, migration, periodicity, and total amount of slip.The goal of this PhD project is to explore and develop machine learning approaches to mine seismological and geodetic signals acquired in subduction zones. The first objective is to characterize the empirical relationship between slow slip events and their seismological signature, and to monitor how this relationship evolves with time and space. The second objective is to enhance the detection and characterization of slow slip events (or their seismological signature) using dense geophysical networks.Geophysical studies have shown that the link between deformation seismicity can be separated into three main categories : the deformation generated by earthquakes, the deformation resulting from slow slip on the fault interface, and the deformation and seismicity resulting from non-tectonic processes (e.g. hydrological loading, tides etc...). The challenge will be to use the data from different sources (time series of ground deformation, earthquake catalogues, seismological continuous data, satellite gravimetry etc..), with different spatial and temporal sampling, which are sensitive to different processes and affected by different noise components.To do that, we will first use a limited number of data sets, make them compatible, and test the mathematical descriptors for these data – for example, in time, frequency and cepstral domains. Particular care will be taken to select signal descriptors characteristic of the physical mechanisms related to the fault slip. The number of data sets will be progressively enlarged, and their relevance will be tested. Different learning models (e.g. machine learning techniques such as Random Forest, Support Vector Machine,Finally, the spatial and temporal evolution of the link between deformation and seismicity will be characterized and analyzed. The model will be trained recursively to increase the detection of slow slip events and their seismological responses.The large amount of geodetic and seismological data acquired in Japan will be used to develop and test the machine learning algorithms. The results and tests will benefit from a benchmark resulting from the geophysical studies carried out in parallel in order to test the relevance of the machine learning approachdeveloped during the training course. Once validated, the methods will be tested in other contexts in order to generalize the capacity of the algorithms of assessing the link between deformation and seismicity, and to detect small slow slip events, hidden in the noise of the position time series so far.