La prévision sismique reste aujourd’hui l’un des maillons faibles de la science. Force est de constater que nous ne savons pas prévoir les séismes. Chaque fois que de puissantes secousses se produisent, le nombre de victimes est très élevé et les dégâts matériels sont souvent considérables.
Nous connaissons la plupart des zones où les séismes les plus puissants sont susceptibles de se produire, mais notre connaissance sismique s’arrête là. Pourtant, une zone sensible comme la Californie avec la Faille de San Andreas est truffée de sismographes qui fournissent une foule d’informations, mais nous ne savons pas suffisamment les interpréter pour éviter des catastrophes.
Il se pourrait qu’avec l’avènement de l’Intelligence Artificielle (IA) des progrès soient accomplis rapidement en matière de prévision. Le numéro de novembre 2024 du National Geographic raconte l’histoire de Zachary Ross, professeur adjoint de géophysique à l’Institut de Technologie (Caltech) de Californie.
Zachary Ross a cherché une nouvelle approche d’interprétation des signaux sismiques californiens. Il avait remarqué que la majorité des failles dans cet État génèrent de minuscules secousses et des ondes sismiques tellement faibles qu’elles sont difficilement décelables par l’Homme.
En 2017, le scientifique eut l’idée de transposer à la sismologie la technique du machine learning ou apprentiisage automatique utilisée pour l’IA, en particulier pour la gestion de grandes quantités de photos. Il s’est proposé de l’appliquer aux innombrables microséismes, parfois difficilement détectables, mais probablement révélateurs au niveau des failles, enregistrés en Californie.
Avec ses collègues, Zachary Ross a collecté tous les sismogrammes obtenus dans le sud de l’État. Il a ensuite établi des modèles d’ondes sismiques pour chacun d’entre eux et passé ces données au crible d’un algorithme pour qu’il recherche des secousses imperceptibles correspondant à ces modèles. Le résultat a révélé que près de deux millions de séismes survenus entre 2008 et 2017 – et non détectés – ont été identifiés par l’algorithme. Cela a permis de mettre en évidence un réseau complexe de failles qui n’avait pas été décelé jusqu’alors. Toutefois, l’algorithme n’a pu discerner des séismes que dans les données qu’il avait appris à reconnaître.
Zachary Ross s’est alors tourné vers des programmes de self-learning – ou auto-apprentissage – autrement dit des programmes se servant d’informations existantes pour prédire l’avenir, c’est à dire les ondes que pourrait émettre une plus grande variété de séismes. Ces outils ont effectivement repéré une foule de séismes méconnus, mais confirmés par les scientifiques.
Ces programmes d’auto-apprentissage ne se contentent pas d’identifier les séismes indétectables par l’Homme et les failles cachées. Une fois déployés à travers la Californie, ils ont révélé une nouvelle catégorie d’essaims sismiques à propagation lente.
On peut raisonnablement penser que ces programmes de machine learning, de plus en plus précis, donneront bientôt un aperçu plus précis de la croûte terrestre. Peut-être permettront ils d’améliorer la rapidité et l’exactitude des systèmes d’alerte précoce. Ils rejoindront inévitablement une gamme de plus en plus fournie d’outils reposant sur l’IA pour que les catastrophes sismiques soient moins destructrices.
Il reste toutefois un long chemin à parcourir avant que les humains et l’IA parviennent ensemble à une prévision sismique digne de ce nom.
Adapté d’un article paru dans le National Geographic France.
Région tourmentée de la Faille de San Andreas (Photos: C. Grandpey)
————————————————-
Earthquake prediction remains one of the weak points in science today. Indeed, we are not able to predict earthquakes. Every time powerful tremors occur, the number of victims is very high and the material damage is often considerable.
We know most of the areas where the most powerful earthquakes are likely to occur, but our seismic knowledge does not go any further. A sensitive area like California with the San Andreas Fault is full of seismographs that provide a wealth of information, but we do not know how to interpret them to avoid disasters.
It is possible that with the advent of Artificial Intelligence (AI), progress will be made quickly in terms of prediction. The November 2024 issue of National Geographic tells the story of Zachary Ross, an assistant professor of geophysics at the California Institute of Technology (Caltech).
Zachary Ross was looking for a new approach to interpreting Californian seismic signals. He had noticed that most of the faults in this State generate tiny tremors and seismic waves so weak that they are difficult to detect by humans.
In 2017, the scientist had the idea of transposing to seismology the machine learning technique used for AI, in particular for the management of large quantities of photos. He proposed to apply it to the countless microseisms, sometimes difficult to detect, but probably revealing at the level of the faults, recorded in California.
With his colleagues, Zachary Ross collected all the seismograms recorded in the southern part of the State. He then established seismic wave patterns for each of them and ran the data through an algorithm to look for imperceptible tremors that matched those patterns. The result was that nearly two million earthquakes that had occurred between 2008 and 2017—and had not been detected—were identified by the algorithm. This revealed a complex network of faults that had previously gone undetected. However, the algorithm could only discern earthquakes in data that it had learned to recognize.
Zachary Ross then turned to self-learning programs – programs that use existing information to predict the future, that is, the waves that a wider variety of earthquakes might emit. These tools did indeed detect a host of unknown earthquakes, but that scientists confirmed.
These self-learning programs don’t just identify earthquakes that humans can’t detect and hidden faults. When deployed across California, they revealed a new class of slow-moving seismic swarms.
It’s reasonable to assume that these increasingly accurate machine learning programs will soon provide a more precise view of the Earth’s crust. Perhaps they will help improve the speed and accuracy of early warning systems. They will inevitably join a growing range of AI-powered tools to make seismic disasters less destructive.
However, there’s still a long way to go before humans and AI can work together to predict earthquakes.
Adapted from an article in National Geographic France.
Claude Grandpey : Volcans et Glaciers 