Sismicité, fluides hydrothermaux et systèmes de failles dans le Parc national de Yellowstone // Seismicity, hydrothermal fluids and fault systems in Yellowstone National Park

Une étude d’une durée de 15 ans menée par l’Observatoire Volcanologique de Yellowstone et l’USGS sur les données sismiques dans le Parc, et publiée dans Science Advances en juillet 2025, montre comment des milliers de petits séismes se regroupent dans le temps et l’espace. Elle met ainsi en évidence des interactions complexes entre les fluides hydrothermaux et les systèmes de failles sous la caldeira de Yellowstone. Grâce à l’intelligence artificielle, les chercheurs ont pu démontrer que le sous-sol du Parc national de Yellowstone est bien plus dynamique qu’on ne le pensait jusqu’à présent.

Photo: C. Grandpey

De 2008 à 2022, les scientifiques ont analysé les mesures en continu des mouvements du sol, fournies par le réseau sismique qui détecte les vibrations les plus infimes à travers le Parc. En appliquant les derniers modèles d’apprentissage automatique à cet immense ensemble de données, les chercheurs ont détecté plus de 86 000 séismes, ainsi qu’une multitude de petits événements auparavant inconnus. Ces données confirment que le sous-sol de Yellowstone est un paysage en perpétuel mouvement. Les séismes ne sont pas répartis uniformément, mais se regroupent en essaims, où des centaines, voire des milliers d’événements se produisent en quelques jours ou semaines. Certains de ces essaims sont liés au mouvement de fluides hydrothermaux, d’autres au lent réajustement des zones de failles, et quelques-uns à des processus volcaniques profonds. Ce catalogue, réalisé à l’aide de l’intelligence artificielle, révèle que nombre de ces épisodes sont interconnectés sur plusieurs années, voire des décennies, et racontent ainsi une période bien plus longue de l’évolution de la croûte de Yellowstone.

Réseau sismique de Yellowstone (Source: YVO)

Cette étude démontre comment une surveillance sur le long terme et en haute résolution, combinée à l’intelligence artificielle, peut éclairer des processus allant bien au-delà de la portée de l’observation directe.
Le nouveau catalogue sismique offre un aperçu inédit de la façon dont les séismes dessinent l’anatomie de la caldeira de Yellowstone. La plupart des 86 000 séismes enregistrés se sont produits à des profondeurs comprises entre 1 et 4 km, formant des groupes denses et linéaires qui suivent les systèmes de failles sous le Parc. À environ 8 km de profondeur, l’activité sismique disparaît presque complètement, ce qui indique probablement la présence de roches partiellement fondues qui absorbent l’énergie au lieu de se fracturer. Les chercheurs ont obtenu cette précision grâce à un modèle tridimensionnel des vitesses des ondes sismiques sous Yellowstone. Ce modèle montre comment différents types de roches, avec des températures différentes, modifient la vitesse des ondes sismiques, ce qui permet aux scientifiques de localiser les séismes avec exactitude.
Les résultats affinés révèlent des couloirs de failles complexes, certains orientés nord-est à travers la caldeira et d’autres longeant sa lèvre ouest. Au sein de ces structures, les scientifiques ont observé des différences marquées entre les zones situées à l’intérieur et à l’extérieur de la caldeira. À l’intérieur, les séismes ont tendance à se propager verticalement le long de failles grossières et encore mal définies. Ce mouvement vertical reflète la remontée de fluides sous pression, principalement de l’eau chaude et des gaz, au sein du système hydrothermal actif de Yellowstone. À l’extérieur de la caldeira, en revanche, les failles apparaissent plus stables et les séismes présentent une faible migration verticale. Ces zones représentent probablement des failles plus anciennes et plus matures, réagissant aux variations latérales des contraintes crustales.

Histogramme montrant le nombre de séismes par période de trois mois dans la région du Parc national de Yellowstone, de 1973 à 2023. Les barres rouges représentent tous les séismes survenus dans la région de Yellowstone, et les barres bleues indiquent une sismicité en essaim. (Source : YVO)

