(a) Carte de la station du réseau sismique et infrasonore de l’observatoire des volcans d’Alaska au volcan Pavlof. Toutes les stations sismiques disposent d’un capteur d’infrasons situé au même endroit. Notez que la station PV6 a été détruite lors de l’éruption de 2016 et est indiquée à titre de référence car elle était opérationnelle lors des éruptions de 2007, 2013 et 2014. La carte en médaillon montre l’emplacement du volcan Pavlof le long de la péninsule d’Alaska. (b) Vue depuis un hélicoptère d’une petite explosion de cendres provenant de l’évent actif du volcan Pavlof le 26 août 2022. Les évents de l’éruption de 2021-2022 étaient situés sur le flanc sud-est supérieur du volcan par rapport au sommet. Crédit : Valerie Wasser, Université d’Alaska Fairbanks
Un nouveau système automatisé de surveillance et de classification des vibrations persistantes sur les volcans actifs peut éliminer les heures d’effort manuel nécessaires pour les documenter.
Le chercheur diplômé Darren Tan de l’Institut de géophysique de l’Université d’Alaska Fairbanks a dirigé le développement du système, qui est basé sur l’apprentissage automatique. L’apprentissage automatique est une branche de l’intelligence artificielle axée sur la création de systèmes qui apprennent à partir de données, identifient des modèles et prennent des décisions avec une intervention humaine minimale.
Les détails sur le système automatisé de Tan sont publiés dans la revue Journal de recherche géophysique : Solid Earth.
Son système documente les tremblements volcaniques, un signal sismique continu et rythmique qui émane d’un volcan. Il indique souvent un mouvement souterrain de magma ou de gaz et se produit régulièrement dans les volcans actifs.
La connaissance des tremblements volcaniques peut aider à prévoir et à détecter les éruptions.
Contrairement aux tremblements de terre volcaniques, les tremblements volcaniques sont des grondements de sol soutenus qui peuvent durer de quelques secondes à un an ou plus. Ils sont principalement identifiés dans les spectrogrammes en raison de leur intensité et de leur fréquence variables.
« Les tremblements volcaniques ne sont généralement pas détectés ou répertoriés, car ils ont tendance à être assez subtils dans les données sismiques », a déclaré Tan. « Ils n’ont pas le déclenchement impulsif d’un tremblement de terre. »
La détection des tremblements est actuellement un processus manuel à l’observatoire des volcans d’Alaska, auquel Tan est également affilié. L’observatoire est un programme conjoint de l’Institut géophysique, de la Division des levés géologiques et géophysiques de l’Alaska et de l’US Geological Survey. Une partie de l’observatoire est basée à l’Institut géophysique.
Le sismologue de service quotidien de l’observatoire analyse les spectrogrammes de 32 réseaux de surveillance des volcans à travers l’Alaska, à la recherche de légères indications de tremblement en plus des signaux sismiques évidents.
« Les sismologues de service se rendent sur place tous les jours, et parfois deux fois par jour ou plus selon l’activité volcanique, pour examiner les spectrogrammes », a expliqué Tan. « Ils examinent d’un volcan à l’autre, d’heure en heure, et cela prend beaucoup de temps. »
L’Alaska compte 54 volcans classés comme « historiquement actifs », ce qui signifie qu’ils sont entrés en éruption au cours des 300 dernières années environ. Parmi eux, 32 disposent de réseaux de surveillance sismique.
Tan s’est appuyé sur la diversité des signaux de tremblements de terre de l’éruption du volcan Pavlof, sur la péninsule d’Alaska, en 2021-2022, pour constituer un vaste ensemble de données de spectrogrammes sismiques et acoustiques à basse fréquence étiquetés. Ces spectrogrammes représentent une variété de classifications, telles que le type de tremblement, les explosions et les tremblements de terre, qui ont ensuite été utilisés pour former un modèle informatique pour chaque type de données.
Les modèles formés sont capables de détecter et de classer les tremblements volcaniques en temps quasi réel. Les humains seront toutefois toujours impliqués dans l’interprétation des résultats de l’automatisation.
« Pouvoir se concentrer sur des périodes de temps intéressantes est essentiel », a déclaré Tan. « Je pense que cela réinvente la façon dont nous pouvons surveiller les éruptions de longue durée, car certaines choses peuvent passer inaperçues lorsqu’un volcan est actif pendant un an et demi ou deux ans. »
« Cette méthode automatisée de détection des tremblements constitue également une contribution importante à la prévision et à la détection des éruptions », a-t-il déclaré.
Tan a déclaré que l’apprentissage automatique est un domaine en pleine croissance offrant de grandes possibilités.
« C’est comme le Far West de l’apprentissage automatique en ce moment », a-t-il déclaré. « Tout le monde essaie de s’y mettre, mais il est important de le faire avec prudence. »
Parmi les sept co-auteurs de l’article figurent David Fee, scientifique coordinateur de l’observatoire des volcans d’Alaska à l’Institut de géophysique ; Társilo Girona, professeur adjoint de recherche à l’Institut de géophysique ; et Taryn Lopez, professeur adjoint de recherche, également à l’Institut de géophysique.
Matthew Haney, Chris Waythomas et Aaron Wech de l’USGS et l’ancien chercheur postdoctoral de l’UAF Alex Witsil, désormais chez Applied Research Associates en Caroline du Nord, sont également co-auteurs.
Plus d’information:
Darren Tan et al., Détection et caractérisation des signaux sismiques et acoustiques au volcan Pavlof, en Alaska, à l’aide de l’apprentissage profond, Journal de recherche géophysique : Solid Earth (2024). DOI: 10.1029/2024JB029194
Fourni par l’Université d’Alaska Fairbanks
Citation:Un nouveau système automatisé permet de détecter les vibrations volcaniques insaisissables (2024, 23 juillet) récupéré le 23 juillet 2024 à partir de
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.