Les ondes sismiques d’un grand tremblement de terre sont faciles à voir – pensez à l’image classique d’un sismographe, un crayon grattant des ondes révélatrices sur un papier en rotation lorsque le tremblement arrive. Même pour des yeux très entraînés, les PEGS ne sont que des gribouillis, impossibles à distinguer du bruit. Il est difficile de prouver qu’ils sont là. En 2017, les premières identifications de PEGS dans les données sismiques de Tohoku ont été repoussées par d’autres sismologues.
Mais au fil du temps, les chercheurs ont collecté davantage d’observations de tremblements de terre dans le monde. “J’ai réussi à me convaincre que la théorie est correcte”, déclare Maarten de Hoop, un sismologue informatique à l’Université Rice qui n’a pas participé à la recherche. Inspiré en partie par la controverse sur les premières détections, il a entrepris de prouver mathématiquement si les fluctuations gravitationnelles devaient être observables. La clé, dit-il, consiste à examiner les données des premiers instants du tremblement de terre, avant que les ondes P n’arrivent aux capteurs. À ce stade, les deux forces “ne s’annulent pas totalement”, ce qui signifie qu’il y a théoriquement un signal à trouver dans le bruit. Mais la question de savoir si les sismologues peuvent réellement séparer les deux demeure.
La nouvelle recherche offre une validation initiale qu’ils peuvent, dit de Hoop. Une chose est claire, c’est que les instruments actuels ne peuvent distinguer les signaux de gravité des autres données bruyantes que lors des plus grands tremblements de terre – ceux d’une magnitude supérieure à 8,0, comme les tremblements de terre massifs de mégathrust qui affectent des endroits comme le Japon, l’Alaska et le Chili. Étant donné que ces grands tremblements de terre sont rares, l’équipe de Licciardi a créé un ensemble de données de tremblements de terre hypothétiques, saupoudrés de bruit sismique réel observé dans des stations à travers le Japon. Cela a été utilisé pour former un algorithme d’apprentissage automatique qui détecterait le début d’un tremblement de terre et estimerait sa taille en fonction du signal de gravité.
Lorsque les chercheurs ont appliqué le modèle aux données en temps réel des capteurs pendant le tremblement de terre de Tohoku, il a fallu environ 50 secondes de données pour donner une détection précise, battant les récentes approches de pointe, y compris les méthodes GPS spatiales qui mesurent le mouvement du sol juste après un tremblement de terre. La différence de huit secondes peut sembler petite, mais c’est « encore beaucoup dans le contexte de l’alerte précoce », note Licciardi, en particulier dans des scénarios comme le tremblement de terre de Tohoku, où les résidents côtiers n’ont eu que quelques minutes pour évacuer en prévision du tsunami à venir. .
De plus, les chercheurs notent que le modèle était plus précis dans l’estimation de la taille du tremblement de terre, ce qui est essentiel pour prédire la taille d’un tsunami. Au Japon en 2011, les premières estimations d’un tremblement de terre inférieur à 8,0 suggéraient une vague beaucoup plus petite.
La méthode est encore loin d’être pratique. Thomas Heaton, sismologue à CalTech, décrit la chasse continue aux perturbations gravitationnelles comme “un marteau à la recherche d’un clou”, compte tenu des progrès des approches plus traditionnelles de la détection des tremblements de terre, y compris au Japon, où les responsables ont répondu à Tohoku en ajoutant plus de capteurs le long du zones de subduction offshore et étendre leurs modèles pour tenir compte des tremblements de terre massifs de plus de 9,0. Pour lui, la tâche la plus importante pour les systèmes d’alerte précoce est de rendre les avertissements plus pratiques : tester au combat les méthodes existantes afin que si un avertissement est émis, les gens l’entendent et sachent comment réagir. « Notre problème, ce ne sont pas les capteurs. C’est la façon d’obtenir des données du système et de dire aux gens quoi faire », dit-il.
Mais de Hoop, qui se dit «enthousiaste» à propos du nouveau travail, note qu’il fournit une feuille de route pour améliorer les méthodes avec de meilleures données et des techniques d’apprentissage automatique. La clé pour que cela fonctionne pour des tremblements de terre plus courants et plus petits consistera à déterminer comment abaisser le seuil de magnitude pour détecter les signaux de gravité, ce qui peut nécessiter des capteurs qui détectent directement les changements dans le champ gravitationnel. « Je pense qu’il y a une mine d’informations là-bas et une mine de travail à faire », dit-il.
