Exceedance Probabilities for Large Earthquakes From DIY Local Earthquake Ensemble Nowcasting and Forecasting

Ce troisième article d'une série présente une méthode de prévision sismique locale utilisant des ensembles de données régionales ajustés par une « transformée de maintenant » pour calculer les probabilités de dépassement de magnitude et d'occurrence d'événements majeurs, illustrée sur la région de Los Angeles après le séisme de Northridge de 1994.

L'essentiel

🌍 Le Grand Défi : Prévoir quand la Terre va "cracher"

Imaginez que la croûte terrestre est comme un ressort géant qui se tend lentement. Parfois, ce ressort se détend brusquement : c'est un tremblement de terre. Les scientifiques de cet article (une équipe internationale) ont développé une méthode pour essayer de deviner quand ce ressort va craquer à nouveau, et quelle sera la force du prochain choc.

Leur objectif ? Calculer la probabilité qu'un gros séisme (comme celui de Northridge en 1994) se produise dans un rayon de 125 km autour de Los Angeles.

🕰️ Deux façons de mesurer le temps : L'Horloge et le Compteur

Pour comprendre leur méthode, il faut distinguer deux types de temps, comme deux manières différentes de suivre une course :

1. Le Temps Calendrier (L'Horloge murale) : C'est le temps normal, celui de nos montres. Combien d'années, de mois ou de jours se sont écoulés depuis le dernier gros séisme ?
2. Le "Temps Naturel" (Le Compteur de gouttes) : C'est l'idée géniale de l'article. Au lieu de regarder l'heure, les chercheurs comptent les petits tremblements de terre.
   • L'analogie : Imaginez que le grand séisme est un orage violent. Avant l'orage, il pleut des gouttes fines (les petits séismes). Plus il y a de gouttes qui tombent, plus le système se rapproche de l'orage. Le "Temps Naturel", c'est simplement le nombre de gouttes tombées depuis la dernière tempête.

🧩 La Méthode du "Puzzle Géant" (L'Ensemble)

Le problème, c'est que dans un petit cercle autour de Los Angeles, il n'y a pas assez d'histoires de séismes pour faire des statistiques fiables. C'est comme essayer de prédire le temps qu'il fera à Paris demain en regardant seulement les nuages au-dessus de votre jardin.

La solution des auteurs ? Ils utilisent une méthode d'ensemble (un peu comme un puzzle) :

• Ils prennent le petit cercle de Los Angeles.
• Ils le placent au centre de rectangles de plus en plus grands qui s'étendent vers l'extérieur.
• Ils supposent que la "mémoire" des séismes dans ces grands rectangles est similaire à celle du petit cercle.
• En combinant toutes ces données, ils créent une base de données massive pour entraîner leur modèle, un peu comme un étudiant qui lit des milliers de livres pour réussir un examen local.

🔄 L'Adaptation Magique : Le "Transformateur"

Il y a un petit hic : les grands rectangles ne sont pas exactement identiques au petit cercle de Los Angeles. Ils ont des statistiques légèrement différentes (comme si un rectangle avait plus de pluie que l'autre).

Pour régler ça, les auteurs inventent un "Transformateur Nowcast".

• L'analogie : Imaginez que vous essayez de comparer la vitesse de course de deux athlètes, mais l'un court sur du sable et l'autre sur de l'asphalte. Le transformateur ajuste les temps du coureur sur le sable pour les rendre comparables à ceux du coureur sur l'asphalte.
• Grâce à cet ajustement, ils peuvent dire : "Même si les données viennent de loin, une fois ajustées, elles nous disent la même chose que ce qui se passe ici."

🔮 Les Résultats : Que nous disent les courbes ?

En appliquant cette méthode aux données de Californie, voici ce qu'ils ont découvert :

1. La probabilité augmente avec le temps (naturel) : Plus il y a de petits séismes (gouttes de pluie) depuis le dernier gros choc, plus la probabilité d'un nouveau gros séisme augmente. C'est logique : le ressort se tend.
2. Le paradoxe du temps réel : Paradoxalement, en temps calendrier (l'horloge), plus il s'écoule d'années sans gros séisme, plus le temps d'attente restant semble long.
   • Pourquoi ? Les auteurs suggèrent que la croûte terrestre devient plus "rigide" avec le temps (comme un vieux pneu qui durcit). Les petites fissures se referment, rendant le sol plus solide. Il faut donc plus de temps (ou plus de pression) pour le faire craquer à nouveau. C'est comme si le système ralentissait avant de sauter.
3. La taille du prochain séisme : Ils peuvent aussi estimer la magnitude. Plus le temps passe sans gros séisme, plus le prochain risque d'être puissant (mais pas toujours !).

📉 En résumé

Cet article ne dit pas "Il y aura un séisme demain à 14h". C'est impossible.
Mais il dit : "Si nous comptons le nombre de petits tremblements et que nous ajustons nos données avec nos grands rectangles, nous pouvons dire que le risque actuel est de X%, et que le prochain gros séisme aura probablement une magnitude supérieure à Y."

C'est comme une météo des séismes : on ne peut pas prédire la goutte de pluie exacte, mais on peut dire s'il faut prendre son parapluie ou non, en observant la pression atmosphérique (les petits séismes) et en comparant avec les orages passés de la région.

Résumé technique

Titre : Probabilités de dépassement pour les grands séismes : Nowcasting et prévision d'ensemble locaux, magnitude, temps naturel et temps calendaire.

