How Much Temporal Information Does Earthquake Declustering Remove? An Entropy-Based Analysis of the Türkiye Catalogue

Les tremblements de terre surviennent rarement de manière isolée. Lorsqu'une secousse frappe, elle déclenche souvent une réaction en chaîne : une petite secousse précurseure peut précéder un événement principal, lequel est ensuite suivi d'un essaim de répliques qui peut durer des semaines, voire des années. Pour les scientifiques qui tentent de comprendre les modèles de contraintes profondes de la Terre, ces grappes agissent comme des parasites sur une radio, étouffant le bruit de fond régulier et indépendant de l'activité sismique naturelle de la planète. Pour obtenir un signal clair, les chercheurs utilisent un processus appelé déclustérage, qui tente de supprimer ces événements dépendants pour ne laisser que les « chocs principaux » qui représentent le véritable rythme sous-jacent de la région. Cependant, une question persiste depuis toujours : ce processus de nettoyage élimine-t-il trop d'éléments de l'histoire, ou laisse-t-il derrière lui un motif prévisible qui pourrait nous aider à comprendre comment les séismes se comportent au fil du temps ?

Une nouvelle étude se concentrant sur la Turquie, une nation située au-dessus de certaines des lignes de faille les plus actives au monde, s'attaque à cette question en mesurant la quantité d'informations perdues lorsque nous essayons de séparer ces événements sismiques. Le chercheur, Hakan Karaca, n'a pas cherché une boule de cristal pour prédire exactement quand le prochain séisme frappera ; une telle prédiction précise reste hors de portée de la science actuelle. Au lieu de cela, il a posé une question plus fondamentale : si nous savons à quel point la Terre était active le mois dernier, cela nous dit-il quelque chose sur son niveau d'activité le mois prochain ? Pour y répondre, il a appliqué trois méthodes différentes, largement utilisées pour le déclustérage, à une base de données massive de séismes turcs s'étendant sur cinquante ans, de 1976 à 2025. Il a ensuite utilisé un concept mathématique connu sous le nom d'entropie, qui mesure essentiellement le degré d'incertitude existant dans un système, pour voir quel ordre subsistait dans les données après le processus de nettoyage.

L'étude a débuté par un catalogue unique et unifié de près de 40 000 tremblements de terre. Le chercheur a ensuite passé ces données à travers trois filtres différents. Les deux premières méthodes, connues sous les noms de Gardner-Knopoff et Deniz-Yücemen, utilisent des fenêtres de temps et de distance fixes pour décider quels événements font partie d'un groupe et lesquels sont indépendants. La troisième méthode, Reasenberg, utilise une approche plus complexe basée sur l'interaction, où les grappes croissent et évoluent à mesure que les événements se lient entre eux. Les résultats de ce filtrage ont été radicalement différents. Les deux premières méthodes étaient agressives, supprimant environ 70 à 73 % des événements enregistrés en tant que grappes dépendantes, ne laissant derrière elles qu'environ 11 000 événements. La méthode Reasenberg était beaucoup plus conservatrice, ne supprimant qu'environ 32 % des événements et en conservant près de 27 000. Cette différence dans le nombre d'événements conservés offrait la configuration parfaite pour tester si la manière dont nous nettoyons les données modifie l'histoire que les données racontent.

Lorsque le chercheur a analysé les décomptes mensuels de ces séismes restants, il a converti les chiffres bruts en quatre états simples : activité faible, modérément faible, modérément élevée et élevée. Il a ensuite examiné la séquence de ces états, mois par mois, pour voir si la connaissance de l'état d'un mois réduisait l'incertitude concernant le suivant. Les résultats ont montré que le choix de la méthode de nettoyage changeait complètement l'issue. Pour les deux méthodes qui ont supprimé le plus d'événements, la connexion entre un mois et le suivant a disparu. Les données semblaient essentiellement aléatoires ; savoir que le mois dernier était calme ne disait rien sur le fait que ce mois-ci serait calme ou agité. Les mesures statistiques ont confirmé que ces méthodes avaient éliminé presque toute dépendance à court terme détectable, laissant une séquence qui se comportait comme un lancer de pièce.

En revanche, les données traitées par la méthode Reasenberg racontaient une histoire différente. Parce que cette méthode conservait davantage d'événements regroupés, la séquence résultante conservait une part significative d'organisation temporelle. Dans les premières années de l'enregistrement et à nouveau dans les décennies les plus récentes, les données montraient un motif clair où le niveau d'activité d'un mois fournissait une information réelle sur le suivant. L'incertitude face au futur était mesurablement réduite lorsque le présent était connu. Cela ne signifiait pas que les tremblements de terre étaient prévisibles au sens déterministe, mais cela signifiait que le « bruit » des grappes n'avait pas été totalement éliminé, laissant derrière lui une structure que les deux autres méthodes avaient réussi à effacer.

L'étude a ensuite divisé la chronologie de cinquante ans en trois périodes distinctes pour voir si ces modèles se maintenaient dans le temps. Les deux méthodes agressives montraient systématiquement aucune connexion significative entre les mois, quelle que soit l'époque. La méthode Reasenberg, cependant, montrait des liens statistiquement significatifs dans la première et la dernière période, tandis que la période intermédiaire semblait plus aléatoire. Cela suggère que la prévisibilité apparente de l'activité sismique n'est pas une propriété fixe de la Terre elle-même, mais plutôt une caractéristique qui dépend fortement de la préparation des données. Le chercheur a découvert que l'approche plus conservatrice laissait derrière elle une « mémoire » de l'activité passée, tandis que les approches plus agressives effaçaient cette mémoire.

En fin de compte, l'article démontre que la réponse à la question de savoir quelle quantité d'information temporelle le déclustérage des séismes élimine dépend entièrement de l'outil utilisé pour effectuer ce retrait. Il n'existe pas de vérité objective unique sur l'ordre restant dans les données ; il n'y a que l'ordre qui survit aux règles spécifiques de l'algorithme choisi. Les conclusions suggèrent que si les scientifiques utilisent des méthodes qui suppriment agressivement les grappes, ils verront un monde d'événements indépendants et imprévisibles. S'ils utilisent des méthodes plus indulgentes, ils verront un monde doté de motifs persistants et de dépendances à court terme. Cela ne signifie pas qu'une méthode est bonne et l'autre mauvaise, mais cela signifie que toute conclusion sur la prévisibilité des séismes doit être comprise dans le contexte du processus de nettoyage des données qui l'a produite. L'étude rappelle que la façon dont nous organisons nos observations peut fondamentalement altérer les modèles que nous observons dans le monde naturel.