Analyse de la microsismicité et de la déformation des séquences sismiques de Kumamoto (2016) et Noto (2024). // Microseismicity and deformation analysis of the Kumamoto (2016) and Noto (2024) earthquakes.

La prédiction des séismes reste un défi majeur en raison de la complexité des processus physiques et de l'hétérogénéité de la croûte terrestre. Toutefois, certains grands séismes, comme Tohoku (2011, Mw9.0), Kumamoto (2016, Mw7.0) et Noto (2024, Mw7.7) sont précédés d'une sismicité localisée. Cette thèse se concentre sur les séismes crustaux de Kumamoto (2016) et Noto (2024), tous deux précédés de pré-chocs, mais dont la sensibilité aux perturbations transitoires de contrainte reste peu explorée. Le projet vise à analyser l'évolution de la microsismicité (magnitude < 3) sur le long terme à l'aide des catalogues sismiques japonais sur une durée de 15 à 20 ans. Des données GNSS seront utilisées pour détecter les déformations lentes et corréler la sismicité aux charges saisonnières ou aux marées. Le doctorant utilisera des méthodes de Machine Learning et de 'template matching' pour affiner les catalogues. Les séismes répétitifs seront analysés pour mieux comprendre la déformation locale. L'objectif est de mieux contraindre la phase pré-sismique et d'évaluer l'influence des charges transitoires sur l'activité sismique. Ce travail combinera observations sismologiques et géodésiques pour améliorer notre compréhension de la physique des séismes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Earthquake prediction remains a major challenge due to the complexity of the underlying physics and the heterogeneous nature of the Earth's crust. However, some large earthquakes—such as Tohoku (2011, Mw9.0), Kumamoto (2016, Mw7.0) and Noto (2024, Mw7.7) —have been preceded by localized seismicity, suggesting the presence of precursory mechanisms. This PhD project focuses on two crustal earthquakes: Kumamoto (2016) and Noto (2024), both of which were preceded by foreshocks, though their sensitivity to transient stress perturbations remains poorly studied. The aim is to analyze long-term microseismicity (magnitude < 3 earthquakes) using Japanese seismic catalogs over 15–20 years. GNSS data will be used to detect slow deformation and explore correlations with seasonal or tidal loading. The candidate will apply Machine Learning and template matching techniques to enhance event detection and lower the magnitude of completeness. Repeating earthquakes will be studied to understand local loading evolution. The goal is to better constrain the pre-seismic phase and evaluate the influence of transient stresses on seismicity. This work will combine seismological and geodetic observations to improve our understanding of earthquake physics.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Autre financement public

ANR Financement d'Agences de financement de la recherche

Université Grenoble Alpes

105 STEP - Sciences de la Terre de l'Environnement et des Planètes

Master or engineering degree in Geophysics or Physics. Disciplinary Profile: Solid skills in mathematics, physics, signal processing, and autonomous in code developing, especially in Python and Matlab. Able to handle data and cure them. Extra-disciplinairy profile: Initiative, adaptability, ability to work independently and as part of a team. Communicative and working skills. Proficiency in English (reading, writing, oral communication).
Master or engineering degree in Geophysics or Physics. Disciplinary Profile: Solid skills in mathematics, physics, signal processing, and autonomous in code developing, especially in Python and Matlab. Able to handle data and cure them. Extra-disciplinairy profile: Initiative, adaptability, ability to work independently and as part of a team. Communicative and working skills. Proficiency in English (reading, writing, oral communication).