📄 earth_science

Combined Inversion of Active and Passive Seismic Data Based on Optimized Data Selection

Cet article présente une méthodologie pour l'inversion combinée de données sismiques actives et passives utilisant une sélection d'événements passifs optimisée afin de maximiser l'illumination du sous-sol et la résolution du modèle sans introduire de biais provenant de la distribution hétérogène des données, comme le démontre une application réussie au laboratoire de roche BedrettoLab en Suisse.

Auteurs originaux : Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Publié 2026-07-31

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez essayer de deviner ce qu'il y a à l'intérieur d'un gâteau géant et sombre sans le couper. Vous ne pouvez pas voir les couches, les fruits ou le glaçage, mais vous pouvez tapoter sur l'extérieur et écouter le son qu'il produit. Dans le monde de la géophysique, les scientifiques font quelque chose de similaire pour comprendre la croûte terrestre. Ils envoient des ondes sonores (ondes sismiques) à travers le sol et chronomètrent le temps qu'elles mettent pour rebondir ou voyager. Comme le son voyage à des vitesses différentes selon les matériaux — comme il se déplace plus vite dans une roche dure que dans une argile molle — les temps de trajet agissent comme une carte, révélant la structure cachée de la planète.

Habituellement, les scientifiques obtiennent ces données de deux manières. La première est la donnée sismique « active », qui est comme un battement de tambour contrôlé : ils déclenchent une explosion ou une vibration connue à un moment et un endroit précis pour voir comment les ondes voyagent. La seconde est la donnée sismique « passive », qui consiste à écouter les propres murmures de la Terre : ils attendent que des séismes naturels ou de minuscules tremblements se produisent. Le problème est que ces tremblements naturels sont imprévisibles ; ils se produisent en grappes désordonnées, laissant souvent de grands vides dans la carte. Si vous essayez de combiner les battements de tambour propres et organisés avec les murmures chaotiques, vous pourriez finir avec une image floue où les zones encombrées paraissent trop bruyantes et les zones calmes sont ignorées. Ce document s'attaque précisément à ce casse-tête : comment mélanger ces deux types de données très différents pour obtenir la carte 3D la plus claire possible de ce qui se trouve sous terre, sans que les parties désordonnées ne gâchent l'image.

Le grand méli-mélo de la cartographie souterraine

Imaginez que vous essayez de dessiner la carte d'un système de grottes géantes et invisibles. Vous avez deux outils pour vous aider. Le premier outil est une équipe d'explorateurs munis de lampes de poche (la donnée active). Ils se tiennent selon une grille parfaite, projetant leur lumière dans toutes les directions. Parce qu'ils sont organisés, leur lumière couvre magnifiquement le centre de la grotte, mais ils ne peuvent pas atteindre les coins lointains et sombres. Le second outil est un essaim de lucioles (la donnée passive). Ces lucioles s'éclairent de manière aléatoire dès qu'elles ressentent une minuscule vibration. Elles sont excellentes pour éclairer les coins sombres que les explorateurs ont manqués, mais elles sont chaotiques. Elles ont tendance à s'agglutiner en de gros nuages denses au milieu de la grotte, laissant les bords dans l'obscurité, et parfois elles clignotent si vite en un point qu'on pourrait croire qu'il y a un immense incendie alors qu'il ne s'agit que d'un amas d'insectes.

Les chercheurs de l'ETH Zurich, dirigés par Kathrin Behnen, voulaient combiner la grille parfaite des explorateurs avec la couverture sauvage des lucioles pour créer la meilleure carte possible. Mais ils savaient que s'ils jetaient simplement toutes les lucioles dans le mélange, la carte serait déformée. Les essaims denses au milieu feraient croire à l'ordinateur que cette zone est extrêmement importante, tandis que les bords seraient ignorés. C'est comme essayer de prendre une photo de groupe où 90 % des gens se tiennent au centre ; les bords de la photo paraîtraient vides et étranges.

