DEEP LEARNING APPLIED TO THE DETECTION AND UNDERSTANDING OF SLOW SLIP EVENTS

Apprentissage profond appliqué à la détection et la compréhension des glissements lents La caractérisation du lien entre le glissement lent et la rupture sismique est actuellement un problème clé en sciences de la terre. Par exemple, une activité intense de pré-chocs a été décrite avant certains tremblements de terre inter-plaques. Un modèle a proposé d'expliquer ces observations en supposant qu'un glissement lent accéléré sur l'interface de la faille est le mécanisme moteur qui charge les aspérités sismiques et déclenche la libération accélérée du moment avant les grands tremblements de terre. Cependant, les observations directes de glissements lents précurseurs restent assez rares, très probablement en raison d'un seuil de détection dans les données géodésiques. Ainsi, le lien entre le glissement lent et les ruptures sismiques (et potentiellement les tremblements de terre destructeurs imminents) est encore mal compris.Nous devons donc développer et systématiser notre capacité à détecter les petits glissements lents et la réponse sismique associée afin de comprendre la mécanique des failles actives. Cela est particulièrement vrai dans les zones de subduction "froides", où les tremblements et glissements épisodiques (ETS) n'ont pas été observés. Nous souhaitons étudier comment le glissement asismique peut déclencher des tremblements de terre et comment ce déclenchement dépend de la profondeur, de la durée, de la migration, de la périodicité et de la quantité totale de glissement.Le but de ce projet de doctorat est d'explorer et de développer des approches d'apprentissage automatique pour exploiter les signaux sismologiques et géodésiques acquis dans les zones de subduction. Le premier objectif est de caractériser la relation empirique entre les événements de glissement lent et leur signature sismologique, et de suivre l'évolution de cette relation dans le temps et l'espace. Le second objectif est d'améliorer la détection et la caractérisation des glissements lents (ou de leur signature sismologique) en utilisant des réseaux géophysiques denses.Enfin, l'évolution spatiale et temporelle du lien entre déformation et sismicité sera caractérisée et analysée. Le modèle sera entraîné de manière récursive afin d'améliorer la détection des glissements lents et leurs réponses sismologiques.La grande quantité de données géodésiques et sismologiques acquises au Japon sera utilisée pour développer et tester les algorithmes d'apprentissage automatique. Les résultats et les tests bénéficieront d'un benchmark résultant des études géophysiques menées en parallèle afin de tester la pertinence de l'approche d'apprentissage automatiquedéveloppée au cours de la formation. Une fois validées, les méthodes seront testées dans d'autres contextes afin de généraliser la capacité des algorithmes à évaluer le lien entre déformation et sismicité, et à détecter de petits glissements lents? cachés dans le bruit des séries temporelles de positions réalisées jusqu'à présent.