A Bayesian Parametric Ground-Motion Prediction Model: Response Spectra of Shallow Crustal Seismicity in Europe

Lorsque le sol tremble, la violence de la secousse en un lieu donné ne dépend pas seulement de l'ampleur du séisme ou de sa distance, mais aussi de l'histoire du chemin parcouru par l'énergie à travers la Terre et de la nature spécifique du sol sous un bâtiment. Les scientifiques qui étudient ces schémas de tremblements utilisent des modèles mathématiques pour prédire l'intensité du mouvement du sol en un point donné. Ces prédictions sont vitales pour concevoir des bâtiments capables de survivre à un séisme et pour comprendre les risques pour les communautés. Cependant, l'Europe présente un défi unique. Contrairement aux régions sujettes à des séismes massifs et fréquents, une grande partie de l'Europe connaît des secousses plus petites et moins fréquentes. Cette rareté des événements majeurs rend difficile la construction de modèles de prédiction précis, obligeant les scientifiques à s'appuyer sur les données de séismes mineurs et à tenter de les extrapoler. Le problème est que le sol en France ou en Belgique se comporte différemment de celui de l'Italie ou de la Grèce, et un modèle qui fonctionne pour une région échoue souvent dans une autre.

Une équipe de chercheurs basés à Grenoble, en France, a développé une nouvelle façon de prédire ces mouvements du sol qui prend mieux en compte ces différences régionales. Ils ont créé un modèle qui combine des données provenant de trois sources distinctes : une vaste base de données européenne d'enregistrements sismiques, un ensemble de données spécialisé pour la France, et un autre pour la Belgique. En fusionnant ces registres, ils ont construit une image complète de la manière dont les ondes sismiques traversent le continent, couvrant tout, des minuscules tremblements aux événements majeurs. Le résultat est un outil capable de prédire l'intensité des secousses des séismes superficiels partout en Europe avec une plus grande précision que les méthodes précédentes, particulièrement dans les zones où les grands séismes sont rares mais restent possibles.

Les chercheurs ont commencé par rassembler une vaste collection d'enregistrements sismiques. Ils ont combiné les données de plus de 55 000 enregistrements de tremblements de terre, capturant des événements survenus entre 1976 et 2026. Ces enregistrements proviennent de capteurs placés à travers une large zone de l'Europe, des zones de forte sismicité de l'Italie et de la Grèce aux régions plus calmes de la France et de la Belgique. Un aspect clé de leur travail a consisté à nettoyer et à normaliser ces données. Les magnitudes de séismes, qui mesurent la taille de l'événement, avaient été calculées de différentes manières par différents groupes. L'équipe a remplacé ces estimations variées par un ensemble unique et cohérent de valeurs de magnitude. Cette étape était cruciale car des mesures incohérentes peuvent fausser la relation entre la taille d'un séisme et les secousses qu'il produit. Ils ont également veillé à ce que les données incluent une large gamme de tailles de séismes, allant d'événements très faibles avec des magnitudes d'environ 1,6 jusqu'à des événements importants proches de 7,7, leur permettant d'étudier comment les secousses évoluent sur l'ensemble du spectre.

Une fois les données préparées, l'équipe a construit un nouveau modèle de prédiction en utilisant une approche statistique sophistiquée connue sous le nom de régression bayésienne. Contra-irement aux anciennes méthodes qui traitaient chaque emplacement comme un point générique, ce nouveau modèle reconnaît que la Terre n'est pas uniforme. Il divise l'Europe en une grille de petits carrés, mesurant chacun un demi-degré par un demi-degré. Pour chaque carré de cette grille, le modèle apprend comment le sol atténue, ou affaiblit, les ondes sismiques. Il s'agit d'un changement significatif par rapport aux modèles précédents, qui attribuaient souvent une règle uniforme à une région large et globale. En utilisant une grille, le nouveau modèle peut détecter des variations subtiles. Par exemple, il peut distinguer les zones de forte atténuation des Pyrénées, où les ondes s'éteignent rapidement, des zones de faible atténuation du graben de la Basse-Rhine, où les ondes voyagent plus loin avec moins de perte.

