Les failles tectoniques sont les objets telluriques qui produisent les tremblements de terre. Il est donc nécessaire de connaître leur localisation et leurs propriétés pour anticiper l’aléa sismique. Alors que leur observation en profondeur est impossible, les failles laissent des traces à la surface de la Terre que les satellites et systèmes aéroportés permettent d’observer.
Ces traces sont toutefois complexes, formant généralement des réseaux denses dont l’identification visuelle et la cartographie manuelle sont difficiles et nécessitent beaucoup de temps de travail et une expertise pointue.

Grâce à une collaboration interdisciplinaire entre chercheurs géologues, chercheurs en intelligence artificielle, et industriels experts de l’imagerie satellitaire, un nouvel outil vient d’être développé pour identifier et cartographier automatiquement les fractures et les failles à la surface de la Terre.
Cet outil est basé sur l’apprentissage profond, appelé « machine learning ». Il s’agit d’un algorithme de type « Convolutional Neural Network » que les chercheurs ont rendu capable d’apprendre à identifier une fracture ou une faille dans l’imagerie de la Terre, puis de tracer cette faille, à l’instar du géologue.

L’algorithme fouille l’imagerie dans ses moindres détails pour identifier toutes les caractéristiques des fractures et des failles, au-delà de ce que l’œil humain, même expert, parvient à reconnaître. Il transforme ensuite cette reconnaissance en probabilités, de sorte que les cartographies qu’il produit dessinent non seulement les fractures et les failles avec la précision du meilleur expert, mais renseignent aussi sur leur degré de confiance.

Les géologues et les géophysiciens disposent donc désormais d’un outil capable de cartographier les failles et leurs ruptures en surface en un clic ou presque, à haute résolution.

Une dernière étape reste cependant à franchir, qui fait l’objet d’un travail en cours : transformer ces cartographies de probabilité en vecteurs. Les lois statistiques décrivant les réseaux de failles pourront alors être établies, apportant un fondement robuste à la modélisation de la rupture sismique.

Légende des images :
Cartographie automatique des failles par deep learning (à droite) comparée à l’image optique (gauche) et à la cartographie manuelle (centre). Extrait de Mattéo et al., 2021

Référence de la publication :
Ces travaux sont parus dans Journal of Geophysical Research, Solid Earth le 1^er avril 2021.
Automatic Fault Mapping in Remote Optical Images and Topographic Data With Deep Learning ; Lionel Mattéo et al.
Journal of Geophysical Research: Solid Earth, Volume: 126, 01 April 2021,
DOI: 10.1029/2020JB021269

Contacts Géoazur

Recherche :
Isabelle Manighetti, Physicienne des Observatoires à Géoazur (Université Côte d'Azur – Observatoire Côte d'Azur - CNRS – IRD)
Isabelle.Manighetti@geoazur.unice.fr
tél : 04 83 61 86 35

Communication :
Corinne Nicolas-Cabane, Chargée de communication externe et de médiation scientifique
nicolasc@geoazur.unice.fr
tél : 04 83 61 86 88