Surveillance de l’activité sismovolcanique des systèmes volcaniques dormants basée sur l’IA

Le mont Fuji est inactif depuis plus de trois siècles. Pourtant, une éruption pourrait avoir des répercussions sur 30 millions de personnes. Malgré son apparente inactivité, le mont Fuji est sismiquement actif et tend à produire un nombre croissant de tremblements de terre volcaniques de basse fréquence au fil du temps. Cette proposition de doctorat vise à utiliser une technique d’imagerie sismique et l’intelligence artificielle pour détecter, localiser et caractériser l’activité sismique et les changements structurels du Mont Fuji et mieux contraindre le risque volcanique dans son voisinage. Notre projet vise à fournir un flux de travail efficace pour la surveillance continue des risques, y compris la mise en relation de la migration interne du magma avec les observations sismiques continues. En utilisant des stratégies d’apprentissage automatique, nous améliorerons la détection et la caractérisation de la sismicité observée au Mont Fuji afin de modéliser la relation entre les classes de signaux sismiques déduites statistiquement et les types potentiels d’activités volcaniques. Nous mènerons des expériences comparatives avec des volcans plus actifs tels que le Mont Asama. Le projet évaluera les signaux sismiques enregistrés par des sismomètres classiques et des extensomètres à fibre optique, ce qui donnera un nouvel aperçu objectif de la volcanosismologie.

Le premier objectif à court terme du doctorat est d’inspecter et de préparer les données sismiques pour des calculs à grande échelle tels que la tomographie et la classification (deuxième et troisième objectifs). Les données sismiques du Mont Fuji proviennent de 18 stations sismiques permanentes sur plus de deux décennies (de 2000 à 2022) et sont accompagnées d’un catalogue de sismicité locale détectée par l’Agence Météorologique Japonaise (JMA). Nous sélectionnerons également un ensemble de données d’événements télésismiques modérés pour la tomographie de forme d’onde locale jusqu’à 2 Hz afin de construire un modèle de fond pour la rétro-propagation. Nous construirons un ensemble de données similaires pour le Mont Asama sur la même période à partir de 20 stations permanentes. Nous effectuerons l’inversion de la forme d’onde locale avec la Direct Solution Method Kernel Suite (DSM Kernel Suite, Fuji et al. 2012) pour faciliter l’inversion de la forme d’onde locale pour les structures situées sous le réseau sismique à l’aide de la méthode des éléments spectraux Specfem3D (Monteiller et al. 2013). Nous discuterons d’une méthode efficace de maillage des volcans et modifierons le code pour calculer les déformations le long des lignes en vue d’une analyse plus poussée des expériences par fibre optique au Mont Asama et au Mont Stromboli. Même à la résolution cible de quelques kilomètres, nous ne serons pas en mesure de détailler les chambres magmatiques à l’intérieur du corps du volcan. Mais ce modèle devrait être suffisamment efficace pour poursuivre la rétroprojection des sources sismiques en utilisant la matrice de résolution complète. Nous vérifierons la validité du (des) modèle(s) obtenu(s) en étudiant plusieurs expériences de modélisation en amont. Nous effectuerons la même procédure pour le Mont Asama afin de réaliser d’autres études comparatives.

La principale difficulté de la détection et de l’interprétation des sources sismiques locales dans les volcans est sa caractéristique complexe qui ne peut pas être expliquée par une source ponctuelle (Maeda & Takeo 2011). Les signaux à basse fréquence de ces événements sismiques locaux pourraient déduire la migration du magma, qui peut être exprimée comme un mécanisme de source volumétrique à laps de temps étendu (4D). Satriano et al. (2014) ont montré l’efficacité de la méthode de rétroprojection proposée par Kawakatsu & Montagner (2008), qui est mathématiquement équivalente à la corrélation croisée des données acquises avec un réseau de données et de fonctions de Green. Dans le cadre du projet InSight à station unique sur Mars, nous avons montré que cette méthode peut fonctionner davantage si nous prenons en compte l’inverse de la matrice de résolution (corrélations des fonctions de Green) même pour des données à station unique (Jacob et al. 2022). Dans cette tâche, nous allons d’abord stocker les fonctions de Green, calculées pour le modèle obtenu dans la première partie de la thèse pour 18 stations permanentes et préparer l’inverse de la matrice de résolution (taille du nombre de points dans le volcan solide 3D au carré) par des méthodes itératives. Ceci produira un catalogue de films qui localisent les sources sismiques 4D pour environ 100 événements par an pour le Mont Fuji et entre 100 et 300 événements par an pour le Mont Asama. Le Mont Asama étant actif et disposant d’enregistrements d’observation de longue durée, nous pourrons comparer les images 4D à l’historique des éruptions. Nous utiliserons ensuite les formes d’onde et les images 4D pour relier les signaux sismiques observés aux activités volcaniques, à l’aide d’une régression basée sur l’IA. À l’instar de Falcin et al. (2021), Seydoux et al. (2022) et Journeau et al. (2022), nous construirons un réseau neuronal profond pour résoudre le problème de régression et identifier la relation (potentiellement non linéaire) entre la sismicité observée et les images 4D, révélant des signatures potentiellement utiles pour la prévision de l’activité volcanique. Le traitement des formes d’onde étant une tâche complexe, nous étudierons diverses transformations qui peuvent aider à résoudre le problème tout en maintenant la complexité de l’algorithme à un niveau aussi bas que possible pour garantir la stabilité et l’exploitabilité. En cas de succès sur les plusieurs volcans que nous avons identifiés, nous prévoyons également d’effectuer des comparaisons directes de la représentation apprise entre les volcans.

Ce projet sera mené en collaboration avec l’ERI pour rapprocher les méthodes, les données et l’instrumentation. En plus des superviseurs, nous interagirons étroitement avec Nobuaki Fuji (IPGP), Yosuke Aoki de (ERI), Stéphanie Durand (CNRS, ENS Lyon), Claudio Satriano (CNAP, IPGP), Akiko Takeo (ERI) et Éléonore Stutzmann (CNAP, IPGP).