La solution : Le « filtre intelligent »
Pour corriger cela, l'équipe a inventé un « filtre intelligent » utilisant un tour mathématique appelé factorisation QR. Voyez cela comme un videur de club super intelligent. Le videur regarde la foule chaotique de lucioles (la donnée passive) et demande : « Qui ici apporte réellement quelque chose de nouveau à l'image ? »

Au lieu de laisser entrer chaque luciole, le videur choisit juste les bonnes. Il sélectionne les lucioles qui se trouvent dans les coins sombres (pour combler les lacunes) et ignore celles qui sont simplement les unes sur les autres au milieu (ce qui serait redondant). L'objectif était de trouver le nombre de lucioles « Goldilocks » (juste milieu) : assez pour éclairer toute la grotte, mais pas trop pour ne pas encombrer le centre et bloquer la vue.

L'expérience : Le BedrettoLab
Ils ont testé cette idée dans un laboratoire souterrain réel appelé le BedrettoLab, dans les Alpes suisses. Ce laboratoire est un tunnel creusé profondément dans une formation de roche granitique géante. Les scientifiques avaient une configuration parfaite :

Les Explorateurs : Ils ont utilisé un « sparker » (une source sonore contrôlée) et des hydrophones (des microphones sous-marins) pour envoyer 41 881 ondes sonores à travers la roche.
Les Lucioles : Ils ont écouté 30 521 micro-séismes naturels (induits par des expériences d'injection d'eau) qui se sont produits à l'intérieur de la roche.

Après avoir nettoyé les données, ils disposaient d'un catalogue massif d'événements. Mais ils savaient qu'ils ne pouvaient pas tous les utiliser. Ils ont donc appliqué leur « filtre intelligent ».

Les résultats : Une image plus claire et plus grande
Les résultats furent magiques.

Trois fois plus de vue : En utilisant leur sélection optimisée, l'équipe a réussi à illuminer un volume de roche trois fois plus grand que ce qu'ils pouvaient voir avec seulement les explorateurs contrôlés.
Fini l'encombrement : Lorsqu'ils ont essayé d'utiliser toutes les données passives (tout l'essaim), la carte est devenue désordonnée. Le centre de la roche paraissait trop « brillant » et déformé, créant de fausses petites bosses et ondulations qui n'existaient pas réellement. C'était comme si les lucioles étaient si denses qu'elles aveuglaient la caméra.
Le point d'équilibre : Le « filtre intelligent » a sélectionné environ 20 000 points de données passives (sur plus de 250 000 disponibles). Ce nombre spécifique était l'équilibre parfait. Il a rempli les coins sombres sans encombrer le centre. La carte résultante était lisse, précise et montrait la forme réelle de la roche.

Ce qu'ils ont découvert sous terre
Avec cette nouvelle carte ultra-claire, les scientifiques ont enfin pu découvrir les secrets de la roche.

Le réseau de fractures : Ils ont découvert que la roche était pleine de fissures et de fractures. Là où la roche était fissurée, les ondes sonores voyageaient plus lentement (comme courir à travers un champ de boue). Là où la roche était solide, les ondes filaient rapidement.
La connexion avec les séismes : Les micro-séismes (les lucioles) se produisaient principalement à l'intérieur de ces zones de fissures lentes. Cela a confirmé que la roche se brise là où elle est déjà faible et pleine de fissures.
La direction « bizarre » : Les scientifiques ont également remarqué quelque chose d'étrange. Les ondes sonores ne se contentaient pas de voyager à des vitesses différentes ; elles semblaient voyager plus vite dans une direction et plus lentement dans une autre, comme une route qui est lisse en allant vers le nord mais cahoteuse en allant vers l'est. C'est ce qu'on appelle l'anisotropie. Les données suggéraient que les fissures étaient toutes alignées en parallèle, comme une pile de pancakes, provoquant un comportement différent du son selon la direction du trajet.

Ce qu'ils ont écarté
Le document est très clair sur ce qui ne fonctionne pas.

La sélection aléatoire ne fonctionne pas : Si vous choisissez des lucioles au hasard (comme à la loterie), vous vous retrouvez avec trop de données au centre et pas assez dans les coins. La carte subit les mêmes distorsions qu'en utilisant toutes les données.
Utiliser toutes les données est une mauvaise idée : Jeter chaque point de données dans le mélange ne donne pas une meilleure carte ; cela la gâche en accentuant trop les zones encombrées et en créant de faux artefacts à petite échelle.
Les données passives seules ne suffisent pas : On ne peut pas simplement utiliser les séismes naturels pour faire une carte. Sans les « explorateurs » contrôlés pour ancrer l'image, la carte devient floue car l'ordinateur confond l'endroit où les séismes ont réellement eu lieu et les anomalies de la roche.

