Contexte : Afin de mieux évaluer l’aléa sismique ou les ressources énergétiques du sous-sol, il est crucial de pouvoir avoir accès aux propriétés du milieu, à sa composition minéralogique et thermique. Dans ce but il est nécessaire d’imager les structures géologiques et leurs taux de saturation en fluide à différentes échelles : échelles de la lithosphère, de la croûte terrestre, de la proche surface (<200m), du laboratoire (métrique).
Nous accentuerons nos efforts dans le développement de techniques d’imagerie basées sur des inversions conjointes de données diverses correspondant à des physiques différentes et adaptées aux échelles spatio-temporelles étudiées. Ces outils seront appliqués d’ici 5 ans aux échelles de montagnes et de la lithosphère (gravimétrie et sismique dans les Pyrénées ou les Andes) jusqu’à la proche surface et la zone critique (sismique, résistivité électrique, micro-gravimétrie, …), voire à l’échelle du laboratoire.
1) Caractériser la proche surface par techniques de Deep learning
Pour mieux caractériser la proche surface, nous utiliserons différentes techniques de traitement de données nécessaires que ce soient des méthodes de Deep-learning ou d’inversion de données. Afin de traiter des données massives de bonne qualité des techniques de «Deep learning » seront utilisées. Pour estimer les incertitudes sur les modèles a priori et a posteriori, des techniques de classification par « machine learning » hybride supervisée seront effectuées. Elles permettent par exemple d’extraire les premiers temps d’arrivée d’ondes sismiques mais aussi les courbes de dispersion en vue de les inverser et de caractériser le sous-sol. Sur le long terme, un suivi temporel des fluides est aussi envisagé aux échelles de la proche surface près de zones fluviales, dans des bassins versants ou en zone côtière.
Des codes de calcul de type éléments spectraux (Specfem2D/3D) et de différences finies (SEISMIC_CPML,UNISOLVER, TOMOFAST-x) seront utilisés pour le problème direct et le problème inverse. En particulier, les codes de propagations d’onde ont la capacité d’intégrer les phénomènes d’atténuation, d’anisotropie ainsi que la poroélasticité pour mieux décrire la complexité du milieu. Ils permettent notamment de générer des bases de données de sismogrammes et de diagrammes de dispersion en vue de détecter les temps d’arrivée et des diagrammes de dispersion à différentes échelles. Des algorithmes de Deep-Learning supervisé par réseaux de neurones de type CNN sont utilisés pour la segmentation et la classification en vue d’effectuer ces détections de manière automatisée et rapides. Ils sont appliqués à des données pour des configurations métriques à kilométriques. Des techniques d’inversion performants seront ensuite appliqués à ces données pour caractériser le sous-sol et assurer son suivi temporel en présence de fluide (nappes, karsts,..) par exemple.
Figure : (A) Matrice de compatibilité/erreurs des temps d’arrivée entre sources et récepteurs à l’échelle de la proche surface (Huynh et al. 2023) en présence de topographie : 96 sources et 96 récepteurs, modèle de 100m de long. (B) Extraction automatique de 6 modes dans les diagrammes de dispersion dans un milieu stratifié (C) 3 modes extraits dans le même milieu stratifié en présence de karst à 10m de profondeur (D) Extrait du mode fondamental de données réelles bruitées pour un contexte semblabel d’acquisition des données que les cas synthétiques.
2) Modélisation gravimétrique et inversions conjointes :
Dans le contexte actuel de respect de l’environnement et de demandes énergétiques accrues, une meilleure description du sous-sol à différentes échelles est nécessaire afin de mieux comprendre non seulement les processus géodynamiques mais aussi pour mieux définir la composition du sous-sol aux échelles lithosphériques et détecter des ressources naturelles non-carbonées. Des techniques de modélisation directe par élément spectraux et/ou blocs solides sont développées et utilisées pour la modélisation gravimétrique des Pyrénées et de la France entière à des résolutions de 900m à 80km afin de mieux résoudre les densités du sous-sol. Les zones orogéniques en particulier sont étudiées. Des inversions conjointes de données sismiques et gravimétriques sont effectuées afin d’obtenir des modèles cohérents des densités et vitesses sismiques et Vs aux différentes échelles. Les données sismiques peuvent être les temps d’arrivée des différentes phases sismiques, les formes d’ondes ou des diagrammes de dispersion, etc… De plus la cohérence avec des modèles géologiques existants (BRGM, etc…) sont être pris en compte.
Des codes par éléments spectraux 3D sont utilisés pour calculer les données gravimétriques en épousant au mieux la topographie et les interfaces du milieu étudié à haute précision (modèle GEBCO à 15s et 1mn). Des codes d’inversion conjointe sont mis en place par éléments spectraux, par différences finies (UNISOLVER) ou encore par blocs rigides (TOMOFAST-x) avec différentes fonctionnalités permettant de prendre en compte les données géophysiques, géologiques et pétrophysiques.