Le modèle sépare également les effets de la source du séisme des effets du site d'enregistrement. Il calcule quelle part des secousses est causée par les caractéristiques spécifiques du séisme lui-même, telles que sa localisation et sa profondeur, et quelle part est causée par la géologie locale où le capteur est placé. Cette séparation permet au modèle d'être plus précis. Par exemple, il peut identifier qu'une vallée spécifique en France amplifie systématiquement les secousses plus qu'une colline voisine, même si elles sont proches l'une de l'autre. Les chercheurs ont constaté que ce niveau de détail réduisait l'incertitude de leurs prédictions. Le nouveau modèle produit des marges d'erreur plus faibles que le meilleur modèle précédent utilisé à travers l'Europe, ce qui signifie que les ingénieurs et les évaluateurs de risques peuvent avoir plus de confiance dans les chiffres reçus.

L'une des découvertes les plus importantes concerne la gestion des petits séismes par le modèle. Par le passé, les modèles peinaient souvent à prédire les secousses des événements plus petits, produisant parfois des résultats irréalistes où les secousses semblaient augmenter à mesure que le séisme diminuait. Le nouveau modèle corrige cela en utilisant l'abondance de données issues de séismes de petite et moyenne intensité pour établir une base fiable. Cela permet au modèle d'être appliqué à des régions de sismicité faible à modérée comme la France et la Belgique, où les petits séismes sont courants mais peuvent néanmoins causer des dommages dans des zones vulnérables comme les vallées fluviales. Le modèle se comporte désormais de manière conforme à la réalité physique, montrant que les séismes plus petits produisent moins de secousses, et il peut prédire de manière fiable les effets d'événements aussi faibles qu'une magnitude 4.

Les chercheurs ont également découvert que la façon dont les ondes sismiques perdent de l'énergie dépend fortement de la fréquence des secousses. Les ondes à haute fréquence, qui provoquent des secousses rapides et sèches, se comportent différemment des ondes à basse fréquence, qui provoquent des mouvements plus lents et oscillatoires. Le nouveau modèle capture cette dépendance à la fréquence en permettant aux règles d'atténuation de changer en fonction de la période de l'onde. Cela signifie que le modèle peut prédire non seulement l'amplitude maximale, mais aussi le schéma complet du mouvement du sol au fil du temps. C'est essentiel pour la conception de différents types de structures, car un bâtiment haut pourrait réagir différemment à un mouvement de bas en haut de basse fréquence qu'une maison courte et rigide face à des secousses de haute fréquence.

L'étude confirme que le nouveau modèle représente une amélioration significative par rapport à son prédécesseur. Il couvre une plus large gamme de tailles et de distances de séismes, de la proximité immédiate de la source jusqu'à des centaines de kilomètres. Il offre également une vision plus claire de l'incertitude associée à toute prédiction. En traitant le modèle comme un système vivant pouvant être mis à jour avec de nouvelles données, les chercheurs ont créé un outil qui deviendra plus précis au fil de la collecte de nouveaux enregistrements sismiques. Cela est particulièrement important pour l'Europe, où le réseau sismique est en constante expansion. Le modèle est déjà en cours d'adaptation pour être utilisé dans les cartes d'aléas nationales de la Belgique et de la France, aidant ainsi à affiner les normes de sécurité pour les bâtiments dans ces pays.

Bien que le modèle représente une avancée majeure, les chercheurs reconnaissent qu'il reste du travail à accomplir. Certaines régions, notamment dans les Balkans, sont encore sous-échantillonnées, ce qui signifie que le modèle dispose de moins de données dans ces zones. De plus, la profondeur des séismes peut être difficile à localiser précisément, ce qui introduit une certaine incertitude. Cependant, le cadre qu'ils ont construit est conçu pour gérer ces limites. À mesure que de nouvelles données deviennent disponibles, le modèle pourra être mis à jour pour combler les lacunes et réduire l'incertitude. L'objectif ultime est de créer une image continue et hautement précise du risque sismique sur l'ensemble du continent, garantissant que les communautés soient mieux préparées face au sol sous leurs pieds.

Ce travail démontre qu'en combinant de vastes quantités de données avec des techniques statistiques avancées, les scientifiques peuvent lever les voiles de complexité qui ont longtemps obscurci notre compréhension des secousses sismiques. Le nouveau modèle ne se contente pas de prédire des chiffres ; il révèle les motifs cachés de la circulation de l'énergie à travers la croûte européenne. Il montre que le sol n'est pas un décor passif, mais un participant actif à chaque séisme, façonnant le danger d'une manière qui devient enfin claire. Pour les populations vivant dans ces régions, cette clarté se traduit par des bâtiments plus sûrs et une approche plus éclairée du risque permanent lié à l'activité sismique.