Étude spatio-temporelle de la sismicité dans les zones de subduction à partir de réseaux sismiques inhomogènes avec intelligence artificielle

Comprendre les mécanismes qui régissent les tremblements de terre et les déformations post-sismiques est essentiel pour évaluer les risques naturels et élaborer des stratégies de réaction efficaces face aux séismes. Au cours des deux dernières décennies, la disponibilité des enregistrements sismiques continus a mis en lumière différents types de tremblements de terre, caractérisés par des durées et des magnitudes variables. Ces phénomènes soulignent la vaste gamme de processus physiques à l’œuvre dans les zones de subduction, à l’interface entre les plaques tectoniques. Une meilleure compréhension de ces processus est essentielle pour mieux appréhender l’occurrence des grands tremblements de terre dévastateurs de type « megathrust ». En outre, ces tremblements de terre peuvent produire des accélérations intenses, ce qui peut affaiblir les matériaux et provoquer des liquéfactions. L’analyse de la réponse sismique, qui implique l’identification des fréquences de résonance et de l’amplification du milieu, permet aux scientifiques de suivre de près le comportement des matériaux de la croûte terrestre peu profonde. En particulier, les sédiments non consolidés sont sujets à des changements de fréquence et de vitesse lors de mouvements violents. L’étude de ces sédiments peut fournir des informations précieuses sur les effets non linéaires et les changements temporels dans la croûte supérieure, contribuant ainsi à la compréhension de la dynamique en jeu lors des événements sismiques.

De nos jours, nous enregistrons le champ d’onde sismique en continu dans les zones sismogènes afin de surveiller divers paramètres tels que la déformation, la migration de la sismicité et les effets non linéaires. Toutefois, les enregistrements continus à forte densité spatiale ne sont disponibles que depuis une ou deux décennies, ce qui constitue une fenêtre d’observation à court terme (par exemple, des décennies) par rapport au cycle sismique complet (par exemple, plusieurs décennies, voire des siècles). La répartition des capteurs sismiques reste très inégale dans l’espace et dans le temps, ce qui se traduit par des catalogues sismiques incomplets pour certaines régions. Alors que la détection et la localisation des grands séismes sont généralement simples en raison du rapport signal à bruit élevé, la sismicité locale plus faible s’avère plus difficile à identifier avec précision en raison de la diffusion et de l’atténuation. De nombreux catalogues de tremblements de terre existants sont incomplets, en particulier dans les régions où les stations sismiques sont peu nombreuses. Cette limitation motive le besoin de stratégies améliorées pour obtenir des données plus complètes sur l’activité sismique et les phénomènes associés, ce qui permettra en fin de compte de mieux comprendre et d’atténuer les risques sismiques.

Des techniques avancées telles que le template matching (détection de séismes par corrélation de forme d’onde) ont considérablement amélioré notre capacité à détecter la sismicité de faible amplitude. Le template matching implique de comparer les séismes pré-identifiés avec les données continues pour identifier des événements similaires. L’efficacité des stratégies de template matching dépend de trois hypothèses clés : (1) elle nécessite l’identification de la sismicité dans toute la zone d’intérêt, ce qui est généralement réalisé en utilisant des techniques de détection conventionnelles, (2) elle suppose que le milieu de propagation des ondes reste suffisamment stable pour que des événements avec des mécanismes similaires survenant dans une zone donnée présentent des formes d’onde comparables, et (3) le succès du template matching repose sur la disponibilité continue de données sismiques en réseau, ce qui peut ne pas toujours être réalisable en raison de facteurs tels que les coûts de maintenance, les contraintes de terrain, ou les deux. De plus, les réseaux sismiques denses sont souvent déployés dans des régions où une grande rupture a eu lieu, car il peut être peu pratique de surveiller en continu de vastes zones. Cette contrainte nous empêche considérablement de prévoir la sismicité pendant les périodes intersismiques. Pour surmonter ces limitations, de nouvelles avancées dans les techniques et stratégies de détection sont nécessaires pour améliorer notre compréhension de l’activité sismique et notre capacité à atténuer les risques associés.

Au cours de cette thèse, notre objectif est de concevoir des stratégies innovantes qui améliorent la méthode de template matching, permettant une détection et une localisation plus précises de la sismicité faible pendant les séquences d’après-séisme suivant de grands tremblements de terre, spécifiquement dans les zones de subduction telles que le long de l’Amérique centrale et du Sud, la Cascadie et le Japon. De plus, nous aborderons le défi d’améliorer les capacités de détection des réseaux sismiques épars issus de déploiements denses, qui ont été établis en réponse à des ruptures majeures. Notre objectif est d’observer la période intersismique et d’identifier toute migration sismique préexistante potentielle avant le choc principal, y compris la détection de tremblements de terre lents tels que des tremblements de terre à basse fréquence et des trémors tectoniques.

La détection a priori de séismes « templates » est une étape cruciale pour améliorer la détection d’événements similaires et, par conséquent, enrichir le catalogue de sismicité. Compte tenu d’un déploiement stable de stations sismiques sur une période spécifique, nous emploierons des méthodes basées sur l’IA de pointe pour détecter les tremblements de terre dans les sismogrammes continus. En particulier, nous explorerons PhaseNet, un réseau neuronal profond conçu pour identifier les phases sismiques P et S à partir de sismogrammes, ainsi que d’autres stratégies similaires. À l’aide de ces informations, nous localiserons les tremblements de terre avec un modèle de vitesse a priori obtenu pour la zone et construirons un catalogue par template matching avec une magnitude de complétude inférieure à celle des catalogues existants. Cette partie de la recherche de doctorat débutera sur la séquence d’après-séisme du tremblement de terre de Maule Mw8.8 de 2010 au centre du Chili. Plus de 40 accéléromètres et vélocimètres à large bande ont été déployés après le choc principal, fournissant des données sismiques denses et continues pendant un an après la rupture. Nous développerons et appliquerons notre méthode à ce cas avant de mener des études comparatives dans d’autres zones de subduction, en nous étendant progressivement vers d’autres régions en Amérique du Sud vers le Mexique et au-delà en Cascadie. La deuxième partie de la thèse impliquera l’analyse de la migration de la sismicité et la comparaison avec des observations externes, telles que des séries temporelles GNSS. L’objectif de cette partie est d’enquêter sur la déformation post-sismique suivant le choc principal et d’examiner l’effet non linéaire de la croûte à travers l’analyse du mouvement du sol. Après avoir étudié ces deux étapes, nous prévoyons d’utiliser des techniques d’IA pour transférer les connaissances acquises à partir d’une zone de subduction spécifique pendant le déploiement dense à des données antérieures avec une couverture spatiale plus éparse des instruments, à la recherche d’une sismicité faible passée dans la période précédant le choc principal. Cette stratégie pourra ensuite être appliquée à d’autres contextes de subduction, tels que le Mexique et les Cascades, faisant progresser davantage notre compréhension de l’activité sismique et améliorant notre capacité à prédire et à atténuer les risques sismiques.

Pour aborder ces questions, nous collaborerons avec des partenaires internationaux des États-Unis, du Chili et de France. Nous travaillerons avec William Frank du MIT, sur le template matching, Sergio Ruíz de l’Universidad de Chile pour étudier la migration sismique, et Philippe Gueguen, ISTerre, pour enquêter sur la réponse sismique non linéaire.