Étiquette : intelligence artificielle

Intelligence Artificielle (IA) et désinformation// Artificial Intelligence (AI) and misinformation

Alors que l’ouragan Melissa, l’un des plus puissants jamais enregistrés, ravageait la Jamaïque à la fin du mois d’octobre 2025, les « chasseurs d’ouragans » – Hurricane Hunters – du 53e Escadron de reconnaissance météorologique, une unité de l’US Air Force spécialisée dans l’étude des tempêtes tropicales et des ouragans, ont diffusé des images spectaculaires du phénomène, prises depuis un avion au cœur de l’œil du cyclone.

À côté de la photo réelle prise depuis un avion, d’autres images de l’ouragan, générées par intelligence artificielle, sont devenues virales sur les réseaux sociaux. Bien entendu, il s’agissait de faux (fake en anglais), contribuant à aggraver la désinformation en temps de crise.

L’image générée par IA est censée montrer le système à plusieurs kilomètres d’altitude. Elle montre un œil de cyclone gigantesque, survolé par une nuée d’oiseaux. Cependant, comme l’ont remarqué les météorologues du National Weather Service, l’échelle de l’image est incorrecte. L’œil de Melissa mesurait environ 16 kilomètres de diamètre. « À cette échelle, ces oiseaux seraient plus grands que des terrains de football. » Pour que cette image soit authentique, les oiseaux auraient dû voler à des altitudes bien supérieures au sommet de l’Everest. De plus, à de telles altitudes, la température et la densité de l’air sont beaucoup trop faibles pour que les oiseaux puissent voler.

Les scientifiques pensent que la fausse image a été diffusée pour la première fois sur le réseau X (anciennement Twitter) le 28 octobre 2025, avant de se propager rapidement sur Facebook, Instagram et TikTok, suscitant des dizaines de milliers de commentaires. Des dizaines de comptes différents ont publié exactement la même image, ce qui a permis une diffusion – et une désinformation – très rapide.

Ce n’est pas le seul exemple de désinformation générée par l’IA concernant l’ouragan Melissa. Une autre image a montré un hôpital jamaïcain complètement détruit par les vents extrêmement violents, mais en regardant attentivement l’image, on discerne aussi la présence d’un tampon SynthID, un filigrane invisible intégré aux contenus créés avec les outils d’IA de Google.

Ces images sont de nouveaux exemples de la dangereuse montée en puissance de la désinformation générée par l’IA, et un rappel que ce fléau est loin d’être maîtrisé. À l’avenir, il faudra se montrer très vigilant avant de diffuser sans discernement – comme cela se fait actuellement – des images spectaculaires sur les réseaux sociaux.

Source : Yahoo News.

———————————————-

While Hurricane Melissa, one of the largest hurricanes in recorded history was destroying Jamaica by the end of October 2025, the Hurricane Hunters of the 53rd Weather Reconnaissance Squadron, a unit of the United States Air Force specializing in the study of tropical storms and hurricanes released spectacular glimpse of the phenomenon, flying through the eye of Melissa. (see photo above)

Beside the real photo taken from a plane, other AI-generated images of the storm went viral on the social networks. Of course, they were fake and are making crisis misinformation worse than it has ever been. (see image above)

The AI generated picture is supposed to show the system from kilometers above the ground. It shows an absolutely mammoth hurricane eye, punctuated by a flock of birds circling safely above.

However, as was noticed by meteorologists at the National Weather Service, the scale of the image does not work. Melissa’s eye was reported to be around 16 kilometers wide. « Based on the scale of the eye, these birds would be larger than football fields. They would have to have been flying at altitudes well above the summit of Mount Everest for this image to be real. » Besides, at such altitudes, the air temperature and air density are much too low for birds to fly.

Scientists think that the fake image seems to have kicked off on the X (formerly Twitter) network on October 28 2025, but soon began making the rounds all over Facebook, Instagram and TikTok, earning tens of thousands of reactions. With dozens of various accounts posting the exact same image, the post spread very rapidly.

Thus was not the only piece of AI-misinformation surrounding Hurricane Melissa. Another image showed a Jamaican hospital completely decimated by the storm, though fact checkers quickly identified a SynthID stamp, an invisible watermark embedded into content made with Google’s AI tools.

It’s another example of the dangerous rise in AI-generated misinformation, and a reminder that this is one genie we won’t be putting back into the bottle anytime soon. In the future, we will need to be very vigilant before indiscriminately disseminating – as is currently happening – spectacular images on social media.

Source : Yahoo news.

