Analyse des données de la mission InSight par des algorithmes d’apprentissage profond supervisés et non supervisés.

La sismologie s’est avérée être un outil puissant pour déterminer la structure interne des planètes et pour surveiller son activité sismique. Comme l’illustre Insight (Interior Exploration using Seismic Investigations, Geodesy, and Heat Transport), qui exploite le premier observatoire géophysique sur Mars depuis février 2019, les mesures sismiques, par définition très sensibles, restent cependant difficiles, en raison de la limitation technique inhérente à l’exploration spatiale et de la faible activité sismique des corps telluriques autres que la Terre. Une difficulté supplémentaire pour Mars est associée à un environnement actif générant un bruit structuré, qui pourrait être difficile à comprendre et corriger avec les méthodes développées par les sismologues pour la Terre.

Cette thèse propose d’utiliser pour l’analyse des données InSight, des outils nouveaux basés sur l’apprentissage automatique, dit machine learning, et ce, tant par des approches supervisées que non supervisées.

Nous commençons cette thèse par deux chapitres introductifs. Le premier décrit le contexte de la sismologie planétaire et présente en détail la mission InSight, ses instruments et surtout les données sismiques mesurées par le sismomètre SEIS de la mission. Une présentation des travaux déjà réalisés sur ces données est ainsi faite. Ce premier chapitre présente aussi rapidement les exemples d’application des méthodes de machine learning en sismologie et en exploration spatiale. Le second chapitre présente ensuite en détail les méthodes de Machine learning et détaille plus particulièrement les méthodes que nous utilisons dans cette thèse.

Dans le troisième chapitre, nous discutons du bruit sismique enregistré par le sismomètre SEIS d’InSight qui révèle de nombreux micro-événements transitoires, associés principalement à un environnement martien actif avec des rafales de vent, des chutes de pression, des micro-craquements thermiques de l’atterrisseur et des instruments et des vibrations de l’atterrisseur. L’identification de ces micro-événements est une première étape obligatoire avant toute recherche de signaux sismiques associés à des séismes ou à des impacts de météorites, ainsi que pour l’identification des phases secondaires de ces signaux. Ceci a été effectué jusqu’à présent principalement par les opérateurs du service InSight MarsQuake (MQS). Nous montrons dans ce chapitre comment le machine learning peut relever le défi d’une absence d’information, qui est le propre de toute mission spatiale explorant un environnement jusque-là inconnu. Durant cette première phase, il n’est alors pas possible de se baser sur des catalogues et autres répertoires pour l’apprentissage. Nous étudions donc les données continues avec un algorithme d’apprentissage en profondeur non supervisé, construit au-dessus d’un réseau de diffusion profonde. Nous montrons que notre approche conduit à la détection et au regroupement réussis de ces micro-événements. Nous décrivons en détail notre approche et présentons les clusters identifiés, en recherchant leur origine et leurs propriétés physiques. Nous montrons que l’identification des clusters est stable sur plusieurs sols et nous permet d’identifier des séquences de micro-craquements, qui se répètent à un taux de plusieurs dizaines par jour martien et se suivent avec des délais de temps stables. Nous montrons ensuite que l’efficacité du clustering et de la détection des chutes de pression atmosphérique et des micro-craquements, pour certains des clusters trouvés, est supérieure aux techniques de détection manuelle ou ciblée proposées à ce jour. Nous discutons enfin de l’impact de la structure du bruit sur certains des travaux déjà publiés et concluons sur le risque de sur interpréter soit des phases secondaires sur les sismogrammes bruts, soit des phases trouvées dans les analyses d’autocorrélation.

Le quatrième chapitre de la thèse présente une nouvelle méthodologie pour détecter automatiquement les événements sismiques martiens avec un réseau neurones de mémoire bidirectionnel à long-court terme supervisé. Ce dernier est construit sur le réseau de diffusion profonde pour l’extraction automatique des caractéristiques. Cette approche est basée sur l’apprentissage du catalogue MQS et tente de le reproduire, afin de développer un nouvel outil automatique pour détecter les évènements martiens ainsi que les arrivées des ondes P et S dans les séismes détectés. Les premiers résultats de cette approche sont détaillés, et nous montrons en particulier que cette approche permet de détecter la quasi-totalité des évènements de bon rapport signal à bruit, et plus de la moitié des évènements de faible rapport signal à bruit. Son intégration dans les logiciels d’analyse quotidienne des données de la mission est donc une perspective importante de nos travaux.

Enfin, nous concluons en discutant de la perspective à moyen terme, non seulement pour la mission InSight pour laquelle nous espérons donc une automatisation des détections d’évènements, suivant les résultats développés dans le chapitre 4, mais aussi avec d’autres exemples d’utilisation, en particulier pour mieux modéliser le bruit atmosphérique dans les données sismiques. Le machine learning pourrait enfin être aussi utilisé pour d’autres stations géophysiques sur Terre ou pour de futures missions planétaires, en particulier lorsque la transmission de données est difficile et qu’une sélection de données sévère doit être effectuée à bord.