📄 earth_science

Surface-to-subsurface inference via AlphaEarth: A shared foundation-model representation for diverse subsurface properties

Cette étude démontre que les plongements de surface du modèle de fondation AlphaEarth servent de représentation géospatiale partagée polyvalente pour inférer diverses propriétés de subsurface, agissant soit comme des caractéristiques d'augmentation aux côtés des covariables traditionnelles, soit comme des descripteurs primaires selon la physique cible et l'échelle de prédiction.

Auteurs originaux : Nori Nakata, Jingxiao Liu, Guodong Chen, Rie Nakata, Charuleka Varadharajan

Publié 2026-07-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nori Nakata, Jingxiao Liu, Guodong Chen, Rie Nakata, Charuleka Varadharajan

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 que vous essayez de deviner à quoi ressemble le sous-sol d'une maison, mais que vous n'avez pas le droit d'entrer à l'intérieur. Vous pouvez seulement faire le tour de l'extérieur, regarder le toit, le jardin, l'allée et le quartier.

C'est le défi auquel les scientifiques sont confrontés lorsqu'ils tentent de comprendre ce qui se trouve profondément sous la terre. Ils ne peuvent pas forer des trous partout (c'est trop coûteux et trop lent), ils doivent donc deviner les conditions souterraines en fonction de ce qu'ils voient en surface.

Ce document présente un nouvel outil d'« hyper-observation » appelé AlphaEarth pour aider à résoudre ce jeu de devinettes. Voici comment cela fonctionne, expliqué simplement :

Le Problème : Le Sous-sol « Aveugle »

Les scientifiques ont besoin de connaître deux choses spécifiques concernant le sol :

La rigidité du sol près de la surface (appelée VS30). C'est crucial pour savoir comment le sol va trembler lors d'un séisme.
La température profonde du sous-sol (température de subsurface). C'est important pour trouver de l'énergie géothermique ou comprendre comment la croûte terrestre se déplace.

Le problème est que nous n'avons que quelques « trous de forage » (mesures) dispersés à travers le pays. Dans certains endroits, nous avons beaucoup de données ; dans d'autres, nous n'en avons presque aucune. Les méthodes traditionnelles tentent de deviner l'aspect souterrain en regardant des choses simples comme « quelle est la pente de la colline ? ». Mais les collines ne font pas toute l'histoire. Une colline escarpée peut être composée de roche solide ou de sable meuble, et la surface ne permet pas toujours de faire la différence.

La Solution : La Caméra « Omnisciente » (AlphaEarth)

Les chercheurs ont utilisé un outil appelé AlphaEarth. Considérez cela comme une caméra super intelligente qui a observé l'ensemble de la Terre depuis l'espace pendant des années. Elle ne se contente pas de prendre une photo ; elle crée une « empreinte numérique » pour chaque point au sol.

Cette empreinte capture tout en même temps :

L'aspect du terrain (topographie).
Les plantes qui y poussent.
L'humidité du sol.
Le type de roches qui se trouvent probablement en dessous.
La manière dont les humains ont modifié le terrain.

Au lieu de simplement regarder « l'escarpement », AlphaEarth regarde toute l'histoire du paysage.

L'Expérience : Deux Tests Différents

Les chercheurs ont testé cette « empreinte numérique » de deux manières très différentes pour voir si elle pouvait prédire ce qui se trouve sous la terre.

Test 1 : Le Tremblement Sismique (VS30)

L'Objectif : Prédire la rigidité du sol près de la surface.
L'Analogie : Imaginez essayer de deviner si un plancher est fait de bois massif ou de moquette épaisse juste en regardant la pièce.
Le Résultat :

L'Ancienne Méthode : Regarder simplement l'inclinaison du toit (ou de la colline). Cela fonctionne assez bien, mais ce n'est pas parfait.
La Nouvelle Méthode : Utiliser l'empreinte AlphaEarth plus l'escarpement.
Résultat : La nouvelle méthode était bien meilleure. C'est comme ajouter une loupe à vos yeux. L'empreinte a aidé l'ordinateur à comprendre qu'une colline escarpée pourrait être de la roche solide (bon pour les séismes) ou du sable meuble (mauvais pour les séismes), une nuance que l'ancienne méthode basée uniquement sur l'escarpement avait manquée.
Limite : Si vous prenez un modèle entraîné en Californie et que vous essayez de l'utiliser à Washington sans aucune donnée locale, il devient un peu confus. Il est bon pour les schémas généraux, mais il a du mal avec les détails locaux minuscules.