L’Intelligence Artificielle au service de la volcanologie (suite) // Artificial Intelligence in the service of volcanology (continued)

L’intelligence artificielle (IA) est de plus en plus utilisée en sismologie et en volcanologie où elle pourrait contribuer à la prévision des séismes et des éruptions, événements parfois destructeurs. J’ai publié une note le 28 juillet 2024 expliquant comment les scientifiques utilisent l’IA. J’ai également ajouté que son utilisation dans la prévision volcanique et pour d’autres phénomènes naturels semble prometteuse. Cependant, il faut garder à l’esprit que l’intelligence artificielle relève des sciences exactes, tandis que les éruptions dépendent des caprices de la Nature, qui peuvent être imprévisibles !
Un nouvel article publié par des chercheurs de l’Université de Canterbury (Nouvelle-Zélande) explique qu’ils utilisent un nouvel outil, développé grâce à l’intelligence artificielle (IA), pour améliorer la prévision des éruptions volcaniques dans le monde.
L’équipe scientifique de l’Université de Canterbury a créé un modèle d’apprentissage automatique (machine learning, ML) capable d’identifier les premiers signes sismiques d’éruptions volcaniques. L’étude a analysé 41 éruptions sur 24 volcans sur une période de 73 ans. Cela a donné naissance à des schémas d’activité sismique pré-éruptive pouvant être appliqués à des volcans moins surveillés.
Les chercheurs ont introduit une technique d’apprentissage automatique appelée « apprentissage par transfert » (transfer learning, TL), qui identifie les signaux précurseurs communs à plusieurs volcans. Cette approche permet de prévoir les éruptions sur des sites où les instruments de mesure sont rares, voire inexistants. Les chercheurs affirment que leur méthode offre une solution rentable et évolutive pour améliorer les prévisions concernant les volcans dépourvus de surveillance ou mal surveillés.
Le modèle basé sur l’IA vise également à venir en aide aux régions disposant d’infrastructures de surveillance limitées, comme l’Asie du Sud-Est et l’Amérique centrale, où de nombreux volcans actifs restent sous-étudiés.
L’équipe de recherche a collaboré avec des observatoires volcaniques à travers le monde pour garantir que le modèle de prévision fournisse des données exploitables. Cette approche collaborative permet une intégration transparente avec les cadres de surveillance volcanique existants.
Les scientifiques de l’Université de Canterbury ont analysé 41 éruptions volcaniques sur 24 volcans différents, couvrant 73 années de données sismiques. Ils ont classé les volcans en trois groupes selon leur type éruptif : magmatiques, phréatiques et un groupe incluant tous les volcans. Le modèle ML a utilisé une fenêtre de données sismiques de 48 heures précédant les éruptions pour tester les modèles de prévision. Les résultats ont été évalués par un processus de validation croisée, reproduisant les conditions de prévision en temps réel.
La comparaison avec les méthodes de prévision traditionnelles, telles que la mesure de l’amplitude sismique en temps réel (RSAM), a révélé que le modèle ML était plus performant que les techniques conventionnelles. Il a notamment démontré une meilleure sensibilité à l’activité pré-éruptive pour les éruptions phréatiques.
Certains volcans, comme le Copahue, ont affiché des valeurs de prévision constamment élevées entre des éruptions rapprochées, ce qui pourrait nécessiter une amélioration du modèle. Les éruptions non annoncées, comme celle de Cordon-Caulle en 2011, ont présenté des limites en termes de prévision en raison de la faiblesse des signaux sismiques pré-éruptifs. Les améliorations pourraient inclure l’intégration des niveaux d’émissions gazeuses, des anomalies thermiques et des données magnétotelluriques dans les modèles de prévision. Les chercheurs prévoient également d’affiner la capacité du modèle à distinguer différents types d’activité volcanique, comme les éruptions à conduit ouvert et fermé.
Source : Université de Canterbury.

Éruption du Copahue en 2013 (Crédit photo: SERNAGEOMIN)

——————————————————

Articicial intelligence (AI)is more and more used in seismology and volcanology, with the hope that it will help precict earthquakes and eruptions that can sometimes be destructive.I wrote a post on 28 July 2024 explaining how scientists are using AI, but I also added that the use of artificial intelligence in volcanic prediction and the prediction of other natural phenomena looks promising. However, one should keep in mind that artificial intelligence is part of exact science whereas eruptions depend on Nature’s whims which can be unpredictable !

A new article by researchers at the University of Canterbury (New Zealand) has resulted in a new tool, developed using artificial intelligence (AI), to improve the prediction of volcanic eruptions worldwide.