Figure : Anomalies gravimétriques calculées par éléments spectraux à l’échelle de la France et la correction terrain associée pour un modèle bathymétrique et topographique GEBCO à 1mn de résolution et ~600 000 données du BGI (Martin et coll. 2023).
3) Imagerie de sub-surface
L’équipe dispose d’une expertise reconnue en prospection géophysique de sub-surface. Les méthodes employées sont variées et complémentaires, incluant le magnétisme, la gravimétrie, les méthodes électriques, électromagnétiques, le géoradar et la sismique. Les paramètres physiques obtenues grâce à ces différentes techniques permettent de comprendre les premières couches du sous-sol, de quelques centimètres à plusieurs kilomètres de profondeur. Ces informations sont essentielles pour l’évaluation des risques naturels/anthropiques, l’identification des ressources et les études archéologiques. Cette approche multidisciplinaire favorise de nombreuses collaborations, aux l’échelles nationale et internationale, notamment à travers les projets suivants : (a) le suivi géophysique de la contamination minière. Projet Région Diagnose (2021-2024, coll. LCA) et projet SUDOE Soil Take Care (2017- 2019, coll. IRSTEA, Institut Polytechnique de Bordeaux et en Espagne Universidad Politécnica de Cartagena, Fundació CTM centre tecnològic, Universidad de Oviedo) ; (b) la prospection géophysique de sites archéologiques. Défi clé Sciences du Passé (OCCIDUNUM, 2022-2025, coll. TRACES, ASM), 3 Programmes Collectif de Recherches ; (c) la coopération géophysique en Amérique Centrale portée par l’association DEMETER ; (d) l’imagerie de la croûte et des failles par gravimétrie et magnétisme pour l’exploration de l’hydrogène dans le bassin du Comminges, PEPR Sous-sol (2024-2027, coll. ISTerre, BRGM ); (e) le WP sur la prospection géophysique, projet ANR DECACLIM, qui étudie la dégradation des grottes ornées face au changement climatique (2023-2026, coll. IPGP, EPOC, LEMTA,LSCE ,LRMH,CPN PACEA) ; (f) projet SUDOE SOCIAL FOREST qui vise à gérer de manière durable les forêts en y intégrant les impacts du changement climatique (2014-2026 coll. INRAE de Bordeaux, Xylofutur, en Espagne Univ. Polytechnique de Valence, l’ASFOSO ; et en Portugal Edia, CIMBAL ; (g) projet SOLPYR qui fourniera une information unifiée des sols de montagne pyrénéens afin d’améliorer la préservation des sols via des actions de science participative (2024-2026, coll. en Espagne ICGC, Univ. Pública de Navarra , FORESPIR, NEIKER, OPCC, Instituto Pirenaico de Ecología Departamento de desarrollo rural y medio ambiente DRYMA et en Andorre Fondation Marcel Chevalier) ; (h) ANR MOSAI (2021-2025, coll. LAERO) qui évalue l’impact des surfaces continentales (humidité des sols, activité de la végétation, topographie etc.) sur l’atmosphère ; (i) projet VERTIGO Labex CEBA (2024-2025) avec l’objectif de est de construire un modèle 3D des structures racinaires souterraines des mangroves guyanaises par tomographie électrique (coll. CRBE).
L’équipe est impliquée dans la caractérisation de la proche surface par méthodes inverses et techniques de Deep Learning. Pour estimer les incertitudes sur les modèles, des techniques de classification hybride supervisée ont été développées en adaptant des réseaux de neurones convolutifs de type auto-encodeur ‘U-net’. Elles permettent de localiser les premiers temps d’arrivée d’ondes sismiques (Huynh et al. 2023) et les courbes de dispersion (projet MADASSY 2021-2024, financement ENV’IA/OMP) pour caractériser la structure du sous-sol par inversion. Ces différents réseaux ont été construits pour des sources actives/passives, afin d’obtenir des informations du milieu à différentes échelles (proche surface et croûte terrestre). Des techniques d’inversion performantes seront appliquées pour assurer son suivi temporel en présence de fluide (nappes, karsts) ainsi près de zones fluviales (projet ANR GWSBOUND 2024-2026).
