L'apprentissage automatique ouvre la voie à des améliorations révolutionnaires en matière de prévision des tremblements de terre, qu'il s'agisse de séismes primaires ou de répliques.
Trois nouveaux articles récents ont exploité des modèles d'apprentissage profond qui, selon des résultats préliminaires, surpassent les méthodes statistiques conventionnelles dans la prévision des tremblements de terre.
Bien que ces études soient relativement spécifiques - principalement la prévision des répliques après un événement sismique majeur - elles représentent un bond en avant dans la prévision des tremblements de terre.
Morgan Page, sismologue à l'US Geological Survey (USGS) à Pasadena, en Californie, a exprimé son enthousiasme face aux progrès réalisés : "Je suis vraiment heureux que cela se produise enfin".
Cependant, il est essentiel de démystifier ce que les prévisions de tremblement de terre impliquent. Il ne s'agit pas de déterminer avec précision l'heure ou le lieu d'un événement sismique. L'idée longtemps répandue de prédire la magnitude, le lieu et l'heure d'un tremblement de terre - ce qui revient à dire "dimanche prochain à 8 heures" - n'est pas réaliste. - n'est pas réaliste.
Au contraire, grâce aux analyses statistiques, les sismologues sont désormais mieux équipés pour évaluer des schémas plus larges, y compris pour estimer les répliques potentielles.
L'apprentissage profond s'épanouit sur des ensembles de données massives, prédisant les tremblements de terre ultérieurs sur la base de données historiques sur les tremblements de terre.
Toutefois, le parcours n'a pas été simple, car les grands tremblements de terre sont relativement rares et les données peu nombreuses.
À propos des documents
Trois études récentes mettent en évidence le potentiel de l'IA dans la prévision des tremblements de terre :
- La géophysicienne Kelian Dascher-Cousineau et une équipe de l'UC Berkeley : Conception d'un modèle testé sur les tremblements de terre du sud de la Californie entre 2008 et 2021. Ce modèle a surpassé le modèle traditionnel en prédisant le nombre et la magnitude des tremblements de terre sur une période de deux semaines.
- Samuel Stockman, statisticien à l'université de Bristol: La méthode de Stockman, entraînée sur les données des tremblements de terre du centre de l'Italie en 2016-17, s'est révélée plus performante que les méthodes conventionnelles.
- Le physicien Yohai Bar-Sinai et une équipe de l'université de Tel Aviv : Da mis au point un autre modèle de réseau neuronal qui a surpassé le modèle conventionnel lorsqu'il a été testé sur trois décennies de données relatives aux tremblements de terre au Japon. Bar-Sinai pense que cela pourrait permettre de mieux comprendre la mécanique des tremblements de terre.
L'USGS et d'autres entités similaires adopteront bientôt des modèles d'apprentissage automatique en plus des modèles traditionnels.
Toutefois, quelle que soit la précision des prévisions, il reste primordial de se préparer aux tremblements de terre, en veillant à ce que les bâtiments soient conformes aux normes de sécurité et que les kits d'urgence soient toujours prêts.
Les progrès de l'IA soutiennent les stratégies environnementales et de conservation, notamment la protection de l'environnement. Forêt amazonienne et en renforçant systèmes d'alerte aux tsunamis.
