L'IA peut-elle prédire avec précision les tremblements de terre 72 heures à l'avance à partir de données sismiques et atmosphériques ?

Les avancées en intelligence artificielle, formées sur des données sismiques et atmosphériques, pourraient-elles prédire de manière fiable les tremblements de terre jusqu'à trois jours avant qu'ils ne se produisent ? Les enjeux sont énormes — des avertissements opportuns pourraient transformer la préparation aux catastrophes dans le monde entier. Pourtant, que dit réellement la science à ce sujet ?

Background

La prédiction des tremblements de terre reste l'un des problèmes les plus difficiles en géosciences. Les méthodes traditionnelles reposent sur l'analyse statistique de la sismicité historique, les mesures géodésiques de la déformation crustale et les signaux précurseurs tels que les secousses préliminaires, mais aucune n'a constamment fourni de prévisions à court terme fiables (par exemple, de quelques jours à quelques semaines) avant des événements majeurs (Jordan et al., 2011 ; Geller et al., 1997 ; Lomnitz, 1994).

Ces dernières années, des approches d'apprentissage automatique (ML) ont été explorées pour détecter des motifs subtils et non linéaires dans les données sismiques qui pourraient précéder les tremblements de terre. Des études ont utilisé des ensembles de données à grande échelle provenant de réseaux sismiques denses pour entraîner des réseaux de neurones profonds capables d'identifier des anomalies dans les caractéristiques des formes d'onde, telles que le regroupement temporel, le contenu spectral ou les changements de la valeur b (DeVries et al., 2018 ; Mignan et al., 2021). Certains modèles rapportent une amélioration des performances dans la prévision des répliques ou la détection de signaux d'alerte précoce à l'échelle régionale (par exemple, Perol et al., 2018 ; Zhang et al., 2021). Cependant, l'interprétabilité physique de ces anomalies reste débattue, et les validations prospectives rigoureuses dans divers contextes tectoniques sont limitées (van der Elst et al., 2021).

L'inclusion de données atmosphériques — telles que les perturbations ionosphériques (par exemple, les anomalies du contenu en électrons), les émissions de radon ou les anomalies infrarouges thermiques — a été suggérée comme indicateurs précurseurs potentiels, s'appuyant sur des observations anecdotiques et des études de cas (par exemple, Pulinets & Ouzounov, 2011). La surveillance par satellite (par exemple, GOES, Swarm) a permis une couverture spatiale plus large de ces signaux, et certains modèles de ML ont tenté de fusionner les entrées sismiques et atmosphériques pour améliorer les compétences prédictives (par exemple, Akhoondzadeh & Di Mauro, 2022). Pourtant, les mécanismes reliant les changements atmosphériques au stress tectonique restent spéculatifs, et les preuves solides de voies causales font défaut (Thomas et al., 2017 ; Dautermann et al., 2007).

Malgré des rapports anecdotiques et des analyses de cas isolés, la communauté géophysique dans son ensemble maintient qu'aucune méthode validée n'existe pour prédire le moment, le lieu et l'ampleur des tremblements de terre avec une précision suffisante pour justifier des avertissements publics (par exemple, éditorial de Nature, 2018). L'USGS déclare explicitement qu'une prédiction fiable à court terme n'est pas réalisable avec les connaissances et technologies actuelles (USGS, 2023). Bien que l'IA puisse améliorer la détection de motifs subtils, le scepticisme persiste quant à savoir si ceux-ci représentent de véritables précurseurs ou des corrélations fallacieuses (par exemple, Mignan, 2016). Ainsi, l'avant-garde réside dans la distinction entre signal et bruit — et dans l'assurance que tout signal prédictif putatif puisse être validé prospectivement dans des conditions aveugles à travers plusieurs régimes sismiques.

La prédiction des tremblements de terre à court terme — définie comme la capacité de prévoir un événement spécifique quelques heures à quelques jours à l'avance — reste l'un des objectifs les plus difficiles de la sismologie. Depuis les années 1970, les chercheurs ont étudié les relations entre les signaux géophysiques et atmosphériques (par exemple, les anomalies électromagnétiques, les émissions de radon ou les perturbations ionosphériques) et les tremblements de terre imminents, mais les ensembles de données prospectifs validés couvrant l'horizon complet de 72 heures sont rares. Les études statistiques qui revendiquent des compétences à cette échelle de temps ne résistent souvent pas à des tests rigoureux hors échantillon ou n'ont pas été reproduites dans plusieurs contextes tectoniques. Les modèles d'apprentissage profond qui ingèrent des flux sismiques et météorologiques continus ont montré des promesses sur des ensembles de données rétrospectifs — rapportant parfois des gains apparents dans les métriques de prévision à court terme — mais ces avancées ne se sont pas encore traduites en systèmes opérationnels approuvés par les grandes enquêtes géologiques. L'absence d'un mécanisme physique universellement accepté reliant les signaux atmosphériques à la nucléation de la rupture continue de limiter le développement de prédicteurs fiables et généralisables à l'horizon de trois jours.

— Enrichi le 15 mai 2026