Get started
Work

Prévision des éruptions volcaniques basée sur le traitement massif de données sismiques : Application aux volcans péruviens

Year: 2024
Type: dissertation
Abstract: Cette thèse étudie l'amélioration potentielle des méthodes de prévision des éruptions volcaniques en utilisant des techniques avancées de traitement des données sismiques pour analyser de grands ensembles de données sur trois volcans cibles (Piton de la Fournaise (PdlF) (France), Sabancaya et Ubinas (Pérou)). L'objectif central de cette étude est de rechercher des relations empiriques possibles entre le comportement pré-éruptif de l'augmentation accélérée de l'activité sismique en utilisant la méthode de prévision de la rupture (FFM) et les variations de vitesse sismique mesurées par l'interférométrie d’ondes de coda (CWI). Les deux observations sont signalées comme étant indépendamment associées à des dommages moyens. La FFM est une méthode déterministe utilisée pour prévoir les éruptions volcaniques en utilisant une relation empirique de l'augmentation et de l'évolution accélérée d'un observable (par exemple, les taux d'événements volcanosismiques). Les taux d'événements utilisés avec la FFM dans cette étude ont été générés à l'aide de deux modèles basés sur l'apprentissage profond (DL). Le modèle de détection (VSDdeep) est basé sur EQTransformer et le modèle de classification (VSCdeep) consiste en un simple réseau de neurones convolutionnel qui utilise la transformée de Fourier à court terme des signaux. VSDdeep, entraîné sur ~16,3 k événements volcanosismiques, surpasse les modèles précédents basés sur le DL, atteignant une précision de 97,68%. Le modèle VSCdeep a été entraîné sur deux ensembles de données, l'un pour les volcans effusifs (7 classes) et l'autre pour les volcans explosifs (10 classes), et a atteint des précisions de 96,55% et 90,5%, respectivement. La combinaison des deux modèles basés sur le DL détecte et classe 1,5 fois plus d'événements volcano-tectonique (VT) que le catalogue fourni par les observatoires locaux.Une approche bayésienne de la FFM a été appliquée pour étudier les 27 éruptions enregistrées entre 2014 et 2021 au volcan PdlF. L'analyse montre que 23 (85,2%) des séquences précurseurs sont adaptées à l'application rétrospective de la FFM. Huit éruptions ont satisfait aux critères de fiabilité. Seules sept éruptions (25,93%) ont été prédites avec succès dans le scénario en temps réel, mais lorsque les critères de fiabilité sont remplis, le taux de réussite de la prédiction augmente à 87,5%. Pour le volcan Sabancaya, la FFM ne peut pas être appliquée car les explosions ne sont pas précédées d'augmentations significatives de la sismicité. Dans le cas du volcan Ubinas, les taux d'événements de longue-période ont été utilisés, avec un taux de prévision réussi de 4,55% avec des critères en temps réel pour les 330 explosions analysées, montrant un faible taux de prévision pour ces deux volcans péruviens.Nous rapportons des variations de vitesse apparentes (AVV) à long terme (plus de 22 ans) qui semblent être liées à la fréquence des intrusions magmatiques. Cependant, le modèle simple d'intrusion de dyke testé dans cette étude n'explique pas ce schéma à long terme. Les variations de vitesse pré-éruptives à court terme montrent généralement deux phases : Une première phase correspondant à une légère diminution de la vitesse ~5 jours avant l'éruption, et une deuxième phase de diminution soudaine de la vitesse un jour avant l'éruption. Le comportement précurseur des AVV indique que 12 éruptions (44,4%) ont été précédées par des AVV >= 0,15% observées au moins un jour avant l'éruption. Deux modèles ont été testés pour expliquer les variations de vitesse pré-éruptives. L'un est basé sur l’endommagement cumulé des roches, associé à l'activité des séismes VT. L'autre prend en compte l'effet des intrusions de dykes. Cependant, dans les deux cas, la comparaison des amplitudes AVV observées et modélisées montre de faibles coefficients de régression. Cela indique que la génération de variations de vitesse est complexe et que ces modèles simples ne peuvent pas expliquer seuls les observations.
Language: English
Open Access status: green
OpenAlex ID: W7014553139
Cites:
Cited by:
Related to: