Key points are not available for this paper at this time.
La détection acoustique distribuée (DAS) s'avère être une technologie efficace pour des applications sismologiques. Son succès est dû à la capacité de déployer des instruments DAS sur les réseaux de fibres télécommunication existants en constante expansion à travers le monde. Cependant, les avantages du DAS sont entravés par le volume considérable de données couramment enregistrées lors de déploiements d'instruments uniques, qui peuvent facilement atteindre des dizaines de To. De plus, étant donné que le DAS mesure la contrainte le long de la fibre, de nouveaux paradigmes d'analyse de données sont nécessaires pour exploiter de manière exhaustive toutes les informations contenues dans ces grands ensembles de données. Nous mettons en avant des applications réussies des expériences DAS utilisant des câbles à fibres existants situés dans divers scénarios, allant des systèmes volcaniques aux environnements urbains densément peuplés. Pour exploiter l'information contenue dans ces ensembles de données novateurs, nous combinons des outils d'apprentissage automatique avec des algorithmes efficaces fonctionnant sur des architectures de calcul haute performance. Par exemple, nous montrons comment les temps d'arrivée obtenus à partir de PhaseNet-DAS peuvent fournir une détection et une localisation des tremblements de terre en temps réel, permettant l'inclusion des données DAS dans les systèmes d'alerte précoce aux tremblements de terre. De plus, nous démontrons la capacité d'intégrer des canaux DAS diffusés en temps réel au sein des opérations du réseau sismique. Notre paradigme de traitement s'avère être un terrain efficace pour les découvertes et pour créer la prochaine génération de cadres de suivi sismique.
Biondi et al. (Fri,) ont étudié cette question.