Test 2 : La Chaleur Profonde (Température)

L'Objectif : Prédire la température du sol à 1 000 ou 6 000 mètres de profondeur.
L'Analogie : Imaginez essayer de deviner la température d'un four à l'intérieur d'une maison en regardant seulement les murs extérieurs et le jardin.
Le Résultat :

L'Ancienne Méthode : Il n'y avait pas vraiment de bonne « ancienne méthode » pour cela. Les méthodes traditionnelles avaient du mal car la chaleur profonde est influencée par des éléments complexes comme les plaques tectoniques anciennes et le flux d'eau souterraine, qui sont difficiles à résumer avec des règles simples.
La Nouvelle Méthée : Utiliser uniquement l'empreinte numérique AlphaEarth.
Résultat : Cela a fonctionné de manière surprenante. L'ordinateur a appris que certains schémas d'empreintes (comme des paysages rugueux d'aspect volcanique) signifient généralement qu'il fait chaud en profondeur, tandis que les paysages lisses et anciens signifient généralement qu'il fait plus frais.
Résultat : Il a réussi à cartographier la « vue d'ensemble » de la chaleur à travers tout le pays. Il a correctement identifié que l'ouest des États-Unis est généralement plus chaud (en raison de l'activité tectonique) et le centre/l'est plus frais. Il n'a pas obtenu la température exacte pour chaque trou de forage, mais il a bien saisi les schémas régionaux.

La Grande Conclusion

Le document conclut que cette « empreinte numérique » (AlphaEarth) est un outil puissant, mais qu'elle joue des rôles différents selon ce que vous cherchez à trouver :

Pour les Séismes (Sol peu profond) : Elle agit comme une aide. Elle fonctionne mieux lorsqu'on la combine avec les règles traditionnelles de confiance (comme « l'escarpement »). Elle comble les lacunes que les anciennes règles ne parviennent pas à saisir.
Pour la Chaleur Profonde : Elle agit comme le détective principal. Puisqu'il n'existe pas de règles simples pour la chaleur profonde, l'empreinte devient le moyen principal pour l'ordinateur de comprendre le paysage.

Le Bémol

Les chercheurs ont été honnêtes quant aux limites.

Ce n'est pas de la magie : Si vous entraînez l'ordinateur sur des données de Californie et que vous lui demandez ensuite de prédire le sol dans une zone géologique totalement différente (comme le milieu du pays) sans données locales, sa précision diminue.
Il voit la forêt, pas l'arbre : Il est excellent pour voir les grands schémas régionaux (comme « toute cette chaîne de montagnes est chaude » ou « toute cette vallée est composée de sol meuble »), mais il ne peut pas prédire parfaitement les conditions exactes d'un jardin spécifique sans mesures locales.

En résumé : AlphaEarth offre aux scientifiques une nouvelle paire de lunettes super-puissantes. Cela ne remplace pas la nécessité de forer des trous, mais cela les aide à faire des suppositions beaucoup plus intelligentes sur ce qui se trouve sous la terre en se basant sur ce qu'ils peuvent observer depuis la surface.

Résumé technique : Inférence de la surface vers le sous-sol via AlphaEarth

Énoncé du problème
L'inférence des propriétés du sous-sol à partir d'observations de surface est un défi fondamental en géoscience en raison de la rareté, du coût et de la distribution inégale des mesures directes du sous-sol (ex. : forages, levés sismiques). À l'inverse, les observations de surface sont denses et répétées temporellement. Bien que les expressions de surface (géomorphologie, lithologie, végétation, humidité) soient souvent corrélées aux conditions du sous-sol, ces liens sont indirects, non uniques et dépendants de l'échelle. La cartographie traditionnelle repose souvent sur des proxys élaborés manuellement (ex. : la pente topographique pour la vitesse sismique) qui peuvent échouer à capturer des contextes paysagers complexes et couplés. Cette étude examine si l'incorporation d'un modèle de fondation d'observation de la Terre à usage général peut servir de représentation géospatiale partagée et transférable pour améliorer l'inférence surface-sous-sol à travers différents domaines physiques.

Méthodologie
Les auteurs utilisent AlphaEarth, un modèle de fondation géospatial développé par Google DeepMind. AlphaEarth produit un champ d'incorporation (embedding) global de 64 dimensions à une résolution de 10 m, appris à partir de données d'observation de la Terre multi-sources (imagerie optique, radar, topographie, LiDAR, réanalyse climatique et signaux hydrologiques dérivés de la gravité). Le modèle n'est pas réentraîné ; au lieu de cela, des vecteurs d'incorporation fixes sont utilisés comme caractéristiques d'entrée pour des modèles de régression spécifiques à chaque tâche.

L'étude évalue cette approche à travers deux applications distinctes dans les États contigus des États-Unis (CONUS) :

Vitesse sismique superficielle ( $V_{S30}$ ) : Prédiction de la vitesse moyenne de l'onde de cisaillement dans les 30 premiers mètres.
- Caractéristiques : Les incorporations d'AlphaEarth utilisées seules, et dans des ensembles hybrides avec des prédicteurs conventionnels (log-pente et un indicateur binaire de statut tectonique).
- Modèles : Régression linéaire, Forêt aléatoire (RF) et XGBoost.
- Validation : Séparations aléatoires 80/20 entraînement-test et tests d'extrapolation par exclusion géographique d'un État (« leave-one-state-out ») (Californie, Oregon, Washington).
Température du sous-sol : Reconstruction des champs de température à des profondeurs de 1 000 à 6 000 mètres.
- Caractéristiques : Les incorporations d'AlphaEarth comme principal descripteur géospatial (aucun ensemble de proxys de faible dimension standard équivalent n'existe pour la température profonde).
- Modèles : Un réseau de neurones de type Perceptron Multicouche (MLP).
- Validation : Séparations aléatoires et tests d'extrapolation par exclusion d'État pour l'Arizona, le Missouri et New York.