The University of Canterbury research team has created a machine-learning (ML) model capable of identifying early seismic warning signs of volcanic eruptions. The study analyzed 41 eruptions across 24 volcanoes over 73 years, revealing patterns in pre-eruption seismic activity that can be applied to less-monitored volcanoes.

The research introduces an ML technique known as transfer learning, which identifies shared precursor signals across multiple volcanoes. The approach allows for forecasting eruptions at sites with little to no prior instrumental eruption records. The researchers say that their method provides a cost-effective and scalable solution for improving forecasting at under-monitored volcanoes.

The AI-based model also aims to support regions with limited monitoring infrastructure, such as Southeast Asia and Central America, where many active volcanoes remain understudied.

The research team worked alongside international volcano observatories to ensure the forecasting model provides actionable data. The collaborative approach enables seamless integration with existing volcanic monitoring frameworks.

The scientists analyzed 41 volcanic eruptions from 24 different volcanoes, spanning 73 years of seismic data. The researchers categorized volcanoes into three groups based on eruption type: magmatic, phreatic, and a global pool that included all volcanoes. The ML model used a 48-hour window of seismic data leading up to eruptions to train forecasting models The model’s performance was assessed through a cross-validation process mimicking real-time forecasting conditions.

Comparisons with traditional forecasting methods, such as Real-Time Seismic Amplitude Measurement (RSAM), revealed that the ML model outperformed conventional techniques. In particular, the model demonstrated better sensitivity to pre-eruptive activity for phreatic eruptions.

Some volcanoes, such as Copahue, displayed consistently high forecasting values between closely spaced eruptions, which may require further refinement of the model. Unheralded eruptions, such as the 2011 Cordon Caulle event, presented limitations in forecasting capabilities because of weak pre-eruption seismic signals.

Future improvements may include incorporating gas emission rates, thermal anomalies, and magnetotelluric data into the forecasting models. The researchers also plan to refine the model’s ability to distinguish between different types of volcanic activity, such as open versus closed conduit eruptions.

Source : University of Canterbury.

https://www.canterbury.ac.nz/

L’intelligence artificielle (IA) au service de la prévision sismique // Artificial Intelligence (AI) to help seismic prediction

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.

L’intelligence artificielle au service de la prévision sismique // Artificial intelligence might help earthquake prediction

Une étude récente, conduite par des géophysiciens de l’Université d’Alaska à Fairbanks et de l’Université Ludwig-Maximilians de Munich, propose une nouvelle technique d’apprentissage automatique permettant de prévoir les puissants séismes plusieurs mois à l’avance. L’étude a été publiée dans Nature Communications en août 2024.
La nouvelle méthode utilisée par les chercheurs consiste à analyser des volumes importants de données sismiques pour identifier des schémas d’activité sismique de faible magnitude susceptibles d’annoncer de puissants événements. L’algorithme d’apprentissage automatique utilisé, qui se base sur des données sismiques historiques, peut détecter ces précurseurs, avec la capacité à prévoir une catastrophe majeure.des mois à l’avance.
Les chercheurs se sont concentrés sur deux puissants séismes récents: celui de magnitude M 7,1 d’Anchorage en 2018 et l’essaim sismique enregistré à Ridgecrest, en Californie, en 2019. Dans les deux cas, ils ont découvert des signes d’activité sismique anormale dans les mois précédant les principaux événements. La probabilité d’un puissant séisme était de plus de 80 % trois mois avant le séisme d’Anchorage et de 85 % quelques jours seulement avant qu’il se produise.
Les scientifiques ont testé leurs hypothèses dans des zones sismiques actives telles que le centre-sud de l’Alaska et le sud de la Californie. Ces régions ont fourni des données importantes pour tester la capacité de la méthode à prévoir les séismes de grande ampleur. Les résultats de l’étude pourraient être utilisés dans d’autres zones sujettes aux séismes, notamment la faille de San Andreas en Californie et la fosse de Nankai au Japon.
La nouvelle étude représente plusieurs années de collecte et d’analyse de données. Les résultats les plus récents indiquent une amélioration significative de la prévision sismique. L’objectif principal est d’améliorer la sécurité publique et la préparation aux catastrophes. La plupart des technologies traditionnelles de prévision sismique ne sont pas parvenues à fournir un avertissement préalable adéquat. Les auteurs de l’étude espèrent développer une méthode plus fiable. Cela permettrait de sauver des vies et de réduire les dommages économiques grâce à des évacuations rapides des populations menacées.
La méthode de prévision utilisée par les chercheurs a recours à des algorithmes d’apprentissage automatique basés sur des catalogues de séismes afin de repérer les schémas d’activité sismique aberrante de faible magnitude qui précèdent souvent les puissants séismes. Selon eux, ces précurseurs de faible magnitude sont peut-être causés par une augmentation de la pression des fluides interstitiels dans les failles, ce qui modifie les propriétés mécaniques de ces dernières. La méthodologie utilisée par les scientifiques a permis de découvrir cette activité antérieure dans 15 à 25 % des zones touchées, environ trois mois avant les séismes d’Anchorage et de Ridgecrest. La capacité du modèle à prévoir la probabilité qu’un puissant séisme se produise dans un laps de temps donné constitue un grand pas en avant dans la prévision sismique.
Les chercheurs font remarquer que l’approche basée sur l’apprentissage automatique présentée dans l’étude ne nécessite que des informations mises à jour et archivées de manière routinière dans les catalogues de séismes. Une telle approche pourrait permettre de mieux comprendre la dynamique des réseaux de failles et à identifier les variations dans le champ de contrainte régional. Elle pourrait être facilement mise en œuvre par les agences de surveillance pour contrôler la sismicité de faible magnitude en temps quasi réel. À terme, cette nouvelle approche pourrait aider à concevoir des stratégies de niveaux d’alerte sismique basées sur la détection de l’activité tectonique régionale, et à améliorer la prévision des séismes de forte magnitude plusieurs semaines à plusieurs mois à l’avance dans le sud de la Californie, le centre-sud de l’Alaska, mais aussi dans d’autres régions du monde.
L’étude est en libre accès à cette adresse :
https://doi.org/10.1038/s41467-024-51596-z