Les codes de calcul de type éléments spectraux continus/discontinus (Specfem2D/3D) et de différences finies (SEISMIC_CPML, UNISOLVER) sont utilisés pour le problème direct et l’inversion des temps d’arrivée ou de la forme d’onde. Les codes de propagation d’ondes intègrent les phénomènes d’atténuation, d’anisotropie et la poroélasticité pour mieux décrire la complexité du milieu. Ils ont été appliqués à (a) la caractérisation de milieux granulaires non consolidés à l’échelle du laboratoire. Les modèles poroélastiques ont permis de mieux retrouver les différents modes sismiques dans les diagrammes de dispersion (Asfour et al. 2024, Asfour 2022, projet DIMSCALE3D, collaboration avec LAAS/Toulouse) ; (b) l’imagerie de dômes de sel en région ‘off-shore’ (thèse d’Abreu-Torres, 2022). Des techniques de type « source encoding » et d’inversions par gradient-conjugué non-linéaire ont été utilisées sur des cas synthétiques (Abreu-Torres et al. 2021) et à des données réelles analogiques (ITN WAVES) fournies par le LMA/Marseille.
Pour modéliser des ondes infrasonores et caractériser la proche surface et de l’atmosphère nous avons développé un code de simulation numérique (SPECFEM2D-DG-LNS, Martire et al. 2021) de propagation d’ondes pour le système couplé sol-atmosphère (Garcia et al. 2022 ; Gérier et al. 2024). Aussi un code d‘inversion de données infrasons basé sur la théorie de l’adjoint a été appliqué à des cas synthétiques et à l’explosion d’Ukkakero, Finlande (Gérier 2024 ; Gérier et al. 2025).
4) Aléas sismo-volcaniques et tsunamis
Un volet de cette activité est la modélisation des déformations de la croûte terrestre liées aux activités sismo-volcaniques en analysant les données InSAR, GNSS, et gravimétriques. L’équipe est impliqué dans les travaux concernant : (a) l’analyse de déformations volcaniques en Amérique du Sud, en collaboration avec des chercheurs chilien et dans le cadre de thèse de Mme Camila Novoa Lizama, intitulée « Évaluation mécanique des conditions éruptives de volcans siliciques situés dans la zone volcanique sud du Chili (SVZ) » (Novoa, al, 2019, 2022, 2024) ; (b) l’étude du cycle sismique, en collaboration avec des chercheurs de l’IPGP dans le cadre de différents projets TOSCA et de la thèse de Marie Bouih intitulée « Transferts de masse associés au séisme de Maule au Chili (Mw 8.8, 2010) par la mission GRACE » (Panet et al. 2022, Bouih et al. 2022) ; (c) l’application à l’étude d’évènements climatiques dans le cadre de deux post-docs CNES (Cabre et al. 2020 2022, Burrows et al. 2022) ; (d) les études réalisées sur les volcans de boue en Azerbaïjan en collaboration avec des chercheurs français et azerbaidjanais (Odonne et al. 2019, 2021).
L’équipe est également impliquée dans l’analyse de la crise sismo-volcanique en cours depuis 2014 sur la Montagne Pelée, Martinique, dans le cadre de thèse d’Ada Abbboud Oropeza. Cette crise est caractérisée par une sismicité peu profonde croissante et un taux de déformation de surface de quelques millimètres par an. Pour mieux l’expliquer, nous utilisons (a) des modèles mécaniques 3D (code Adeli) et une rhéologie élasto-plastique pour explorer la stabilité mécanique du volcan sous le champ de gravité et (b) pour augmenter la base de données des séismes volcaniques, nous utilisons le code RapidAligner Seismic (RAS), un package Python développé dans notre équipe de template matching qui accélère les calculs de corrélation croisée dans le domaine des fréquences par une parallélisation massive du processus sur les unités de traitement graphique (GPU) NVIDIA.
Un autre volet porte sur l’estimation de l’aléa tsunami dans les Petites et Grandes Antilles dans le cadre du projet PREST, co-financé par le programme Interreg Caraïbe IV 2018-2024. Une approche intégrée a été mise en place pour caractériser l’aléa tsunami et a été appliquée à la Martinique : tout d’abord en élaborant des scénarios crédibles d’événements sismiques tsunamigéniques à partir desquels on modélise à l’aide de COMCOT l’inondation en haute (6 m) résolution (Colon et al 2022), ce qui permet d’élaborer des cartes d’intensité qui tiennent compte de l’impact des courants dans les eaux peu profondes (Colon et al. 2023), puis en travaillant à l’identification de paléo-tsunamis en Martinique à travers l’échantillonnage systématique des zones côtières potentiellement inondables et l’analyse sédimentaire et strati-chronologique des carottes obtenues (Clouard et al, en préparation), et enfin en définissant les procédures opérationnelles tsunami entre le Centre régional d’alerte, les observatoires volcanologiques et les centres nationaux d’alerte en cas de crise volcanique (Clouard et al. 2024).
5) Techniques numériques
Des techniques diverses (éléments finis, spectraux ou non, volumes finis, différences finies d’ordre élevé, …) sont utilisées et portées sur des plateformes de calcul haute-performance (locales à européennes Tier-0) avec des technologies diverses (CPUs, ARM, GPUs, …)