Analyse à station unique des signaux sismiques des Campi Flegrei (Italie) utilisant l'entropie multiscale et l'apprentissage non supervisé

Pourquoi ce volcan italien agité importe

À l'ouest de Naples se trouvent les Campi Flegrei, un vaste cratère volcanique ceinturé par des quartiers animés et qui abrite plus de deux millions de personnes. Bien qu'il n'ait pas montré d'éruption depuis les années 1500, le sol y monte, des gaz s'en échappent et de petits séismes deviennent plus fréquents. Surveiller un tel volcan instable est essentiel, mais l'énorme volume de données sismiques bruitées complique la détection en temps utile de signes d'alerte subtils par des experts humains. Cette étude explore comment une forme d'intelligence artificielle peut « écouter » une seule station sismique et repérer automatiquement des comportements inhabituels susceptibles d'indiquer un changement d'état du volcan.

Écouter un volcan bruyant d'une seule oreille

Les Campi Flegrei sont un cratère volcanique effondré, ou caldeira, d'environ 12 kilomètres de diamètre, chevauchant l'ouest de Naples et la ville côtière de Pozzuoli. Depuis les années 1950, la zone alterne périodes de calme et épisodes d'agitation, marqués par des soulèvements du sol, des essaims de petits séismes et des variations des gaz chauds s'échappant des évents. Dans la zone de Pisciarelli, l'une des plus actives, une station sismique se trouve à seulement une cinquantaine de mètres d'une fumarole rugissante et d'un bassin de boue bouillonnant. Cet emplacement est idéal pour capter de minuscules tremblements liés aux mouvements de gaz et d'eau chaude souterrains, mais il est aussi encombré d'un bruit de fond continu. Les auteurs ont cherché à déterminer si une seule station de ce type, analysée avec des algorithmes intelligents, pouvait distinguer de façon fiable les signaux significatifs du grondement volcanique permanent.

Apprendre à une carte neuronale à trier les signaux volcaniques

Les chercheurs ont transformé les enregistrements continus de 2023 en une vaste collection d'extraits d'une minute, puis ont traduit chaque extrait en une « empreinte » compacte que l'ordinateur pouvait comparer. Ils ont utilisé trois types d'empreintes : l'une capturant la forme des fréquences du signal, une autre décrivant comment son amplitude varie dans le temps, et une — appelée entropie multiscale — qui mesure la complexité et l'irrégularité du signal à différentes échelles temporelles. Ces empreintes ont été introduites dans une Self-Organizing Map, une sorte de réseau neuronal qui dispose les motifs similaires à proximité sur une grille. Sans aucune étiquette humaine, la carte a appris à regrouper des minutes de données présentant des comportements sismiques semblables, formant des amas pouvant être examinés ensuite.

Détecter pannes, séismes et tremors de vapeur cachés

Une fois entraîné, le système a immédiatement révélé un motif inattendu : de nombreuses minutes d'un mois précis se retrouvaient dans un coin de la carte, signalant un changement de comportement de la station. À l'examen, cet amas s'est avéré lié à un dysfonctionnement technique survenu le 18 juin et réparé un mois plus tard — un problème qui n'avait pas été évident auparavant. Après avoir exclu cette période et réentraîné la carte avec des empreintes plus informatives, la carte a commencé à isoler des clusters riches en séismes répertoriés dans le catalogue officiel, y compris certains petits événements qui n'avaient pas été catalogués du tout. D'autres amas étaient dominés par la vibration continue, ou tremor, de la fumarole de Pisciarelli. En suivant la concentration quotidienne des données sur la carte, les auteurs ont défini un « indice de clustering » qui augmentait lorsque la station enregistraient de longues séquences d'activité similaire de type tremor.

Météo, gaz et l'humeur quotidienne du volcan

L'équipe a comparé cet indice de clustering à des mesures indépendantes de pluviométrie, de flux de dioxyde de carbone et de température autour de Pisciarelli. À plusieurs reprises, des pics de l'indice coïncidaient avec des pointes d'émission de CO₂ et des épisodes de fortes pluies, suggérant que tant le dégazage que l'infiltration d'eau peuvent moduler le tremor fumerollien détecté par la station. En appliquant la même méthode à des stations voisines, ils ont montré que les clusters de tremor les plus distincts n'apparaissaient qu'aux capteurs les plus proches de la fumarole, soulignant le caractère localisé de ces signaux. Enfin, les auteurs ont projeté de nouvelles données du début 2025 sur la carte précédemment entraînée. En avril et début mai, l'indice de clustering a augmenté régulièrement parallèlement à une hausse de l'énergie sismique globale et des températures plus élevées de la fumarole, témoignant d'une activité hydrothermale plus intense. Peu après, lorsque ces deux mesures sont tombées brutalement, la zone a subi un séisme de magnitude 4,4 — le plus important de la séquence récente.

Ce que cela signifie pour les habitants proches des Campi Flegrei

Pour les résidents et les services de protection civile, le message principal est que des outils avancés de reconnaissance de motifs peuvent transformer une seule station sismique en une oreille d'alerte précoce pour un volcan instable. En compressant des signaux complexes en empreintes simples et en laissant une carte neuronale les trier, la méthode peut automatiquement signaler des problèmes d'instrumentation, révéler des séismes jusque-là inaperçus et suivre les variations du tremor constant lié à la montée de gaz et de fluides chauds. Si elle ne prédit pas les éruptions à elle seule, cette approche offre aux scientifiques une vision plus rapide et plus claire de la respiration et des mouvements quotidiens des Campi Flegrei, leur permettant de concentrer l'attention d'experts lorsque le système souterrain montre des signes de contrainte inhabituelle.

Citation: Grimaldi, A., Amoroso, O., Scarpetta, S. et al. Single-station analysis of Campi Flegrei (Italy) seismic signals using multiscale entropy and unsupervised learning. Sci Rep 16, 7669 (2026). https://doi.org/10.1038/s41598-026-38257-5

Mots-clés: Campi Flegrei, surveillance des volcans, tremor sismique, apprentissage automatique, entropie multiscale