1. Problématique

L'objectif principal de ce travail est d'anticiper l'occurrence locale de futurs grands séismes. La notion de "local" est définie comme la probabilité qu'un grand séisme se produise dans un cercle de rayon arbitraire entourant un point d'intérêt (par exemple, une ville).
Le défi réside dans le fait que les grands séismes sont rares et que les données historiques locales sont souvent insuffisantes pour établir des statistiques fiables. L'article s'inscrit dans une série de trois travaux visant à résoudre ce problème en utilisant des méthodes de "nowcasting" (prévision immédiate) basées sur le comptage des petits séismes, tout en testant la robustesse des hypothèses statistiques sous-jacentes.

2. Méthodologie

L'approche repose sur l'hypothèse fondamentale que la relation de Gutenberg-Richter (GR) décrivant la fréquence-magnitude des séismes est valable et uniforme. La méthode combine plusieurs concepts clés :

• Temps Naturel vs Temps Calendaire :

  • Le temps naturel est défini non pas par le temps chronologique, mais par le nombre de petits séismes ($n$) survenus depuis le dernier grand séisme.
  • Le temps calendaire est le temps réel écoulé.
  • Une fonction de nowcast $\Phi(n)$ est utilisée, basée sur des statistiques de Poisson, pour modéliser la progression du système de faille vers un grand événement.

• Méthode d'Ensemble Régional :

  • Pour pallier le manque de données dans la région circulaire d'intérêt (ex: Los Angeles, rayon 125 km), les auteurs utilisent un ensemble de régions rectangulaires de plus en plus grandes centrées sur le point d'intérêt.
  • L'hypothèse de "similarité mise à l'échelle" postule que les statistiques GR de ces régions extérieures sont similaires à celles de la région circulaire cible.
  • Des courbes ROC (Receiver Operating Characteristic) sont construites pour chaque membre de l'ensemble, puis moyennées pour obtenir une prévision robuste.

• Transformée de Nowcast (Nouvelle contribution méthodologique) :

  • Pour tester et corriger l'hypothèse d'uniformité des statistiques, les auteurs introduisent une "transformée de nowcast".
  • Cette technique ajuste les statistiques des membres de l'ensemble (notamment le paramètre $b$ de la loi GR) pour qu'elles correspondent exactement à celles de la région circulaire cible.
  • Un algorithme rééchantillonne les temps d'occurrence des petits séismes (ajout ou suppression d'événements) tout en préservant la structure temporelle (densité des répliques vs périodes de calme).

• Filtrage des Outliers :

  • Une méthode de filtrage à 95 % de confiance est appliquée pour rejeter les intervalles de temps anormalement longs qui pourraient biaiser les statistiques.

3. Contributions Clés

1. Calcul des Probabilités de Dépassement : Développement de méthodes pour calculer les probabilités de dépassement (exceedance probabilities) tant pour la magnitude du prochain séisme que pour son temps d'occurrence (en temps naturel et calendaire).
2. Validation de l'Hypothèse d'Ensemble : Démonstration que les prévisions obtenues avec les données brutes de l'ensemble sont généralement cohérentes avec celles obtenues après l'application de la "transformée de nowcast", validant ainsi l'approche par ensemble régional.
3. Distinction Temps Naturel / Temps Calendaire : Mise en évidence de comportements opposés entre les deux échelles de temps :
   • En temps naturel, plus le nombre de petits séismes augmente, plus la probabilité d'un grand séisme à court terme augmente (comportement intuitif).
   • En temps calendaire, la probabilité d'un séisme à court terme diminue avec le temps écoulé (après la phase de répliques), suggérant un durcissement de la croûte terrestre.

4. Résultats

L'étude a été appliquée à une région de 125 km autour de Los Angeles, après le séisme de Northridge (M6.7) du 17 janvier 1994.

• Probabilités de Prévision (PPV) : Pour un horizon de prévision donné, les probabilités de prévision positive (PPV) calculées varient légèrement selon la méthode :
  • Intervalles originaux : ~29 %
  • Intervalles filtrés : ~35 %
  • Intervalles transformés : ~43 %
  • Bien que les valeurs diffèrent, les tendances générales restent cohérentes.
• Courbes de Dépassement de Magnitude : Les courbes montrent que la probabilité d'un séisme de magnitude supérieure à un seuil donné augmente à mesure que le nombre de petits séismes (temps naturel) augmente. Les courbes pour les percentiles 25 %, 50 % (médiane) et 75 % sont fournies.
• Comportement Temporel :
  • Les courbes de temps calendaire montrent que, après la phase initiale de clustering (répliques), le temps d'attente jusqu'au prochain grand séisme tend à s'allonger, s'éloignant de la distribution de Poisson simple.
  • Les courbes de temps naturel montrent une probabilité croissante de rupture à mesure que le cycle de séismes progresse.
• Interprétation Physique : Le ralentissement observé en temps calendaire est attribué à un durcissement (stiffening) de la rigidité crustale dû à la fermeture de microfissures, entraînant une transition du glissement instable (stick-slip) vers un glissement stable.

5. Signification et Impact

Ce travail représente une avancée significative dans la prévision sismique probabiliste locale :

• Robustesse Statistique : Il valide l'utilisation de régions plus vastes (ensembles) pour estimer les risques locaux, à condition d'ajuster les statistiques via la transformée de nowcast.
• Outils de Gestion des Risques : La capacité à générer des courbes de dépassement pour la magnitude et le temps permet de construire des profils de risque plus précis pour les villes et les infrastructures.
• Compréhension Physique : L'analyse comparative entre temps naturel et temps calendaire offre des indices précieux sur les processus physiques se produisant dans la croûte terrestre en amont d'un grand séisme (changement de régime de déformation).
• Reproductibilité : Les auteurs fournissent le code Python et les données nécessaires, favorisant la transparence et l'application de ces méthodes à d'autres régions sismiques.

En conclusion, cette étude affine les techniques de nowcasting sismique en intégrant des corrections statistiques rigoureuses et en offrant une vision nuancée de l'évolution du risque sismique à travers différentes échelles de temps.