Inversion de tsunami à l’aide de représentations neuronales profondes

Pourquoi cela compte pour la sécurité côtière

Les personnes vivant près de la mer dépendent des alertes précoces pour échapper aux tsunamis, mais les systèmes actuels peinent encore lorsque l’événement est atypique ou que des capteurs défaillent. Cette étude montre comment des idées tirées de l’intelligence artificielle moderne peuvent aider les centres d’alerte à interpréter les vagues en mer de manière plus flexible et rapide, dans le but de fournir des indications plus claires sur les côtes les plus exposées.

Du choc du plancher océanique à la vague côtière

Lorsqu’un fort séisme, un glissement de terrain ou une explosion volcanique perturbe la surface de l’océan, le tsunami résultant peut traverser des bassins entiers. Pour prévoir où et avec quelle intensité il frappera, il faut connaître la forme initiale de l’eau perturbée. Cette « image de départ » est étonnamment difficile à reconstruire. Elle dépend de détails incertains de la source, de la topographie du fond, des marées, et même des lacunes ou saturations dans les relevés des capteurs. Les méthodes traditionnelles supposent souvent un type particulier de faille sismique et pré-calculent d’énormes bibliothèques de scénarios, qui demandent un stockage considérable et peuvent échouer lorsque l’événement réel diffère des attentes.

Écouter l’océan plutôt que la faille

Les auteurs proposent un point de vue différent : au lieu de se concentrer sur le glissement du plancher océanique, ils se focalisent directement sur la réponse de l’océan. Ils décrivent l’océan à l’aide d’un outil appelé fonction de Green, qui répond simplement à la question : « Si l’eau était brièvement soulevée en ce point, quelles ondes chaque capteur verrait‑il ? » En principe, la combinaison des réponses de nombreux points permet de remonter, à partir des ondes mesurées par des capteurs en mer, à la zone initiale d’eau soulevée ou abaissée. Cette zone sert ensuite de point de départ pour des simulations détaillées qui prédisent l’évolution du tsunami vers la côte.

Compresser le comportement de l’océan avec des réseaux neuronaux

En pratique, couvrir une région océanique réaliste avec une grille fine produit un nombre énorme de points sources possibles et d’emplacements de capteurs. Stocker chaque fonction de Green directement exigerait des centaines de gigaoctets et ralentirait une prévision urgente. Pour éviter cela, l’équipe utilise des réseaux neuronaux profonds comme « compresseurs » compacts de fonctions. Ces réseaux prennent en entrée les positions d’une source et d’un récepteur, ainsi que de petites cartes du plancher océanique voisin, et produisent le signal d’onde complet qui se propagerait entre eux. En s’entraînant sur de nombreuses simulations numériques de tsunamis autour du Japon, les réseaux apprennent à reproduire ces signaux avec précision tout en remplaçant d’immenses tables de données par un modèle ne contenant que quelques millions de paramètres.

Remonter des données des capteurs

Avec ce modèle océanique compact en main, les chercheurs abordent le problème clé : inférer la perturbation initiale de l’eau à partir des enregistrements réels ou simulés des capteurs. Ils mettent en place une recherche itérative qui ajuste l’intensité du soulèvement de chaque cellule de la grille jusqu’à ce que les ondes prédites aux capteurs correspondent le plus possible à celles observées. En même temps, la méthode privilégie les perturbations à la fois concentrées en surface et à variation douce, reflétant la manière dont les tsunamis réels ont tendance à démarrer. Parce que le réseau neuronal peut générer des réponses d’onde pour n’importe quel emplacement de capteur à la volée, le même modèle entraîné peut gérer différentes combinaisons de capteurs opérationnels ou défaillants sans réentraînement.

Tests sur tsunamis réels et hypothétiques

Les auteurs testent leur approche sur de nombreux événements tirés d’une base de données largement utilisée d’anciens séismes près du Japon. En utilisant les données du réseau dense de capteurs sismiques S-net du Japon, ils montrent que leur méthode peut reconstruire le motif initial de l’eau avec une forte corrélation par rapport à la vérité simulée, même lorsque seule une fraction des capteurs est disponible ou lorsque du bruit est ajouté aux mesures. Ils introduisent ensuite le motif reconstruit dans un second réseau neuronal pour prédire les hauteurs des vagues au large près de la côte sur plusieurs heures. Ces prédictions sont aussi précises, voire meilleures, qu’une méthode existante d’apprentissage automatique tout en utilisant beaucoup moins de paramètres et sans être liées à une configuration fixe de capteurs. Enfin, ils montrent que le même cadre peut gérer un tsunami volcanique hypothétique, illustrant qu’il n’est pas limité aux séismes.

Ce que cela signifie pour les systèmes d’alerte futurs

L’étude démontre que les réseaux neuronaux profonds peuvent servir de substituts efficaces aux lourds modèles numériques, permettant une inversion de tsunami rapide et flexible qui se concentre sur l’état initial de l’océan plutôt que sur les détails de la faille. En réduisant l’incertitude sur cette image de départ et en tolérant des réseaux de capteurs changeants, de telles méthodes pourraient aider les centres d’alerte futurs à mieux juger quelles portions du littoral sont susceptibles d’être confrontées à des vagues dangereuses, gagnant ainsi un temps précieux pour l’évacuation et la réponse.

Citation: Morssy, A., Teal, P.D. & Kleijn, W.B. Tsunami inversion using deep neural representations. Sci Rep 16, 15925 (2026). https://doi.org/10.1038/s41598-026-38002-y

Mots-clés: prévision de tsunami, capteurs en mer, réseaux neuronaux, vagues océaniques, alerte précoce