L'essentiel
Ce document suggère que pour obtenir la meilleure carte du sous-sol, on n'a pas besoin de plus de données, mais de données plus intelligentes. En utilisant un filtre mathématique pour choisir les morceaux d'information les plus utiles et non redondants, les scientifiques peuvent voir plus profondément et plus clairement dans la Terre. Ils ont prouvé qu'environ 10 % des données passives disponibles suffisaient pour créer un modèle trois fois meilleur que la version uniquement active, sans les distorsions désordonnées. C'est un rappel que parfois, en science, moins c'est effectivement plus — si l'on choisit le bon « moins ».

Résumé technique : Inversion combinée de données sismiques actives et passives basée sur une sélection optimisée des données

Énoncé du problème
La tomographie sismique repose sur l'inversion des temps de trajet pour dériver des modèles de vitesse de subsurface. Bien que les données sismiques actives (sources contrôlées avec localisations et temps d'origine connus) fournissent des contraintes robustes et une couverture homogène au sein des zones de levés, elles sont souvent limitées aux emplacements accessibles (par exemple, les forages). À l'inverse, les données sismiques passives (événements naturels ou induits) peuvent éclairer un volume plus important, mais souffrent de deux défis principaux : (1) les paramètres de la source (hypocentre et temps d'origine) sont inconnus et doivent être estimés simultanément avec le modèle de vitesse, augmentant ainsi le nombre d'inconnues ; et (2) les événements passifs se regroupent généralement le long des zones de failles ou de fractures, ce qui entraîne une couverture de rayons hautement hétérogène. Cette distribution inégale peut conduire à des biais de modèle, à un surapprentissage dans les régions densément échantillonnées et à une faible résolution dans les zones moins échantillonnées. La simple fusion de vastes ensembles de données passives avec des données actives exacerbe souvent ces problèmes en introduisant des rayons redondants et en surchargeant l'inversion avec des données provenant de zones spécifiques.

Méthodologie
Les auteurs proposent un flux de travail pour l'inversion combinée de données sismiques actives et passives qui traite explicitement l'hétérogénéité de la sismicité passive par une stratégie de sélection de données optimisée. Le cœur de la méthodologie repose sur un processus en quatre étapes :

Localisation des événements : Les événements sont localisés à l'aide d'un algorithme de recherche par grille basé sur un modèle de vitesse initial ou mis à jour.
Pré-sélection (Sélection par bloc) : Pour gérer les coûts de calcul, le volume est subdivisé en cubes de 3 m. Une pré-sélection heuristique ne retient que les trois événements les mieux contraints (basés sur le nombre de sélections/picks) par bloc. Cela réduit la taille de la matrice Jacobienne à un niveau gérable.
Sélection optimisée des données (Factorisation QR) : Les auteurs utilisent une factorisation QR avec pivotement révélant le rang sur la matrice Jacobienne (plus précisément sa transposée, $J^T$ $J^{T}$ ).
- Approximation aléatoire : Pour les grands ensembles de données, une approche QR aléatoire est utilisée pour approximer l'espace ligne de la Jacobienne, réduisant la complexité de calcul tout en préservant la capacité de classer les points de données.
- Contrainte des données actives : Le contenu informationnel des données actives (qui est toujours inclus) est mathématiquement retiré de la matrice des données passives avant le pivotement. Cela garantit que la sélection des points de données passifs apporte de nouvelles informations plutôt que des rayons redondants qui chevauchent la couverture active.
- Classement et troncature : L'ordre de pivotement fournit un classement des points de données basé sur leur contribution incrémentielle à l'inversion (information incrémentielle). Le nombre de points de données passifs à inclure est déterminé par l'analyse de l'énergie cumulée de la Hessienne réduite ( $I(l)$ ). La sélection est tronquée là où la courbe d'énergie atteint un plateau, indiquant que des points de données supplémentaires contribuent principalement au bruit ou à des directions redondantes plutôt qu'à la résolution de nouveaux paramètres du modèle.
Inversion : Le sous-ensemble de données sélectionné est utilisé dans un schéma de tomographie par temps de trajet itératif standard (résolvant la célérité et la localisation des événements) à l'aide d'un solveur direct d'Eikonal et d'une inversion LSQR.

