Caractérisation des escarpements de failles dans un système de failles sismiques mexicain (Ceinture Volcanique Trans-Mexicaine) grâce aux réseaux de neurones convolutifs

Durée : 4 à 6 mois, printemps/été 2022, dates flexibles

Les marqueurs des failles actives dans le paysage (escarpements, cônes volcaniques, coulées de laves ou rivières décalées) sont les enregistrements de l’activité des failles. Ces marqueurs permettent d’accéder à des échelles de temps (milliers d’années) sur lesquelles ont eu lieu des séismes inconnus de la mémoire humaine. La prise en compte de ces séismes dans les catalogues de sismicité est pourtant indispensable à l’évaluation de l’aléa sismique. Pour pouvoir extraire et quantifier au mieux les informations relatives à ces séismes préhistoriques, ce stage propose d’utiliser des méthodes d’apprentissage automatique supervisé par réseaux de neurones convolutifs pour classer les marqueurs décalés par les failles.

Ce stage propose d’adapter et d’utiliser des méthodes d’apprentissage automatique (deep learning) à la caractérisation des failles actives au Mexique, dont un prototype est déjà développé à ISTerre. En effet le centre du Mexique est segmenté par un système de failles normales le long de la Ceinture Volcanique Trans-Mexicaine où plus de 600 failles potentiellement actives ont pu être identifiées. Cette zone est fortement vulnérable aux séismes puisque plus de 60 % de la population mexicaine y vit dans des mégapoles construites au abord de ces failles (Mexico City : 23 Ma d’hab., Guadalajara 5 Ma d’hab., Queretaro 2 Ma d’hab., Leon 1.5 Ma d’hab., …). Ce stage permettra de lever des verrous scientifiques tels que 1) Comment peut-on extrapoler la connaissance sur les failles bien caractérisé à l’ensemble dún système de failles ? 2) est-il possible de détecter des évolutions spatiales et temporelles de l’activité des failles ? 3) Peut-on discriminer quand a eu lieu la segmentation ? Lors d’un même séisme ou lors de séismes différents ? 4) Quelle forme de modèle de glissement suit le système de faille (séisme caractéristique, …) ?

Ce stage s’adresse à un.e étudiant.e en école d’ingénieur ou Master en géosciences. Il demande des connaissances en programmation Python et si possible en géologie, la maîtrise du machine learning serait un plus. Le.la stagiaire pourra se former à l’utilisation de codes de Deep Learning appliqués à la morphotectonique (étude des paysages déformés par les failles), ainsi qu’au contexte tectonique mexicain. Ce stage aura lieu à l’Institut des Sciences de la Terre, site de Grenoble (UGA). La.le stagiaire sera encadré par des chercheuses de ISTerre (Léa Pousse, Sophie Giffard-Roisin, Laurence Audin, expertes en machine learning et en morphotectonique) ainsi que par un professeur de l’UNAM au Mexique (Pierre Lacan, Universidad Nacional Autónoma de México, expert en morphotectonique).

Durée : 4 à 6 mois, printemps/été 2022, dates flexibles

Candidater : envoyer un mail à lea.pousse univ-grenoble-alpes.fr et à sophie.giffard univ-grenoble-alpes.fr dès que possible, avec un CV et une lettre de motivation succincte (qui explique votre/vos intérêts et motivations, sans paraphraser le CV)

In English :

Active faults markers in the landscape (scarps, volcanic fans, lava flows or offset rivers) are records of fault activity. These markers allow access to time scales (thousands of years) on which earthquakes took place, that are unknown to human memory. Incorporation of these earthquakes in the seismicity catalogs is however essential for the evaluation of the seismic hazard. In order to extract and quantify the information related to these prehistoric earthquakes, this internship proposes to use supervised machine learning methods such as convolutional neural networks to classify the faults markers.

This internship proposes to adapt and use machine learning methods (deep learning) to characterize active faults in Mexico, of which a prototype is already developed at ISTerre. Central Mexico is segmented by a system of normal faults along the Trans-Mexican Volcanic Belt where more than potentially 600 active faults have been identified. This area is highly vulnerable to earthquakes since more than 60% of the Mexican population lives in megacities built along those faults (Mexico City : 23 million inhabitants, Guadalajara 5 million inhabitants, Queretaro 2 million inhabitants, Leon 1.5 million inhabitants, ...). This internship will address scientific issues such as 1) How can we extrapolate the knowledge of well-characterized faults to the whole fault system ? 2) Is it possible to detect spatial and temporal evolutions of fault activity ? 3) Can we discriminate when the segmentation took place ? During the same earthquake or during different earthquakes ? 4) What form of slip pattern follows the fault system (characteristic earthquake, ...) ?

This internship is intended for a student in engineering school or Master in geosciences. It requires knowledge in Python programming and if possible in geology, the knowledge of machine learning would be appreciated. The intern will be learning to use Deep Learning codes applied to morphotectonics (study of landscapes deformed by faults), as well as the Mexican tectonic context. This internship will take place at the Institute of Earth Sciences, Grenoble site (UGA). The intern will be supervised by ISTerre researchers (Léa Pousse, Sophie Giffard-Roisin, Laurence Audin, experts in machine learning and morphotectonics) as well as by a professor from UNAM in Mexico (Pierre Lacan, Universidad Nacional Autónoma de México, expert in morphotectonics).

Duration : 4 to 6 months, spring/summer 2022, flexible dates

To apply : send an email to lea.pousse univ-grenoble-alpes.fr and sophie.giffard univ-grenoble-alpes.fr as soon as possible, with a CV and a short cover letter (explaining your interests and motivations, without paraphrasing the CV)