I ricercatori hanno utilizzato l'intelligenza artificiale per identificare i cambiamenti nell'atmosfera terrestre generati quando si formano le onde di tsunami in mare.
Questo potrebbe allungare notevolmente il tempo di allerta per le comunità costiere esposte al rischio di tsunami.
Valentino Constantinou della Terran Orbital Corporation, con sede in Florida, spiega: "Non esiste una rete globale per il rilevamento delle onde di tsunami e l'installazione di hardware fisico, come i sistemi basati su boe, è costosa. Ma sappiamo che le piccole costellazioni di satelliti stanno proliferando ovunque".
La velocità dei segnali prodotti dai terremoti in mare è influenzata dalla densità delle particelle cariche nella ionosfera terrestre, che si trova a circa 300-350 chilometri dalla superficie.
Quando uno tsunami genera onde d'urto che salgono nell'atmosfera, alterano la densità di queste particelle cariche, provocando lievi ma rilevabili modifiche nei segnali ricevuti dai satelliti.
Ricerca precedente condotto dal Jet Propulsion Laboratory della NASA e dall'Università Sapienza di Roma in Italia, ha portato a un metodo computazionale per misurare le fluttuazioni della densità delle particelle cariche dovute agli tsunami.
Partendo da questo presupposto, Constantinou e il suo team hanno convertito i dati, originariamente in formato monodimensionale, in immagini bidimensionali. Queste immagini sono state poi analizzate da modelli di intelligenza artificiale alla ricerca di segni legati agli tsunami.
Il team ha addestrato il sistema di intelligenza artificiale utilizzando i dati di tre specifici tsunami indotti da terremoti: quello cileno del 2010, quello giapponese del 2011 e quello canadese del 2012.
Hanno testato l'efficacia del modello su un quarto tsunami causato dal terremoto di Illapel del 2015 in Cile. L'IA è stata esaminata per valutare quanto fosse in grado di differenziare i cambiamenti indotti dallo tsunami dal rumore di fondo ionosferico standard.
Per ridurre al minimo i falsi positivi, i ricercatori hanno filtrato i disturbi causati dalle stazioni di terra in comunicazione con i satelliti sopraelevati.
Secondo Quentin Brissaud del NORSAR, una fondazione di ricerca sismica norvegese non collegata allo studio, questa metodologia ha dato "risultati piuttosto buoni" con un tasso di precisione di rilevamento superiore a 90%. Tuttavia, Brissaud ha sottolineato che sarebbero necessari ulteriori dati per accertare l'affidabilità di questo sistema per diversi tipi di tsunami.
Quentin Brissaud osserva che "la rarità dei grandi tsunami rende difficile l'analisi e la previsione di questi eventi".
Una delle sfide per la realizzazione di un sistema di allerta tsunami globale è la necessità di condividere i dati a livello internazionale. Come dice Constantinou, "i dati sono spesso in possesso dei governi o dei partner commerciali che gestiscono i satelliti. Non c'è un unico posto dove raccogliere i dati per un sistema globale".
Per saperne di più sullo studio
Questo studio combina i dati satellitari con l'apprendimento automatico (ML) per analizzare i cambiamenti nell'atmosfera terrestre innescati dagli tsunami.
Sebbene il rilevamento degli tsunami sia progredito di recente, molte coste hanno ancora una copertura inadeguata da parte dei sistemi di allerta precoce.
Ecco come funziona:
- I ricercatori hanno sviluppato un framework basato sull'intelligenza artificiale per identificare i primi segnali di tsunami monitorando le perturbazioni ionosferiche itineranti (TID) nella ionosfera terrestre. Queste perturbazioni influenzano il contenuto totale di elettroni (TEC), rilevabile attraverso il sistema globale di navigazione satellitare (GNSS).
- Questo approccio sfrutta i dati di più sistemi satellitari come GPS, Galileo, GLONASS e BeiDou. Offre una copertura in tempo reale e in mare aperto, che rappresenta un valido complemento per le aree geografiche non accessibili ai tradizionali sistemi di allerta basati su boe.
- Il modello AI utilizza reti neurali convoluzionali (CNN) addestrate sui dati storici degli tsunami di Maule del 2010, Tohoku del 2011 e Haida-Gwaii del 2012. Successivamente è stato convalidato con i dati dello tsunami di Illapel del 2015, ottenendo un punteggio di precisione di 91,7%.
- Il sistema impiega una strategia di mitigazione dei falsi positivi (FPM), che riduce significativamente il tasso di falsi allarmi.
Molti sistemi di IA vengono impiegati per prevedere i disastri ambientali, tra cui Hub alluvionale di Googleche è stato recentemente ampliato per coprire altre regioni.