Contributions clés

Algorithme de sélection optimisée des données : L'article introduit une méthode rigoureuse, basée sur l'algèbre linéaire (factorisation QR avec pivotement), pour sélectionner un sous-ensemble de données sismiques passives qui maximise le volume éclairé tout en évitant la surpondération des régions densément échantillonnées.
Dimensionnement quantitatif des données : La méthodologie fournit un outil de diagnostic (analyse de l'énergie de la Hessienne réduite) pour déterminer le nombre idéal de points de données passifs requis pour maximiser l'information du modèle sans rendements décroissants.
Stratégie d'intégration : L'approche tient explicitement compte de l'information fixe fournie par les données actives lors de la sélection des données passives, assurant une contribution équilibrée des deux ensembles de données sans pondération arbitraire.

Résultats
La méthodologie a été appliquée à un ensemble de données provenant du BedrettoLab dans les Alpes suisses, combinant 41 881 sélections actives avec un catalogue filtré de 259 427 sélections passives.

Volume éclairé : Le modèle combiné optimisé a augmenté le volume éclairé d'un facteur d'environ trois par rapport au modèle uniquement actif.
Efficacité des données : L'analyse a déterminé qu'environ 20 000 points de données passifs (soit environ 10 % du catalogue filtré disponible) étaient suffisants pour capturer le contenu informationnel maximal. Les modèles utilisant 30 000 points montraient une amélioration négligeable, tandis que ceux utilisant 10 000 points présentaient une perte d'information significative.
Comparaison avec les alternatives :
- Sélection aléatoire : Une sélection aléatoire du même nombre de points de données entraînait un suréchantillonnage des régions centrales densément fracturées et ne parvenait pas à capturer les anomalies aux bords du volume.
- Jeu de données complet : L'utilisation de l'ensemble du jeu de données passives (259 427 points) n'a pas augmenté le volume éclairé au-delà du modèle optimisé, mais a introduit des artefacts numériques et surestimé les anomalies de vitesse dans les régions centrales en raison d'une densité de rayons extrême.
Interprétation géologique : Le modèle de vitesse résultant a montré de fortes corrélations avec des observations géophysiques indépendantes. Les zones de faible vitesse correspondaient à des densités de fractures élevées et à la distribution de la sismicité induite. Le modèle a révélé que la sismicité se produit principalement dans les zones fracturées à faible vitesse plutôt qu'aux limites de la roche intacte.
Détection de l'anisotropie : L'analyse des résidus des données actives a révélé une tendance directionnelle cohérente avec un milieu Isotrope Transversalement Anisotrope (TTI), probablement causée par le réseau de fractures parallèle. Des tests synthétiques ont suggéré que, bien que l'inversion isotrope ne puisse pas entièrement récupérer l'anisotropie, les contraintes des données actives permettent de récupérer les principales structures de vitesse, là où une inversion uniquement passive échouerait probablement en raison des compromis entre la localisation des événements et la vitesse/anisotropie.

Signification
Cet article démontre que la combinaison de données sismiques actives et passives est très bénéfique pour étendre le volume éclairé de la tomographie sismique, à condition que les données passives soient soigneusement sélectionnées. La méthode de sélection basée sur QR proposée offre un moyen systématique de équilibrer les forces complémentaires des données actives (contraintes robustes) et des données passives (couverture étendue) sans introduire de biais provenant de distributions de rayons inégales. L'étude conclut que le réseau de fractures est le facteur dominant contrôlant à la fois les hétérogénéités de vitesse sismique et l'anisotropie dans le volume du BedrettoLab. De plus, elle souligne que si les données passives étendent la portée spatiale du modèle, les données actives restent essentielles pour contraindre le modèle de vitesse et atténuer les compromis avec la localisation des événements et l'anisotropie. La méthodologie fournit un cadre pratique pour maximiser le contenu informationnel tout en minimisant la redondance de calcul dans des scénarios d'inversion complexes.

Le grand méli-mélo de la cartographie souterraine

Articles similaires