Forskerne brukte kunstig intelligens til å identifisere endringer i jordatmosfæren som oppstår når tsunamibølger begynner å danne seg i havet.
Dette kan forlenge varslingstiden betydelig for kystsamfunn som er utsatt for tsunamirisiko.
Valentino Constantinou fra Terran Orbital Corporation i Florida forklarer: "Det finnes ikke noe globalt nettverk for å oppdage tsunamibølger, og det er dyrt å installere fysisk maskinvare, som bøyebaserte systemer. Men vi vet at små satellittkonstellasjoner bare blir flere og flere overalt."
Hastigheten på signalene fra jordskjelv til havs påvirkes av tettheten av ladede partikler i jordens ionosfære, som befinner seg 300 til 350 kilometer over jordoverflaten.
Når en tsunami genererer sjokkbølger som stiger opp i atmosfæren, endrer de tettheten av disse ladede partiklene, noe som fører til små, men påviselige endringer i signalene som mottas av satellitter.
Tidligere forskning utført av NASAs Jet Propulsion Laboratory og Sapienza-universitetet i Roma i Italia førte til en beregningsmetode for å måle svingninger i tettheten av ladede partikler som skyldes tsunamier.
På bakgrunn av dette konverterte Constantinou og teamet hans dataene, som opprinnelig var i endimensjonale formater, til todimensjonale bilder. Disse bildene ble deretter analysert av AI-modeller for å finne tegn på tsunamier.
Teamet trente opp AI-systemet sitt ved hjelp av data fra tre spesifikke jordskjelvinduserte tsunamier: tsunamiene i Chile i 2010, Japan i 2011 og Canada i 2012.
De testet modellens effektivitet på en fjerde tsunami forårsaket av Illapel-jordskjelvet i Chile i 2015. AI ble undersøkt for å vurdere hvor godt den kunne skille tsunami-induserte endringer fra vanlig ionosfærisk bakgrunnsstøy.
For å minimere falske positiver filtrerte forskerne bort forstyrrelser forårsaket av bakkestasjoner som kommuniserte med de overliggende satellittene.
Ifølge Quentin Brissaud fra NORSAR, en norsk seismisk forskningsstiftelse som ikke er knyttet til studien, ga denne metodikken "ganske gode resultater" med en deteksjonsnøyaktighet på over 90%. Brissaud påpekte imidlertid at det ville være behov for mer data for å fastslå hvor pålitelig dette systemet er for ulike typer tsunamier.
Quentin Brissaud bemerker at "sjeldenheten av store tsunamier gjør det utfordrende å analysere og forutsi slike hendelser".
En av utfordringene ved å ta i bruk et globalt tsunamivarslingssystem er behovet for internasjonal datadeling. Som Constantinou nevner: "Dataene befinner seg ofte hos regjeringer eller kommersielle partnere som driver satellittene. Det finnes ikke ett sted å hente dataene til et globalt system."
Mer om studien
Dette studie kombinerer satellittdata med maskinlæring (ML) for å analysere endringer i jordatmosfæren som utløses av tsunamier.
Selv om det er gjort fremskritt i oppdagelsen av tsunamier i det siste, har mange kystlinjer fortsatt utilstrekkelig dekning fra systemer for tidlig varsling.
Slik fungerer det:
- Forskere har utviklet et AI-basert rammeverk for å identifisere tidlige tegn på tsunamier ved å overvåke ionosfæriske forstyrrelser (TIDs) i jordens ionosfære. Disse forstyrrelsene påvirker det totale elektroninnholdet (TEC), som kan detekteres gjennom det globale satellittnavigasjonssystemet (GNSS).
- Denne tilnærmingen utnytter data fra flere satellittsystemer som GPS, Galileo, GLONASS og BeiDou. Det gir dekning i sanntid på åpent hav, og er et verdifullt supplement til geografiske områder som ikke er tilgjengelige for tradisjonelle bøyebaserte varslingssystemer.
- AI-modellen bruker Convolutional Neural Networks (CNN) som er trent på historiske data fra tsunamiene i Maule i 2010, Tohoku i 2011 og Haida-Gwaii i 2012. Den ble senere validert med data fra Illapel-tsunamien i 2015, og oppnådde en treffsikkerhet på 91,7%.
- Systemet benytter en FPM-strategi (False Positive Mitigation), som reduserer antallet falske alarmer betydelig.
Mange AI-systemer er tatt i bruk for å forutsi miljøkatastrofer, blant annet Googles flomhubsom nylig ble utvidet til å dekke flere regioner.
