Les failles tectoniques sont les objets telluriques qui produisent les tremblements de terre. Il est donc nécessaire de connaître leur localisation et leurs propriétés pour anticiper l’aléa sismique. Alors que leur observation en profondeur est impossible, les failles laissent, à la surface de la Terre, des traces que les satellites et les systèmes aéroportés permettent d’observer. Ces traces sont toutefois complexes, formant généralement des réseaux denses dont l’identification visuelle et la cartographie manuelle sont difficiles et nécessitent beaucoup de temps de travail ainsi qu’une expertise pointue.
Ces travaux sont parus dans JGR le 1er avril 2021.
Grâce à une collaboration interdisciplinaire entre chercheurs géologues, chercheurs en intelligence artificielle, et industriels experts de l’imagerie satellitaire, un nouvel outil vient d’être développé pour identifier et cartographier automatiquement les fractures et les failles à la surface de la Terre. Cet outil est basé sur l’apprentissage profond, appelé « machine learning ». Il s’agit d’un algorithme de type « Convolutional Neural Network » que les chercheurs ont rendu capable d’apprendre à identifier une fracture ou une faille dans l’imagerie de la Terre, puis de tracer cette faille, à l’instar d’un géologue. L’algorithme fouille l’imagerie dans ses moindres détails pour identifier toutes les caractéristiques des fractures et des failles, au-delà de ce que l’œil humain, même expert, parvient à reconnaître. Il transforme ensuite cette reconnaissance en probabilités, de sorte que les cartographies qu’il produit dessinent non seulement les fractures et les failles avec la précision du meilleur expert, mais renseignent aussi sur leur degré de confiance.
Les géologues et les géophysiciens disposent donc désormais d’un outil capable de cartographier les failles et leurs ruptures en surface en un clic ou presque, à haute résolution. Une dernière étape reste cependant à franchir, qui fait l’objet d’un travail en cours : transformer ces cartographies de probabilité en vecteurs. Les lois statistiques décrivant les réseaux de failles pourront alors être établies, apportant un fondement robuste à la modélisation de la rupture sismique.
Légende : Cartographie automatique des failles par deep learning (à droite) comparée à l’image optique (gauche) et à la cartographie manuelle (centre).
Extrait de Mattéo et al., 2021.copyright Mattéo et al.
Les travaux ont été financés par l’Académie d’excellent 3 de l’Idex UCAjedi (https://univ-cotedazur.fr/structures-de-recherche/academies-dexcellence/academie-3), l’ANR (projet Faults_R_Gems, ANR-17-CE31-0008), et le CNRS (mission interdisciplinaire, Défi Imag’In)
Référence
Automatic Fault Mapping in Remote Optical Images and Topographic Data With Deep Learning ; Lionel Mattéo et al.
Journal of Geophysical Research: Solid Earth, JGR Volume: 126, 01 April 2021,
doi ; https://doi.org/10.1029/2020JB021269
Contacts :
Isabelle Manighetti
Physicienne des Observatoires à Géoazur (Université Côte d'Azur – Observatoire Côte d'Azur - CNRS – IRD)
Isabelle.Manighetti@geoazur.unice.fr
tél : 04 83 61 86 35
Yuliya Tarabalka
Directrice de recherche à Luxcarta (https://www.luxcarta.com/)
ytarabalka@luxcarta.com
Ils en parlent :
CNRS-INSU le 28 juillet 2021
Echosciences PACA le 28 juillet 2021
