L’IA élimine les bruits de la ville pour améliorer les sismographes
Un algorithme d’apprentissage profond peut supprimer le bruit de la ville dans les outils de surveillance des tremblements de terre, ce qui pourrait faciliter la localisation du moment et du lieu où se produit une secousse.
Supprimer les bruits de la ville
« La surveillance des tremblements de terre en milieu urbain est importante car elle nous aide à comprendre les systèmes de failles qui sous-tendent les villes vulnérables », explique Gregory Baroza de l’université de Stanford en Californie. « En voyant où vont les failles, nous pouvons mieux anticiper les événements sismiques ».
Cependant, les bruits des villes – des voitures, des avions, des hélicoptères et de l’agitation générale – ajoutent un bruit qui rend difficile de discerner les signaux souterrains qui indiquent qu’un tremblement de terre est en train de se produire.
Pour tenter d’améliorer notre capacité à identifier et à localiser les tremblements de terre, M. Baroza et ses collègues ont entraîné un réseau neuronal profond à distinguer les signaux sismiques des autres sources de bruit.
Un entraînement avec 33 751 échantillons de signaux sismiques
Environ 80 000 échantillons de bruit urbain et 33 751 échantillons de signaux sismiques ont été combinés sous différentes formes pour entraîner, valider et tester le réseau neuronal. Les échantillons de bruit provenaient d’enregistrements audio effectués à Long Beach, en Californie, tandis que les signaux de tremblement de terre étaient prélevés dans la zone rurale autour de San Jacinto, également en Californie. « Nous avons effectué plusieurs millions de combinaisons des deux types de signaux pour entraîner ce réseau neuronal », explique M. Baroza.
Le passage des signaux audio dans ce réseau neuronal a amélioré le rapport signal/bruit – le niveau du signal que vous voulez entendre par rapport au niveau du bruit de fond – de 15 décibels en moyenne, soit trois fois la moyenne des techniques de débruitage antérieures. Selon Maarten de Hoop, de l’université Rice à Houston (Texas), cette recherche est très utile pour ce domaine. « C’est très bien fait, et je pense que c’est du beau travail », dit-il.
Il présente cependant un inconvénient
Mais il souligne un inconvénient : le réseau neuronal a été entraîné sur des données étiquetées par des humains, une méthode appelée apprentissage supervisé, et les relevés provenaient tous d’une seule zone. Le fait que ce modèle ait été supervisé spécifiquement pour éliminer le bruit des sons en Californie signifie qu’il a moins de chances de réussir lorsqu’il est confronté à des bruits provenant d’ailleurs.
« Le Saint Graal dans ce domaine est l’apprentissage non supervisé », déclare M. de Hoop. « Si je me rends dans l’une des grandes villes du Japon, les chances que cela fonctionne directement sont assez faibles, parce que c’est supervisé. » Baroza n’est pas non plus certain de l’efficacité de ce modèle dans des endroits autres que la Californie. « En fonction de l’environnement, les signatures sonores seront probablement différentes de celles sur lesquelles il a été entraîné », explique-t-il.
Cette recherche a été publiée dans Science Advances.
Source : New Scientist
Crédit photo : iStock