Résumé

De nombreuses études ont établi un lien entre la profondeur des séismes (DDE) et la résistance de la croûte (YSE) dans diverses régions. Pour comparer la rhéologie et la distribution des séismes en profondeur dans des zones d'extensions au-delà des études locales précédentes, il a été nécessaire de s'assurer de la disponibilité d'un catalogue sismologique utilisant un nombre et une position de station continue sur de longues périodes représentatives de l'activité sismique à long terme.

Ainsi, j'ai développé un protocole de création automatique de catalogue basé sur des méthodes d'intelligence artificielle. Les catalogues ainsi créés sur plusieurs années avec des dizaines de milliers d'événements dans différentes régions ont nécessité la mise en place d'une méthode de declustering basée sur l'apprentissage machine, ne nécessitant aucune information a priori, et j'ai utilisé une méthode de "data mining" par Carte auto-adaptative.

En outre, je propose une nouvelle analyse basée sur une méthode de lissage en temps-espace-profondeur qui peut être interprétée sur le plan géologique. Pour permettre une interprétation éclairée des résultats, nous avons étudié les différents biais possibles d'interprétation, notamment la détectabilité des événements en profondeur par un réseau sismologique de surface.

Cette étude met en lumière le lien entre la rhéologie et la distribution en profondeur des séismes, ainsi que la variabilité en profondeur due à l'activité transitoire, tout en tenant compte des incertitudes que nous avons cherché à surmonter et à quantifier.

Abstract

Numerous studies have established a link between earthquake depth (DDE) and crustal strength (YSE) in various regions. To compare the rheology and distribution of earthquakes at depth in extended areas beyond previous local studies, it was necessary to ensure the availability of a seismological catalogue using a continuous number and position of stations over long periods representative of long-term seismic activity.

I therefore developed an automatic catalogue creation protocol based on artificial intelligence methods. The catalogues thus created over several years with tens of thousands of events in different regions required the implementation of a declustering method based on machine learning, requiring no a priori information, and I used an auto-adaptive Map data mining method.

In addition, I propose a new analysis based on a time-space-depth smoothing method that can be interpreted geologically. To enable an informed interpretation of the results, we have studied the various possible biases of interpretation, in particular the detectability of events at depth by a surface seismological network.

This study highlights the link between rheology and the depth distribution of earthquakes, as well as the variability at depth due to transient activity, while taking into account the uncertainties that we have sought to overcome and quantify.