Automatic detection and machine learning-based classification of small-magnitude earthquakes in a stable continental region
Détection automatique et classification basée sur l'apprentissage machine des séismes de faible magnitude dans une région continentale stable
Résumé
Understanding the mechanisms responsible for the occurrence of low-to-moderate seismicity in stable continental regions is hampered by the limited capabilities of the algorithms used to detect small-magnitude earthquakes in anthropogenic environments, and despite extensive station deployment. This thesis work develops an automatic detection procedure via SeisComP3 and High Performance Computing. This new procedure takes into account the station noise level, the station network geometry and the seismic wave propagation medium to reduce the detection rate of earthquakes contaminated by seismic noise. By incorporating a supervised machine learning algorithm, it also robustly discriminates all detected earthquakes from quarry blasts and noise-related events. The detection results are promising: compared to the reference French National Catalog for the same time period, twice as many earthquakes with magnitudes less than 1.2 are detected. This work also promotes a broader implication of hybrid intelligence monitoring within seismological observatories.
La compréhension des mécanismes qui gouvernent l'occurrence et la distribution de la sismicité faible à modérée des régions continentales stables est entravée par les capacités limitées des algorithmes utilisés à détecter les petits séismes dans des environnements anthropisés, malgré le déploiement intensif des réseaux de stations. Cette thèse développe une procédure de détection automatique des séismes de faible magnitude à travers SeisComP3 et le Calcul de Haute Performance. Cette nouvelle procédure réduit la contamination des séismes détectés par du bruit sismique en tenant compte des niveaux de bruit enregistré aux stations, de la géométrie du réseau de stations et du milieu de propagation des ondes sismiques. En incorporant un algorithme d’apprentissage machine supervisé, elle discrimine efficacement les séismes détectés, des tirs de carrière et des faux événements associés à du bruit. Les résultats sont prometteurs : 50% de séismes de magnitude inférieure à 1.2 sont détectés en plus. Ce travail vise à une plus large exploration de l’apprentissage machine dans les observatoires sismologiques.
| Origine | Version validée par le jury (STAR) |
|---|