L’utilisation d’outils d’apprentissage profond tels qu’EQTransformer et PhaseLink a permis aux auteurs de l’étude de détecter des phases sismiques subtiles souvent négligées par les méthodes traditionnelles. Les chercheurs ont relocalisé 67 000 événements avec une précision remarquable. Ils ont pu ainsi cartographier une croûte complexe et finement stratifiée qui fait le lien entre tectonique et volcanisme. Ce niveau de détail offre une nouvelle base pour l’étude du sous-sol de Yellowstone. Les données révèlent non seulement la localisation des séismes, mais aussi l’évolution de leur profondeur et de leur direction au fil du temps. Chaque essaim sismique témoigne d’un mouvement, illustrant l’évolution continue du réseau hydrographique interne du Parc. L’une des découvertes les plus remarquables est le lien à long terme entre différents essaims sismiques. Alors que chaque essaim ne dure généralement que quelques semaines, la nouvelle analyse montre que des essaims séparés par des années se produisent souvent quasiment au même endroit.
Par exemple, l’essaim de 2020-2021, survenu près de l’extrémité nord du lac Yellowstone, s’est produit immédiatement au sud de la séquence de 2008-2009, après plus d’une décennie de calme. Un tel comportement laisse supposer l’existence d’un système dynamique de réservoirs souterrains où l’eau et le gaz migrent lentement à travers les fractures de la roche. Lorsque ces fluides rencontrent des zones étanches ou de faible perméabilité, la pression augmente jusqu’à provoquer la fissuration de la roche, engendrant des salves de sismicité. Une fois la pression relâchée, le système retrouve son calme lorsque les conduits de fluides se referment. Ce processus d’arrêts et de reprises crée un rythme d’essaims sismiques spatialement liés mais temporellement séparés. Ces essaims sont particulièrement fréquents près des zones hydrothermales comme le Yellowstone Lake et le Norris Geyser Basin, où l’eau chaude circule à travers des fractures superficielles.

Norris Geyser Basin (Photo: C. Grandpey)

La récurrence de ces essaims illustre comment la croûte de Yellowstone emmagasine et libère de l’énergie sur des échelles de temps bien plus longues que celles de chaque épisode individuel. La reprise d’activité dans les mêmes zones de failles après des années de repos révèle un lent cycle d’accumulation et de libération de pression qui façonne l’évolution continue du Parc.
Source : Observatoire Volcanologique de Yellowstone.

————————————————–

A 15-year study of Yellowstone’s seismic record by the Yellowstone Volcano Observatory and the U.S. Geological Survey (USGS), published in Science Advances in Jult 2025, reveals how thousands of small earthquakes cluster in time and space. It thus shows complex interactions between hydrothermal fluids and fault systems beneath the caldera. By using artificial intelligence, the researchers demonstrate that the ground beneath Yellowstone National Park is far more dynamic than previously understood.

From 2008 to 2022, scientists analyzed continuous ground motion recordings collected from the seismic network which surrounds the park and detects even the faintest vibrations. By applying advanced machine learning models to this enormous dataset, the researchers detected over 86 000 earthquakes, with countless small events that were previously invisible. Through this data, Yellowstone’s subsurface appears as a restless landscape in constant motion. Earthquakes are not distributed evenly but instead cluster in swarms, where hundreds or thousands of events occur over days or weeks. Some of these swarms have been linked to the movement of hydrothermal fluids, others to the slow readjustment of fault zones, and a few to deeper volcanic processes. The AI-based catalog now shows that many of these bursts are connected across years or even decades, telling a much longer story of Yellowstone’s evolving crust.

This study demonstrates how long-term, high-resolution monitoring combined with artificial intelligence can illuminate processes far below the reach of direct observation.

The new seismic catalog provides an unprecedented look at how earthquakes outline the anatomy of the Yellowstone Caldera. Most of the 86 000 recorded earthquakes occurred at depths between 1 and 4 km, forming dense, linear clusters that trace fault systems beneath the park. Beneath about 8 km, seismic activity nearly disappears, suggesting the presence of partially molten rock that absorbs energy rather than fracturing. Researchers achieved this precision using a three-dimensional model of seismic wave velocities beneath Yellowstone. This model shows how different rock types and temperatures alter the speed of seismic waves, allowing scientists to locate earthquakes with accuracy.

The refined results reveal intricate fault corridors, some trending northeast across the caldera and others running along its western rim. Within these structures, scientists observed distinct differences between areas inside and outside the caldera boundary. Inside, earthquakes tend to migrate upward through rough, immature faults. This vertical movement reflects the rising motion of pressurized fluids, primarily hot water and gases, within Yellowstone’s active hydrothermal system. Outside the caldera, by contrast, the faults appear more stable, with earthquakes showing little vertical migration. These zones likely represent older, more mature faults responding to lateral shifts in crustal stress.

The use of deep learning tools such as EQTransformer and PhaseLink enabled the detection of subtle seismic phases that traditional methods often miss. The researchers relocated 67 000 events with remarkable precision, mapping a complex and finely layered crust that bridges the worlds of tectonics and volcanism. This level of detail provides a new foundation for studying Yellowstone’s subsurface. The data reveal not just where earthquakes happen, but how their patterns shift in depth and direction through time. Each cluster becomes a trace of movement, showing how the park’s internal plumbing continues to evolve.

One of the most remarkable findings is the long-term connection between separate earthquake swarms. While individual swarms typically last only a few weeks, the new analysis shows that swarms years apart often occur in nearly the same place.

