Surveillance des grands tremblements de terre à l'aide des données du Système mondial de navigation par satellite à haut débit grâce à une approche d'apprentissage profond

Les instruments du Système mondial de navigation par satellite à haut débit (HR-GNSS) sont des dispositifs capables de détecter les arrivées d'ondes sismiques et de mesurer le déplacement du sol généré par un tremblement de terre avec une grande précision. En intégrant les données HR-GNSS avec d'autres capteurs et modèles, nous pouvons améliorer la précision des évaluations des tremblements de terre et fournir des informations précieuses pour les alertes précoces et la préparation aux catastrophes. Notre objectif est de développer des modèles d'apprentissage profond tirant parti des données d'ondes HR-GNSS. Ces modèles renforcent considérablement notre capacité à détecter et à estimer la magnitude des grands tremblements de terre. Cependant, l'analyse rapide des données HR-GNSS à l'aide d'algorithmes d'apprentissage profond reste un défi actuel. Pour surmonter ce défi, il est crucial d'avoir accès à de grands ensembles de données de haute qualité. Étant donné que la présence de bruit dans les enregistrements GNSS impacte particulièrement la qualité des données, notamment pour les tremblements de terre mesurant moins de 7 unités de magnitude, notre formation de modèles d'apprentissage profond (DL) repose principalement sur les données disponibles des plus grands tremblements de terre. Cela s'accompagne d'un compromis, car ces événements fournissent un ensemble de données limité en raison de leur fréquence d'occurrence moindre, rendant les données peu représentatives pour la formation du modèle. Pour surmonter cette limitation, nous avons utilisé à la fois des signaux sismiques synthétiques combinés à du bruit synthétique et réel pour la formation, la validation et le test des modèles. Notre enquête explore comment divers facteurs, tels que le bruit, la magnitude des tremblements de terre, la densité des stations, la distance de l'épicentre et la durée du signal, affectent la performance de nos modèles. Nous visons à généraliser la méthodologie de détection et d'estimation de la magnitude pour la surveillance en temps réel des grands tremblements de terre à travers divers régions tectoniques. Les modèles DL proposés dans ce travail seront intégrés en tant qu'algorithmes complémentaires au paquet Python open-source SAIPy.