Voir aussi l’article sur le site The Watchers.

La faille de San Andreas et ses homologues en Californie sont susceptibles de provoquer de puissants séismes (Photos: C. Grandpey)

————————————————–

A recent study by geophycists of the University of Alaska Fairbanks and Ludwig-Maximilians-Universität in Munich proposes a new machine learning technique for predicting big earthquakes months in advance. The study was published in Nature Communications in August 2024.

The new method entails analyzing massive volumes of seismic data to identify minor patterns of low-magnitude earthquake activity that may foreshadow big quakes. The machine learning algorithm, trained on historical earthquake data, may detect these precursors, potentially providing months of notice before a large-magnitude disaster.

The researchers concentrated on two recent significant earthquakes: the 2018 M 7.1 Anchorage earthquake and the 2019 Ridgecrest, California, earthquake series. In both cases, they discovered signs of aberrant seismic activity in the months preceding up to the main events, with the probability of a significant earthquake climbing up to over 80% three months before the Anchorage quake and 85% just days before it occurred.

The scientists test their conclusions in seismically active areas such as Southcentral Alaska and Southern California. These regions, recognized for their high seismic activity, supplied important data to test the method’s ability to forecast big earthquakes. The study’s findings have far-reaching ramifications for other earthquake-prone areas, including California’s San Andreas Fault and Japan’s Nankai Trough.

The new study represents several years of data collecting and analysis, with the most recent findings indicating a significant improvement in earthquake prediction. The major goal of this research was to enhance public safety and catastrophe preparedness. Traditional earthquake prediction technologies have frequently failed to provide adequate advance warning. The authors of the study hope to develop a more reliable method of anticipating seismic events. This would allow to save lives and decrease economic damages through timely evacuations and preparedness.

The researchers forecast method used machine learning algorithms trained on earthquake catalogs to spot patterns of aberrant, low-magnitude seismic activity, which frequently precede big earthquakes. In their opinion, these precursory low-magnitude earthquakes could be caused by increased pore fluid pressure within faults, which changes the faults’ mechanical properties. Their methodology discovered this antecedent activity in 15% to 25% of the afflicted zones about three months before the Anchorage and Ridgecrest earthquakes. The model’s capacity to forecast the likelihood of a big earthquake occurring within a given timeframe is a huge step forward in earthquake prediction.

The researchers say that it is worth noting that the machine learning-based approach presented in the study only requires information that is currently being archived routinely in earthquake catalogs; could help to better understand the dynamics of fault networks and identify variations in the regional stress field; and can be easily implemented by surveillance agencies to monitor low-magnitude seismicity in near-real time. Eventually, this new approach could help to design earthquake alert level strategies based on the detection of regional tectonic unrest, and to improve the forecast of large-magnitude earthquakes from weeks to months in advance in Southern California, Southcentral Alaska, and potentially elsewhere.

The study is in Open access at this address :

https://doi.org/10.1038/s41467-024-51596-z

See the article on the website The Watchers.