Die Forscher nutzten KI, um Veränderungen in der Erdatmosphäre zu erkennen, die entstehen, wenn sich Tsunamiwellen im Meer bilden.
Dadurch könnte sich die Vorwarnzeit für Küstengemeinden, die von Tsunamis bedroht sind, erheblich verlängern.
Valentino Constantinou von der in Florida ansässigen Terran Orbital Corporation erklärt: "Es gibt kein globales Netz zur Erkennung von Tsunamiwellen, und die Installation physischer Hardware, wie etwa Bojensysteme, ist teuer. Aber wir wissen, dass sich kleine Satellitenkonstellationen überall ausbreiten".
Die Geschwindigkeit der von Erdbeben auf See erzeugten Signale wird durch die Dichte der geladenen Teilchen in der Ionosphäre der Erde beeinflusst, die sich etwa 300 bis 350 Kilometer über der Oberfläche befindet.
Wenn ein Tsunami Schockwellen erzeugt, die in die Atmosphäre aufsteigen, verändern sie die Dichte dieser geladenen Teilchen, was zu leichten, aber nachweisbaren Veränderungen der von Satelliten empfangenen Signale führt.
Frühere Forschung des Jet Propulsion Laboratory der NASA und der Sapienza-Universität Rom in Italien führte zu einer Berechnungsmethode zur Messung von Schwankungen der Dichte geladener Teilchen bei Tsunamis.
Darauf aufbauend wandelten Constantinou und sein Team die Daten, die ursprünglich in eindimensionalen Formaten vorlagen, in zweidimensionale Bilder um. Diese Bilder wurden dann von KI-Modellen auf Anzeichen für Tsunamis analysiert.
Das Team trainierte sein KI-System anhand der Daten von drei spezifischen erdbebenbedingten Tsunamis: dem chilenischen Tsunami 2010, dem japanischen Tsunami 2011 und dem kanadischen Tsunami 2012.
Sie testeten die Wirksamkeit des Modells an einem vierten Tsunami, der durch das Illapel-Erdbeben 2015 in Chile ausgelöst wurde. Die KI wurde daraufhin untersucht, wie gut sie tsunamibedingte Veränderungen vom normalen ionosphärischen Hintergrundrauschen unterscheiden konnte.
Um Fehlalarme zu minimieren, filterten die Forscher Störungen heraus, die von Bodenstationen bei der Kommunikation mit den darüber liegenden Satelliten verursacht werden.
Laut Quentin Brissaud von NORSAR, einer norwegischen Stiftung für seismische Forschung, die nicht an der Studie beteiligt ist, lieferte diese Methode mit einer Erkennungsgenauigkeit von über 90% "ziemlich gute Ergebnisse". Brissaud wies jedoch darauf hin, dass mehr Daten benötigt würden, um die Zuverlässigkeit dieses Systems für verschiedene Arten von Tsunamis zu ermitteln.
Quentin Brissaud stellt fest, dass "die Seltenheit großer Tsunamis die Analyse und Vorhersage solcher Ereignisse erschwert".
Eine der Herausforderungen bei der Einrichtung eines globalen Tsunami-Warnsystems ist die Notwendigkeit des internationalen Datenaustauschs. Constantinou erklärt: "Die Daten befinden sich oft im Besitz von Regierungen oder kommerziellen Partnern, die die Satelliten betreiben. Es gibt keine zentrale Stelle, die die Daten für ein globales System sammelt.
Mehr über die Studie
Diese Studie kombiniert Satellitendaten mit maschinellem Lernen (ML), um durch Tsunamis ausgelöste Veränderungen in der Erdatmosphäre zu analysieren.
Auch wenn die Erkennung von Tsunamis in letzter Zeit Fortschritte gemacht hat, sind viele Küstengebiete noch immer nicht ausreichend von Frühwarnsystemen abgedeckt.
Und so funktioniert es:
- Forscher haben ein KI-gestütztes System entwickelt, um frühe Anzeichen von Tsunamis zu erkennen, indem sie "Traveling Ionospheric Disturbances" (TIDs) in der Ionosphäre der Erde überwachen. Diese Störungen wirken sich auf den Gesamtelektronengehalt (TEC) aus, der über das globale Satellitennavigationssystem (GNSS) ermittelt werden kann.
- Bei diesem Ansatz werden Daten von mehreren Satellitensystemen wie GPS, Galileo, GLONASS und BeiDou genutzt. Es bietet eine Echtzeitabdeckung der offenen Ozeane und ist eine wertvolle Ergänzung für geografische Gebiete, die für herkömmliche, auf Bojen basierende Warnsysteme nicht zugänglich sind.
- Das KI-Modell verwendet Faltungsneuronale Netze (Convolutional Neural Networks, CNN), die mit historischen Daten der Tsunamis von Maule 2010, Tohoku 2011 und Haida-Gwaii 2012 trainiert wurden. Später wurde es mit Daten des Illapel-Tsunamis von 2015 validiert und erreichte eine Genauigkeit von 91,7%.
- Das System verwendet eine Falsch-Positiv-Minderungsstrategie (FPM), die die Rate der Fehlalarme erheblich reduziert.
Viele KI-Systeme werden zur Vorhersage von Umweltkatastrophen eingesetzt, darunter Googles Hochwasser-Hubdie kürzlich auf weitere Regionen ausgeweitet wurde.
