Introduction
L’identification rapide et précise des événements sismiques naturels et non naturels est cruciale pour compiler des catalogues de séismes complets et évaluer le risque sismique régional. Cette étude se concentre sur la classification des événements sismiques de faible magnitude dans la province de Jilin, en Chine, en utilisant des méthodes d’apprentissage automatique.
Méthodes
Cette recherche a utilisé des données de formes d’onde d’événements sismiques (1,5 ≤ ML ≤ 3,5) enregistrées dans la province de Jilin entre 2013 et 2024. Plusieurs caractéristiques physiques ont été extraites des formes d’onde, et des algorithmes tels que la machine à vecteurs de support (SVM), le boosting de gradient extrême (XGBoost) et le réseau de neurones à rétropropagation (BPNN) ont été employés pour classifier les explosions artificielles, les effondrements miniers et les tremblements de terre tectoniques.
Résultats
L’étude montre que les trois modèles ont atteint une précision supérieure à 94 % dans les tests régionaux, le modèle SVM offrant les meilleures performances. Lors de la validation interrégionale, le SVM a maintenu une capacité de généralisation supérieure, atteignant une précision de 84 %. L’analyse de l’importance des caractéristiques a confirmé que l’amplitude du spectre des ondes P/S et le rapport d’amplitude maximale P/S étaient les caractéristiques les plus critiques pour la discrimination des événements.
Discussion
Cette étude valide l’efficacité des caractéristiques sélectionnées et des méthodes d’apprentissage automatique pour identifier les événements sismiques multi-types de faible magnitude. Cependant, pour les événements présentant des caractéristiques régionales fortes, le développement de jeux de données interrégionaux ou de modèles spécifiques à une région est nécessaire pour améliorer la précision de la classification.
Contexte et Défis
La classification rapide des événements sismiques est essentielle dans les opérations de surveillance sismique. Les réseaux sismiques enregistrent des événements provenant non seulement de sources naturelles (tels que les tremblements de terre tectoniques, l’activité volcanique et les météores) mais aussi de sources artificielles, y compris les explosions, les effondrements et les bangs soniques induits par l’homme. L’augmentation de la détection des événements sismiques non naturels rend les méthodes de différenciation manuelle insuffisantes pour répondre aux exigences de rapidité de réponse. De plus, la plupart de ces événements sont de faible magnitude, ce qui complique leur détection et identification.
Évolution des Méthodes de Classification
La recherche sur la classification des événements sismiques a commencé avec la surveillance et l’identification des explosions nucléaires. Les premières études discriminaient généralement les explosions et les tremblements de terre en utilisant les caractéristiques des formes d’onde de différentes sources. Avec l’évolution continue des activités industrielles, les données surveillées provenant des explosions, des effondrements et des événements géologiques ont considérablement augmenté, incitant les chercheurs à explorer de nouvelles caractéristiques discriminantes.
Approches Basées sur l’Intelligence Artificielle
À l’ère de l’intelligence, les méthodes de classification basées sur l’intelligence artificielle sont progressivement devenues courantes. Dans le domaine de l’apprentissage supervisé, des techniques telles que le réseau de neurones à rétropropagation, le réseau de neurones convolutifs (CNN), la SVM et le boosting adaptatif (AdaBoost) ont été appliquées à cette fin. Les recherches indiquent que les approches basées sur les réseaux de neurones atteignent souvent de hautes performances d’identification.
Apprentissage Semi-Supervisé et Non Supervisé
L’apprentissage semi-supervisé et non supervisé devient de plus en plus précieux dans la classification des événements sismiques, en particulier lorsqu’il s’agit de données continues avec peu ou pas d’étiquettes. L’apprentissage non supervisé sert d’outil exploratoire pour identifier les clusters et anomalies potentiels à travers le regroupement de données, guidant la découverte de nouvelles catégories d’événements.
Défis de la Généralisation Interrégionale
Bien que les méthodes existantes démontrent de hautes performances de classification, des défis subsistent dans la généralisation interrégionale. Ceux-ci sont principalement attribués aux variations dans les méthodes de traitement des données, les critères de sélection des événements et les caractéristiques spécifiques à la région des enregistrements d’événements non tectoniques.
Conclusion
Cette étude se concentre sur la classification des événements sismiques de faible magnitude dans la province de Jilin, en Chine. En s’appuyant sur des recherches antérieures, nous évaluons les classificateurs d’apprentissage automatique en utilisant des données de formes d’onde provenant d’explosions locales, de sismicité induite par l’exploitation minière et de tremblements de terre tectoniques. Les résultats montrent que les modèles SVM, XGBoost et BPNN offrent des performances de classification élevées, avec le modèle SVM se distinguant par sa précision et sa fiabilité de calibration des probabilités.
🔗 **Fuente:** https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2025.1708136/full