Révolution en vue : un nouvel algorithme d'apprentissage profond promet de transformer la prévision sismique !
La prévision des répliques des tremblements de terre a fait l'objet d'un développement révolutionnaire qui pourrait changer radicalement la façon dont nous prévoyons l'activité sismique.
L'université de Californie a mis au point une méthode révolutionnaire de prévision des répliques des tremblements de terre qui pourrait modifier radicalement la façon dont les scientifiques prévoient l'activité sismique à l'avenir.
Baptisé Recurrent Earthquake foreCAST (RECAST), ce modèle frais et innovant utilise l'apprentissage profond pour prédire les répliques. Et contrairement aux modèles traditionnels, tels que le modèle ETAS (Epidemic Type Aftershock Sequence), RECAST excelle dans le traitement de vastes ensembles de données sismiques.
Le modèle ETAS a été conçu à une époque où les observations étaient rares, ce qui le rend moins adaptable aux catalogues de tremblements de terre vastes et détaillés d'aujourd'hui. Cependant, le stockage moderne des données et les équipements sensibles ont conduit à des catalogues de millions de tremblements de terre, ce qui a eu raison de l'ancien modèle. La supériorité du modèle RECAST réside dans sa capacité à gérer facilement ces grands ensembles de données.
Simuler les répliques d'un tremblement de terre
Pour tester l'efficacité du modèle, les chercheurs ont simulé des catalogues de tremblements de terre avec un modèle ETAS, puis ont testé le modèle RECAST avec des données réelles provenant du catalogue des tremblements de terre de Californie du Sud. Ils ont constaté que, lorsque le volume de données augmentait, le modèle RECAST - qui apprend en continu - était de loin plus performant que le modèle ETAS pour la prévision des répliques. Il a également nécessité moins d'efforts de calcul et de temps pour les ensembles de données plus importants.
L'apprentissage automatique a été quelque peu exploré pour la prévision des tremblements de terre au cours des dernières années, mais a jusqu'à présent rencontré des limites. Toutefois, les progrès récents en matière d'apprentissage automatique ont permis à RECAST d'être plus précis et adaptable, ce qui en fait une option plus réaliste pour les scientifiques.
Les chercheurs estiment donc que la flexibilité du modèle ouvre de nouvelles perspectives en matière de prévision, en permettant de mettre en commun des informations provenant de différentes régions afin d'améliorer les prévisions dans les zones moins étudiées.
On pense que les capacités d'apprentissage en profondeur du modèle ouvriront la voie à l'utilisation de diverses sources de données pour les prévisions sismiques, en exploitant à terme les enregistrements continus des mouvements du sol.
En outre, les chercheurs estiment que le potentiel de RECAST pourrait révolutionner la prévision des tremblements de terre et inspirer des discussions sur ses applications à l'avenir, ce qui pourrait contribuer à sauver des vies.