Forskerne brugte AI til at identificere ændringer i Jordens atmosfære, som opstår, når tsunamibølger begynder at dannes i havet.
Det kan forlænge advarselstiden betydeligt for kystsamfund, der er udsat for risiko for tsunamier.
Valentino Constantinou fra Terran Orbital Corporation i Florida forklarer: "Der findes ikke noget globalt netværk til at opdage tsunamibølger, og det er dyrt at installere fysisk hardware, som f.eks. bøjebaserede systemer. Men vi ved, at små satellitkonstellationer spreder sig overalt."
Hastigheden af signalerne fra jordskælv til havs påvirkes af tætheden af ladede partikler i jordens ionosfære, som befinder sig omkring 300 til 350 kilometer over overfladen.
Når en tsunami genererer chokbølger, der stiger op i atmosfæren, ændrer de tætheden af disse ladede partikler, hvilket fører til små, men påviselige ændringer i de signaler, der modtages af satellitter.
Tidligere forskning udført af NASA's Jet Propulsion Laboratory og Sapienza University of Rome i Italien førte til en beregningsmetode til måling af udsving i ladede partiklers tæthed på grund af tsunamier.
På baggrund af dette konverterede Constantinou og hans team dataene, der oprindeligt var i endimensionelle formater, til todimensionelle billeder. Disse billeder blev derefter analyseret af AI-modeller for tegn relateret til tsunamier.
Holdet trænede deres AI-system ved hjælp af data fra tre specifikke jordskælvsinducerede tsunamier: tsunamierne i Chile i 2010, Japan i 2011 og Canada i 2012.
De testede modellens effektivitet på en fjerde tsunami forårsaget af Illapel-jordskælvet i Chile i 2015. AI'en blev undersøgt for at vurdere, hvor godt den kunne skelne mellem tsunami-inducerede ændringer og standard ionosfærisk baggrundsstøj.
For at minimere falske positiver filtrerede forskerne forstyrrelser forårsaget af jordstationer i kommunikation med de overliggende satellitter.
Ifølge Quentin Brissaud fra NORSAR, en norsk seismisk forskningsstiftelse, som ikke er tilknyttet undersøgelsen, gav denne metode "ret gode resultater" med en detektionsnøjagtighed på over 90%. Brissaud påpegede dog, at der ville være behov for flere data for at fastslå systemets pålidelighed for forskellige typer tsunamier.
Quentin Brissaud bemærker, at "sjældenheden af store tsunamier gør det udfordrende at analysere og forudsige sådanne begivenheder."
En af udfordringerne ved at implementere et globalt tsunamivarslingssystem er behovet for international datadeling. Som Constantinou nævner: "Data ligger ofte hos regeringer eller kommercielle partnere, der driver satellitterne. Der er ikke ét sted, hvor man kan hente data til et globalt system."
Mere om undersøgelsen
Denne undersøgelse kombinerer satellitdata med maskinlæring (ML) for at analysere ændringer i jordens atmosfære udløst af tsunamier.
Selv om der er sket fremskridt inden for tsunami-detektion på det seneste, har mange kyststrækninger stadig utilstrækkelig dækning fra tidlige varslingssystemer.
Sådan her fungerer det:
- Forskere har udviklet en AI-baseret ramme til at identificere tidlige tegn på tsunamier ved at overvåge rejsende ionosfæriske forstyrrelser (TID'er) i jordens ionosfære. Disse forstyrrelser påvirker det samlede elektronindhold (TEC), som kan registreres via det globale navigationssatellitsystem (GNSS).
- Denne tilgang udnytter data fra flere satellitsystemer som GPS, Galileo, GLONASS og BeiDou. Det giver dækning i realtid på åbent hav og fungerer som et værdifuldt supplement til geografiske områder, der ikke er tilgængelige for traditionelle bøjebaserede advarselssystemer.
- AI-modellen bruger Convolutional Neural Networks (CNN), der er trænet på historiske data fra tsunamierne i Maule i 2010, Tohoku i 2011 og Haida-Gwaii i 2012. Den blev senere valideret med data fra Illapel-tsunamien i 2015 og opnåede en nøjagtighedsscore på 91,7%.
- Systemet anvender en FPM-strategi (False Positive Mitigation), som reducerer antallet af falske alarmer betydeligt.
Mange AI-systemer anvendes til at forudsige miljøkatastrofer, herunder Googles oversvømmelsescentersom for nylig blev udvidet til at dække flere regioner.
