s'abonner
Une équipe composée de chercheurs issus de l’université de Californie à Los Angeles (Etats-Unis), de l’Institut de Physique du Globe (France) et d’un data scientist du fabricant de technologies pour satellites Terran Orbital a testé une nouvelle méthode basée sur l’apprentissage profond et exploitant des données captées dans l’ionosphère, la couche de l’atmosphère située entre 50 et 600 km d’altitude pour détecter les tsunamis dès leur formation. Les résultats de ces travaux ont été publiés dans un article début août.
La détection des tsunamis et des séismes sous-marins qui les provoquent reposent sur tout un arsenal d’équipements dédiés, des marégraphes aux sismographes, en passant par des capteurs placés sur les fonds marins et des hydrophones qui transmettent par satellites à des stations terrestres les données collectées. Mais d’autres outils peuvent faire office de capteurs, bien que situés très loin des océans : les constellations de satellites de géolocalisation.
"Les tsunamis peuvent provoquer des ondes de gravité internes amplifiées par la baisse de la densité atmosphérique et qui peuvent donc atteindre les strates ionosphériques, perturbant le contenu électronique total", écrivent les chercheurs. Ce "contenu électronique total", encore désigné par l’acronyme TEC, est une mesure de la quantité totale d’électrons dans une colonne de l’ionosphère large d’un mètre carré. Or, ces électrons jouent un rôle dans la propagation des ondes radios utilisées par les communications satellitaires.
L’idée des chercheurs consiste donc à utiliser les perturbations du TEC captées par les satellites de géolocalisation au moment de tsunami et de s’en servir comme données d’apprentissage à un algorithme. L’outil ainsi entraîné sera alors capable de détecter la survenue d’un nouveau tsunami en analysant en temps réel des ondes radios de ces systèmes satellitaires.
Concrètement, l’équipe a collecté de telles données correspondant à trois tsunamis, sur une période se situant à chaque fois plusieurs jours avant et après la survenue du phénomène, pour que le changement dans la propagation des ondes soit justement visible.
Ce jeu d’entrainement contient donc 34 jours de données autour du séisme de 2010 au large des côtes du Chili, issues de 30 stations GPS du réseau universitaire UNAVCO situées dans le pays ; 30 jours correspondant au séisme qui a touché le Japon en mars 2011 et provoqué l’accident nucléaire de Fukushima (1200 stations du réseau GeoNet sont concernées) ; 15 jours autour du séisme et d’un tsunami ayant secoué l’archipel de Haida Gwaii, en Colombie-Britannique (Canada) et les côtes de l’Alaska, à partir des données de 56 autres stations du réseau UNAVCO à Hawaï.
Tout ce corpus a servi à "apprendre" à un algorithme comment la trajectoire de l’onde radio était altérée lors de tels événements. Pour limiter le risque de faux positifs, les chercheurs n’ont gardé que les perturbations repérées par au moins 70% des stations au sol lors de leur contact avec un satellite.
Après quoi, l’algorithme a analysé 26 jours de données concernant un autre tsunami né dans le Pacifique et ayant touché le Chili, en 2015. Le résultat s’avère prometteur : le séisme est prédit par le système à 91,7%. Ce n’est évidemment pas optimal, mais les chercheurs estiment que la méthode peut s’améliorer en entraînant l’algorithme sur plus d’événements, avec plus de diversités dans les zones géographiques concernées.
Leur approche, selon eux, si elle est un jour déployée, a plusieurs intérêts. Elle ne nécessite plus de recourir à des équipements spécifiques, elle offre une plus large couverture géographique et ne nécessite pas le développement d’un algorithme dédié. Le projet a en effet été mené avec l’architecture de réseau d’apprentissage profond ResNet-50, présenté par une équipe de Microsoft en 2015.