Résultats clés

Prédiction de $V_{S30}$ :
- Les modèles hybrides combinant les incorporations d'AlphaEarth avec la log-pente ont nettement surpassé les lignes de base conventionnelles. Le meilleur modèle (XGBoost avec incorporations + log-pente) a atteint une RMSE de test de 126,1 m/s et un $R^2$ de 0,53, soit une réduction de 24,3 % de la RMSE par rapport à une ligne de base utilisant uniquement la log-pente et le statut tectonique.
- Les incorporations seules ont été plus performantes que le proxy de terrain conventionnel, indiquant qu'elles encodent des informations plus riches concernant la lithologie, la végétation et l'organisation hydrologique.
- Extrapolation : Dans les tests d'exclusion d'un État, la capacité prédictive a diminué de manière significative (ex. : le $R^2_{log}$ est tombé à environ 0,06 pour la Californie), reflétant la nature locale de la $V_{S30}$ et l'influence de l'épaisseur spécifique des sédiments et de la stratigraphie non capturées par les motifs de surface régionaux. Cependant, les modèles ont tout de même récupéré des motifs régionaux de premier ordre physiquement plausibles (ex. : contrastes entre bassins et zones hautes).
Température du sous-sol :
- Le réseau de neurones informé par l'incorporation a obtenu des performances solides ( $R^2 = 0,919$ , RMSE = 6,0 °C) par rapport à une ligne de base non linéaire sans incorporation, démontrant que l'incorporation capture des informations complémentaires au-delà de la simple flexibilité du modèle.
- Le modèle a réussi à récupérer de larges structures thermotectoniques, distinguant l'Ouest américain actif et plus chaud (Basin and Range, Yellowstone) de l'intérieur cratonique stable et plus froid.
- Extrapolation : Les tests d'extrapolation au niveau de l'État ont montré une compétence variable selon l'hétérogénéité thermique de la région (ex. : erreur plus élevée dans l'Arizona géologiquement complexe par rapport à un New York plus cohérent). Le modèle a préservé les larges gradients thermiques mais a lissé les anomalies locales, ce qui est cohérent avec l'attente que la température profonde est plus organisée régionalement que la vitesse superficielle.

Contributions clés

Représentation partagée : L'étude démontre qu'une seule incorporation de modèle de fondation à usage général peut servir de représentation de surface transférable pour divers cibles du sous-sol (rigidité mécanique et état thermique) sans réentraînement spécifique à la tâche de l'incorporation elle-même.
Rôle des incorporations : La recherche clarifie l'utilité conditionnelle de telles incorporations :
- Pour la $V_{S30}$ , où des proxys guidés par la physique (pente) existent, l'incorporation agit comme une caractéristique d'augmentation, ajoutant un contexte paysager non redondant pour améliorer la précision.
  - Pour la température du sous-sol, où les contrôles sont diffus et manquent de proxys conventionnels simples, l'incorporation sert de principal descripteur géospatial.
Cadre de validation : En associant des tests d'exclusion aléatoire avec des tests d'extrapolation par exclusion géographique, l'étude distingue la compétence prédictive au sein des régions échantillonnées des limites de la transférabilité spatiale. Cela souligne que, bien que les incorporations soutiennent l'inférence régionale, la performance d'extrapolation est contrainte par la densité d'échantillonnage, l'hétérogénéité géologique et l'échelle de la propriété cible.

Signification et affirmations
L'article affirme que les incorporations de surface des modèles de fondation ne sont pas simplement des caractéristiques augmentant la performance, mais agissent comme des représentations partagées et flexibles qui encodent des contextes géomorphiques, géologiques, hydrologiques et d'utilisation des terres couplés. Ces contextes fournissent des contraintes indirectes mais statistiquement significatives sur la structure du sous-sol.

Les auteurs positionnent ce travail comme une étude de comment les représentations transférables encodent un contexte géologiquement significatif, plutôt que comme une solution définitive pour toute cartographie du sous-sol. Ils soulignent que la valeur de la représentation dépend de la physique de la cible, de l'échelle de prédiction et de la force des connaissances de domaine existantes. Les résultats suggèrent que de telles incorporations peuvent faire le pont entre l'observation de la Terre et les sciences du sous-sol pour le criblage régional et la cartographie de premier passage, particulièrement dans les régions pauvres en données, mais elles ne remplacent pas le besoin de calibration locale ou d'investigations spécifiques au site pour la conception d'ingénierie. L'étude conclut que ces incorporations sont les plus précieuses lorsqu'elles sont utilisées pour étudier comment les signaux de surface à l'échelle du paysage contraignent le sous-sol, plutôt que comme une mesure physique directe des propriétés du sous-sol.