Exploration of glacial earthquake seismic signals with machine learning

Exploration des signaux sismiques du Groenland à l'aide du machine learning Les régions polaires sont très sensibles au réchauffement climatique. En particulier, les impacts sur les glaciers du Groenland peuvent être observés à travers l'augmentation du nombre d'événements de vêlage. Cependant, une évaluation directe de l'activité de vêlage est limitée en raison de l'éloignement des régions polaires et du temps nuageux qui rend impossible une observation récurrente par imagerie satellite. Pour résoudre ce problème, nous exploitons le réseau sismologique déployé au Groenland qui enregistre activement les signaux sismiques associés aux événements de vêlage, appelés par la suite « séismes glaciaires ». Ces signaux sismiques présentent une gamme de fréquences large et une grande diversité de forme d'onde, ce qui les rend difficiles à discriminer des événements tectoniques ainsi que des bruits anthropiques et naturels. Dans cette étude, nous partons de deux catalogues d'événements connus, l'un pour les événements de séismes glaciaires survenus entre 1993 et 2013 et l'autre pour les séismes survenus dans la même période de temps, et nous mettons en place un algorithme de détection basé sur la méthode STA/LTA pour extraire les événements de signaux à partir de données continues. Ensuite, nous entraînons et testons une chaîne de traitement d'apprentissage automatique basée sur l'algorithme Random Forest qui nous permet d'associer automatiquement les événements respectivement à l'activité de vêlage et à l'activité tectonique, avec une certaine probabilité. Enfin, nous étudions une période de données continues de 800 jours du réseau sismique régional du Groenland, ce qui donne un nouveau catalogue plus exhaustif de séismes glaciaires élargi de 1633 événements glaciaires nouvellement détectés. De plus, nous discutons du choix des attributs utilisées pour décrire les séismes glaciaires, en particulier les 39 nouveaux attributs créés dans cette étude qui ont considérablement amélioré nos résultats. La perspective d'une expansion ultérieure du catalogue de séismes glaciaires en appliquant la chaîne de traitement discutée dans cette thèse sur différentes périodes de temps met en évidence comment la combinaison de la sismologie et de l'apprentissage automatique peut augmenter notre compréhension de l'évolution spatio-temporelle de l'activité de vêlage dans les régions éloignées.