Caractérisation de la sismicité naturelle d’une région continentale stable : application au Massif armoricain

Characterisation of the natural seismicity of a stable continental region : application to the Armorican Massif

• Auteur / Autrice : Céline Hourcade
• Direction : Éric Beucler, Mickaël Bonnin
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la Terre et des planètes
• Date : Soutenance le 18/10/2023
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Matière, Molécules Matériaux et Géosciences (Le Mans)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Planétologie et Géosciences (Nantes)
• Jury : Président / Présidente : Stéphane Mazzotti
• Jury : Examinateurs / Examinatrices : Marc Grunberg, Marie Calvet
• Jury : Rapporteurs / Rapporteuses : Stéphane Mazzotti, Alessia Maggi

Mots clés

Mots clés contrôlés

Armoricain, Massif (France)

Sismologie

Mots clés libres

Sismicité de faible magnitude

Détection

Discrimination

Machine learning

Low magnitude seismicity

Detection

Discrimination

Machine learning

Résumé

Les différentes régions continentales stables dans le monde, telles que le Massif armoricain en France, se caractérisent par des taux de déformation très faibles et une sismicité faible à modérée. Devant un forçage tectonique très faible, voire imperceptible, les processus qui gouvernent l'occurrence et la localisation de cette sismicité demeurent mal compris. Dans le Massif armoricain, cela a également été grandement entravée par la couverture limitée du réseau de stations jusqu'en 2015. Au cours des dix dernières années, l'augmentation du nombre de stations dans la région a ouvert la possibilité de détecter les événements sismiques manquants et de mieux caractériser la sismicité de la région. Au-delà de l'aspect purement instrumental, cette compréhension de la sismicité de faible magnitude est fortement influencée par la méthode de détection utilisée pour identifier les événements naturels. Afin d'améliorer la détection de ces tremblements de terre, nous avons développé et mis en place des outils de détection et de discrimination automatique. Pour la détection, nous avons adopté une approche de type template matching, nous permettant d'identifier dans le signal les formes d'ondes similaires à celles d'un séisme. Cependant, cette méthode peut engendrer un taux élevé de faux événements. Pour résoudre ce problème, nous avons créé un outil basé sur le machine learning, permettant une discrimination rapide et fiable de ces événements afin de n'extraire que les séismes détectés. Un deuxième outil de machine learning a été mis en place pour différencier les événements sismiques naturels (d'origine tectonique) des événements anthropiques (d'origine humaine). L'application de ces outils sur quatre années de données sismiques a apporté des résultats prometteurs. Grâce à cette étude, nous avons pu doubler le nombre d'événements sismiques naturels détectés dans la région. Ce travail de thèse permet donc une cartographie plus fine de la sismicité de la région, essentielle pour une meilleure compréhension de cette sismicité en domaine continental stable. Malgré sa caractéristique diffuse, l'analyse de 4 années du signal sismique montre une plus forte activité sismique localisée Sud-Bretagne, proche des structures majeures telles que le cisaillement sud-armoricain.

The various stable continental regions in the world, such as the Armorican Massif in France, are characterised by very low deformation rates and low to moderate seismicity. Given that tectonic forcing is very weak, or even imperceptible, the processes that govern the occurrence and location of this seismicity remain poorly understood. In the Armorican Massif, this was also greatly hampered by the limited coverage of the station network until 2015. Over the last ten years, the increase in the number of stations in the region has opened up the possibility of detecting missing seismic events and better characterising the region's seismicity. Beyond the purely instrumental aspect, this understanding of low-magnitude seismicity is strongly influenced by the detection method used to identify natural events. In order to improve the detection of these earthquakes, we have developed and implemented automatic detection and discrimination tools. For detection, we have adopted a template matching approach, enabling us to identify waveforms in the signal that are similar to those of an earthquake. However, this method can lead to a high rate of false events. To solve this problem, we have created a machine learningbased tool that can quickly and reliably discriminate between these events and extract only the earthquakes that have been detected. Finally, a second machine learning tool was developed to differentiate between natural (tectonic) and man-made (anthropogenic) seismic events. The application of these tools to four years of seismic data has produced promising results. Thanks to this study, we were able to double the number of natural seismic events detected in the region. This thesis work has therefore enabled us to map the seismicity of the region more precisely, which is essential for a better understanding of this seismicity in a stable continental domain. Despite its diffuse nature, a 4-year analysis of the seismic signal shows stronger seismic activity in South Brittany, close to major structures such as the South Armorican shear.