For example, the 2020–2021 swarm near the northern end of Yellowstone Lake occurred immediately south of the 2008–2009 sequence, separated by more than a decade of quiet. Such behavior hints at a dynamic system of underground reservoirs where water and gas migrate slowly through fractures in the rock. When these fluids encounter sealed zones of lower permeability, pressure builds until it forces the rock to crack, producing bursts of seismicity. Once released, the system quiets again as the fluid pathways reseal. This stop-and-go process creates a rhythmic pattern of swarms that are spatially linked but temporally separated. Swarms are especially common near hydrothermal areas such as Yellowstone Lake and Norris Geyser Basin, where hot water circulates through shallow fractures. These recurring swarm patterns demonstrate how Yellowstone’s crust stores and releases energy on timescales much longer than any individual episode. The return of activity to the same fault zones after years of rest suggests a slow cycle of pressure accumulation and release that shapes the park’s ongoing evolution.

Source : Yellowstone Volcano Observatory.

L’apprentissage automatique au service des sismologues // Machine learning to help seismologists

Des algorithmes d’apprentissage automatique appliqués aux données de formes d’ondes de 2008 à 2022 ont révélé 86 276 séismes sous la caldeira de Yellowstone, soit environ dix fois plus que les données précédentes obtenues avec des techniques traditionnelles. Le catalogue révisé, basé sur 15 années de données de formes d’ondes, a été publié dans Science Advances le 18 juillet 2025. Il a été réactualisé par des chercheurs de la Western University, de Universidad Industrial de Santander et de l’U.S.G.S.
Ce nouveau catalogue a été rendu possible grâce à l’application de techniques avancées d’apprentissage automatique et d’un modèle de vitesse 3D spécifique à chaque région. Il montre dans quelle mesure l’intelligence artificielle peut améliorer radicalement la détection et la caractérisation de l’activité microsismique dans les régions volcaniques complexes.
Avant cette nouvelle approche, la détection des séismes reposait en grande partie sur des inspections manuelles et des algorithmes traditionnels, ce qui limitait l’échelle et la granularité des données sismiques. Pour surmonter ces obstacles, les chercheurs ont entraîné un modèle d’IA distinct pour chaque station sismique du réseau de Yellowstone.
Cette approche a permis une définition précise de la magnitude de chaque événement, même lors de périodes de chevauchement d’essaims. Lors de tests de validation, le modèle a récupéré 83 % des séismes précédemment documentés et identifié 855 nouveaux événements sur une période de seulement 10 jours, dont plus de 99 % ont été confirmés comme étant de véritables séismes.
Plus de la moitié des séismes se sont produits en essaims, généralement sans secousse principale dominante. L’analyse a révélé que les essaims étaient probablement déclenchés par une combinaison de lente migration des fluides et de variations soudaines de pression dans les systèmes hydrothermaux.
Le nouveau modèle réactualisé a permis de localiser avec précision les séismes et d’estimer leur magnitude en tenant compte des hétérogénéités du sous-sol qui affectent la propagation des ondes sismiques. Les chercheurs pensent que ces résultats pourraient contribuer à améliorer l’évaluation des risques dans d’autres régions volcaniques. Une meilleure imagerie sismique permet d’éviter plus facilement les zones où les mouvements de fluides déclenchent souvent des séismes.
Source : The Watchers.

Photo: C.Grandpey

——————————————————

Machine learning algorithms applied to waveform data from 2008 to 2022 have revealed 86 276 earthquakes beneath the Yellowstone caldera, which is about 10 times more than previously recorded. The revised catalogue, based on 15 years of waveform data, was published in Science Advances on July 18, 2025. It was created by researchers from Western University, Universidad Industrial de Santander, and the U.S.G.S.

The new catalogue was made possible through the application of advanced machine learning techniques and a region-specific 3D velocity model. It demonstrates how artificial intelligence can radically improve detection rates and characterization of microseismic activity in complex volcanic regions.

Prior to this new approach, earthquake detection relied heavily on manual inspections and traditional algorithms, limiting the scale and granularity of the seismic record. To overcome these limitations, researchers trained a separate AI model for each seismic station in the Yellowstone network.

This approach allowed accurate magnitude assignment, even during periods of overlapping swarm events. In validation tests, the model recovered 83% of previously documented earthquakes and identified 855 new events over just a 10-day window, with over 99% of those confirmed as real earthquakes.

More than half of the earthquakes were found to occur in swarms, typically lacking a dominant mainshock. The analysis revealed that swarms were likely triggered by a combination of slow fluid migration and sudden pressure changes in hydrothermal systems.

This model helped accurately locate earthquakes and estimate magnitudes by accounting for heterogeneities in the subsurface that affect seismic wave propagation. Researchers say the findings could help improve hazard assessments in other volcanic regions. Better seismic imaging makes it easier to avoid areas where fluid movement often triggers earthquakes.

Source : The Watchers.

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.