Alerte tsunami à partir de signaux élasto-gravitationnels par apprentissage profond

Gabriela ARIAS - Géoazur, soutiendra sa thèse devant le jury suivant :
Rapporteurs:
- Zacharie DUPUTEL, Chargé de recherche CNRS, Institut de Physique du Globe de Paris
- Léonard SEYDOUX, Professeur junior, Institut de Physique du Globe de Paris, Université Paris Cité
Examinateurs:
- Sophie GIFFARD-ROISIN, Chargée de recherche IRD, Université Grenoble Alpes
- Martin VALLÉE, Physicien, Institut de Physique du Globe de Paris
Directeur de thèse:
- Quentin BLETERY, Directeur de Recherche IRD, Université Côte d’Azur
Co-directeur de thèse:
- M. Jean-Paul AMPUERO, Directeur de Recherche IRD, Université Côte d’Azur

Résumé : L’estimation précise et rapide de la magnitude des grands séismes est cruciale pour prévoir les tsunamis potentiels. Les systèmes traditionnels d’alerte sismique précoce s’appuyant sur les premières ondes sismiques (P) enregistrées, fournissent des estimations rapides de la magnitude (Mw) mais saturent généralement pour les événements de Mw ≥ 7,5, les rendant inadaptés pour l’alerte tsunami. Des systèmes alternatifs, s’appuyant sur la phase W ultérieure ou sur des signaux géodésiques, fournissent des estimations de magnitude non saturées plus précises, au prix d’une alerte beaucoup plus lente, et donc de temps d’avertissement beaucoup plus courts. Dans ce contexte, nous explorons le potentiel des signaux élasto-gravitationnels précoces (PEGS). Les PEGS se propagent à la vitesse de la lumière, sont sensibles à la magnitude et au mécanisme au foyer du séisme et ne saturent pas pour les très grands événements. Afin d’exploiter rapidement l’information contenue dans ces signaux de très faible amplitude, nous utilisons une approche d’apprentissage profond. Nous entraînons d’abord un Réseau de Neurones Convolutif (CNN) pour estimer la magnitude et la localisation d’un séisme à partir des PEGS synthétiques augmentés de bruit empirique (enregistré par de vrais sismomètres). Testé sur des données réelles le long de la zone de subduction chilienne, nous montrons qu’il aurait correctement estimé la magnitude du séisme de Maule de 2010 (Mw 8,8). Néanmoins, l’approche semble être limitée aux événements de Mw ≥ 8,7 dans ce contexte. Nous utilisons ensuite un Réseau de Neurones Graphiques (GNN) conçu pour améliorer les performances du CNN. Nous montrons que le GNN peut être utilisé pour estimer rapidement la magnitude des événements de Mw ≥ 8,3 au Pérou. Enfin, nous implémentons le modèle dans le système d’alerte précoce du Pérou (en complément du système actuel d’alerte précoce aux séismes) et testons son utilisation opérationnelle pour l’alerte tsunami en temps réel simulé.