Alerte tsunami à partir de signaux élasto-gravitationnels par apprentissage profond

Tsunami warning from prompt elastogravity signals using deep learning

• Auteur / Autrice : Gabriela Arias Mendez
• Direction : Quentin Bletery, Jean-Paul Ampuero
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la planète et de l'univers
• Date : Soutenance le 16/12/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
• Partenaire(s) de recherche : Laboratoire : Laboratoire Géoazur (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Martin Vallée
• Jury : Examinateurs / Examinatrices : Quentin Bletery, Jean-Paul Ampuero, Martin Vallée, Zacharie Duputel, Léonard Seydoux, Sophie Giffard-Roisin
• Jury : Rapporteurs / Rapporteuses : Zacharie Duputel, Léonard Seydoux

Mots clés

Mots clés contrôlés

Apprentissage profond

Prévision

Tsunamis

Séismes -- Prévision

Risques sismiques

Sismologie

Mots clés libres

Séismes

Tsunamis

Alerte précoce

Signaux élastogravitationnels rapides

Apprentissage profond

Earthquakes

Tsunamis

Early warning

Prompt elastogravity signals

Deep learning

Résumé

L'estimation précise et rapide de la magnitude des grands séismes est cruciale pour prévoir les tsunamis potentiels. Les systèmes traditionnels d'alerte sismique précoce s'appuyant sur les premières ondes sismiques (P) enregistrées, fournissent des estimations rapides de la magnitude (Mw) mais saturent généralement pour les événements de Mw ≥ 7,5, les rendant inadaptés pour l'alerte tsunami. Des systèmes alternatifs, s'appuyant sur la phase W ultérieure ou sur des signaux géodésiques, fournissent des estimations de magnitude non saturées plus précises, au prix d'une alerte beaucoup plus lente, et donc de temps d'avertissement beaucoup plus courts. Dans ce contexte, nous explorons le potentiel des signaux élasto-gravitationnels précoces (PEGS). Les PEGS se propagent à la vitesse de la lumière, sont sensibles à la magnitude et au mécanisme au foyer du séisme et ne saturent pas pour les très grands événements. Afin d'exploiter rapidement l'information contenue dans ces signaux de très faible amplitude, nous utilisons une approche d'apprentissage profond. Nous entraînons d'abord un Réseau de Neurones Convolutif (CNN) pour estimer la magnitude et la localisation d'un séisme à partir des PEGS synthétiques augmentés de bruit empirique (enregistré par de vrais sismomètres). Testé sur des données réelles le long de la zone de subduction chilienne, nous montrons qu'il aurait correctement estimé la magnitude du séisme de Maule de 2010 (Mw 8,8). Néanmoins, l'approche semble être limitée aux événements de Mw ≥ 8,7 dans ce contexte. Nous utilisons ensuite un Réseau de Neurones Graphiques (GNN) conçu pour améliorer les performances du CNN. Nous montrons que le GNN peut être utilisé pour estimer rapidement la magnitude des événements de Mw ≥ 8,3 au Pérou. Enfin, nous implémentons le modèle dans le système d'alerte précoce du Pérou (en complément du système actuel d'alerte précoce aux séismes) et testons son utilisation opérationnelle pour l'alerte tsunami en temps réel simulé.

Accurate and timely estimation of large earthquake magnitudes is critical to forecast potential tsunamis. Traditional earthquake early warning systems, relying on the early recorded seismic (P) waves, provide fast magnitude (Mw) estimates but typically saturate for Mw ≥ 7.5 events, making them unfit for tsunami warning. Alternative systems, relying on the later W phase or on geodetic signals, provide more accurate unsaturated magnitude estimates, to the cost of much slower warning, and therefore much shorter warning times. In this context, we explore the potential of prompt elastogravity signals (PEGS). PEGS propagate at the speed of light, are sensitive to the magnitude and focal mechanism of the earthquake and do not saturate for very large events. In order to rapidly leverage the information contained in these very low-amplitude signals we use a deep learning approach. We first train a Convolutional Neural Network (CNN) to estimate the magnitude and location of an earthquake based on synthetic PEGS augmented with empirical noise (recorded by actual seismometers). Tested on real data along the chilean subduction zone, we show that it would have estimated correctly the magnitude of the 2010 Mw 8.8 Maule earthquake. Nevertheless, the approach appears to be limited to Mw ≥ 8.7 events in this context. We then use a Graph Neural Network (GNN) designed to improve the performance of the CNN. We show that the GNN can be used to rapidly estimate the magnitude of Mw ≥ 8.3 events in Peru. Finally, we implement the model in the early warning system of Peru (as a complement of the current earthquake early warning system) and test its operational use for tsunami warning in simulated real time.