Maskinlæring (ML) baner vejen for banebrydende forbedringer i forudsigelsen af jordskælv, herunder både primære skælv og efterskælv.
Tre nye artikler har udnyttet deep learning-modeller, som ifølge de foreløbige resultater overgår de konventionelle statistiske metoder til at forudsige jordskælv.
Selvom disse undersøgelser er relativt specifikke - primært forudsigelse af efterskælv efter en større seismisk begivenhed - betyder de et spring i forudsigelsen af jordskælv.
Morgan Page, seismolog fra US Geological Survey (USGS) i Pasadena, Californien, udtrykte sin begejstring over fremskridtene og sagde: "Jeg er virkelig begejstret for, at det endelig sker."
Det er dog vigtigt at afmystificere, hvad jordskælvsprognoser indebærer. De handler ikke om at udpege en seismisk begivenheds nøjagtige tid eller sted. Den gamle idé om at forudsige et jordskælvs styrke, sted og tid - svarende til at sige "næste søndag kl. 8 om morgenen" - er ikke realistisk. - er ikke realistisk.
Ved hjælp af statistiske analyser er seismologerne nu bedre rustet til at måle bredere mønstre, herunder at estimere potentielle efterskælv.
Deep learning trives med massive datasæt og forudsiger efterfølgende jordskælv baseret på historiske jordskælvsdata.
Det har dog ikke været nogen nem rejse, da store jordskælv er relativt sjældne, og dataene er sparsomme.
Om artiklerne
Tre Nylige undersøgelser fremhæver AI's potentiale til at forudsige jordskælv:
- Geofysiker Kelian Dascher-Cousineau og et hold fra UC Berkeley: Designede en model, der blev testet på det sydlige Californiens jordskælv mellem 2008 og 2021. Deres model overgik den traditionelle i at forudsige antallet og omfanget af skælv i løbet af to uger.
- Statistiker Samuel Stockman fra University of Bristol: Da Stockmans metode blev trænet på jordskælvsdata fra det centrale Italien i 2016-17, viste den en overlegen præstation i forhold til konventionelle metoder.
- Fysikeren Yohai Bar-Sinai og et hold fra Tel Aviv University: DBar-Sinai har udviklet en anden neuronal netværksmodel, som klarede sig bedre end den konventionelle model, da den blev testet på tre årtiers japanske jordskælvsdata. Bar-Sinai mener, at dette kan føre til en dybere forståelse af jordskælvsmekanik.
USGS og lignende enheder vil snart indføre maskinlæringsmodeller ved siden af de traditionelle.
Men uanset forudsigelsens nøjagtighed er det stadig vigtigt at forberede sig på jordskælv og sikre, at bygninger lever op til sikkerhedsstandarder, og at nødhjælpskasser altid er klar.
Fremskridt inden for AI understøtter miljø- og bevaringsstrategier, herunder beskyttelse af naturen. Amazonas' regnskov og forbedre Tsunami-advarselssystemer.
