Inversion des formes d'ondes sismiques et apprentissage profond pour étudier la dynamique de la banquise

Inversion of seismic waveforms and deep learning to study sea ice dynamics

• Auteur / Autrice : Hooshmand Zandi
• Direction : Ludovic Moreau
• Type : Projet de thèse
• Discipline(s) : Sciences de la Terre et de l'Environnement
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre, de l’environnement et des planètes (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Institut des Sciences de la Terre

Mots clés

Mots clés libres

Inversion

Formes d'ondes sismiques

Banquise

Apprentissage profond

Inversion

Seismic waveforms

Pack ice

Deep learning

Résumé

La banquise est un élément essentiel de la régulation du climat. C'est également le paramètre de 1er ordre contrôlant la production primaire de phytoplanctons, car elle filtre la lumière qui pénètre dans l'océan. Un grand effort de recherche est mené afin de mieux caractériser sa dynamique, à travers la mesure de son étendue, de sa fragmentation, sa porosité, sa densité, de son épaisseur et celle de la couche de neige qui la recouvre. Les estimations sont essentiellement basées sur des données satellite-radar, qui permettent d'obtenir des valeurs moyennes à l'échelle du bassin arctique. Toutefois, une caractérisation spatiale plus fine, aux échelles inférieures à la dizaine de kilomètres, est nécessaire pour l'étude de la dynamique de la banquise et des phénomènes climatologiques et biologiques qui en dépendent. Il a été montré que la micro-sismicité dans la banquise permet des estimations de son épaisseur, de sa densité, et de ses paramètres élastiques avec une résolution spatiale et temporelle sans précédents (Moreau et al., 2020a; 2020b; Serripierri et al., 2022). Cependant, ces estimations sont basées sur un modèle simplifié de banquise qui ne permet pas de rendre compte des effets liés à la couche de neige, à la topologie de la glace/neige ou encore à l'atténuation. De plus, ce modèle reste valable uniquement aux basses-fréquences, ce qui empêche l'exploitation du contenu hautes-fréquences du signal. Ces limitations impliquent un biais dans les estimations, qui représentent alors des paramètres effectifs du système {glace+neige}. Les paramètres de la banquise peuvent alors être sous-estimé lorsque la couche de neige devient épaisse, ce qui se produit de plus en plus souvent avec les précipitations qui augmentent, en raison du réchauffement plus fort en Arctique. Pour répondre aux enjeux liés au changement climatique, la mise en œuvre de cette approche nécessite donc des développements permettant de dépasser ces limites, afin de pouvoir rendre compte, en temps réel, de la dynamique de la banquise et de sa couverture de neige. Le but de cette thèse est de proposer des outils méthodologiques répondant à ce besoin, à travers trois étapes principaux. 1 - La première étape est la modélisation 3D de la propagation des ondes dans la banquise pour mieux comprendre la physique de leur propagation, ainsi qu'étudier des différents scénarios, en considérant une épaisseur variable de la glace et de la couche de neige, des différent paramètres d'atténuation. des hétérogénéités dans la glace et la neige, et la directivité de la source. 2- Ensuite, une méthode d'inversion plus précise (inversion de forme d'onde) est utilisée pour une caractérisation plus fine de la glace de mer (better translation for sea-ice is needed). L'épaisseur de la glace/neige, la distance source-récepteur et les propriétés mécaniques de la glace sont determinés grace à ce schéma d'inversion. Des données synthétiques et plusieurs jeux de données de terrain (données sismiques représentatives des différents types de glaces flottantes : y compris la glace de lac et la banquise gelée) sont exploitées. 3- Dans les étapes ultérieures, une grande base de données est créée à base des résultats d'inversion, qui peut être utilisée pour la formation d'un réseau de neurones pour aller vers la caractérisation et la surveillance en temps réel de la glace de mer (I don't know a translation for sea-ice), sans passer par l'étape d'inversion.

Sea ice is an essential element of climate regulation. It is also the first order parameter controlling the primary production of phytoplankton, as it filters the light entering the ocean. A major research effort has been carried out to better characterize its dynamics, through the measurement of its extent, fragmentation, porosity, density, and thickness and those of the snow layer covering the ice. The estimates are essentially based on satellite-radar data, which make it possible to obtain average values ​​at the scale of the Arctic basin. However, a finer spatial characterization, at scales of less than ten kilometres, is necessary for the study of the dynamics of the pack ice and the climatological and biological phenomena that depend on it. It was shown that micro-seismicity in the pack ice allows to estimate its thickness, density, and elastic parameters with unprecedented spatial and temporal resolution (Moreau et al., 2020a; 2020b Serripierri et al., 2022). However, these estimations are based on a simplified sea ice model which does not account for the effects related to the snow cover, the topology of the ice/snow, attenuation, etc. Moreover, this model remains valid only at low frequencies, which prevents the exploitation of the high-frequency content of the signal. These limitations imply a bias in the estimates, which then represent effective parameters of the {ice+snow} system. Sea ice parameters can then be underestimated when the snow cover becomes thick, which happens more and more often with increasing precipitation, due to stronger warming in the Arctic. To meet the challenges related to climate change, the implementation of this approach therefore requires developments to overcome these limits, in order to be able to report, in real time, the dynamics of the sea ice and its snow cover. The aim of this thesis is to propose methodological tools that meet this need, through three main steps. 1 - The first step is 3D forward modeling of the wave propagation in sea ice to better understand the physics of waves in sea ice and investigate different scenarios such as varying ice thickness, snow layer, attenuation, heterogeneities in the ice and snow, directionality of source. 2- Then, in the next step, a more accurate inversion method (full waveform inversion) is used for finer characterization of sea ice, inverting for ice/snow thickness, source-receiver distance, and mechanical properties of ice, through an inversion process by using synthetic data and applying to several sets of field data (seismic data representative of the different types of floating ice: including frozen lake and pack ice) 3- In the later stages, a large database is created based on the inversion results, which can be used for training of a neural network to go towards real-time characterization and monitoring of sea ice, without going through the inversion step.