Maskinlæring (ML) baner vei for banebrytende forbedringer innen jordskjelvvarsling, både når det gjelder primærskjelv og etterskjelv.
Tre nye artikler har nylig utnyttet dyplæringsmodeller, som ifølge foreløpige funn overgår konvensjonelle statistiske metoder når det gjelder å forutsi jordskjelv.
Selv om disse studiene er relativt spesifikke - først og fremst når det gjelder å forutsi etterskjelv etter en større seismisk hendelse - innebærer de et sprang innen prediktiv jordskjelvvarsling.
Morgan Page, seismolog ved US Geological Survey (USGS) i Pasadena i California, uttrykte sin begeistring over fremskrittene og sa: "Jeg er veldig glad for at dette endelig skjer."
Det er imidlertid viktig å avmystifisere hva jordskjelvvarsler innebærer. De handler ikke om å fastslå nøyaktig tid eller sted for en seismisk hendelse. Den gamle ideen om å forutsi et jordskjelvs styrke, sted og tid - som å si "neste søndag kl. 08.00" - er ikke realistisk. - er ikke realistisk.
Ved hjelp av statistiske analyser er seismologene nå bedre rustet til å måle bredere mønstre, blant annet ved å anslå potensielle etterskjelv.
Dyp læring trives med massive datasett, og kan forutsi senere skjelv basert på historiske jordskjelvdata.
Det har imidlertid ikke vært noen enkel reise, ettersom store jordskjelv er relativt sjeldne og dataene sparsomme.
Om artiklene
Tre nyere studier fremhever AIs potensial når det gjelder å forutsi jordskjelv:
- Geofysiker Kelian Dascher-Cousineau og et team fra UC Berkeley: Utviklet en modell som ble testet på skjelv i Sør-California mellom 2008 og 2021. Modellen deres overgikk den tradisjonelle modellen når det gjaldt å forutsi antall skjelv og størrelsesordenen på skjelvene i løpet av to uker.
- Statistiker Samuel Stockman fra University of Bristol: Stockmans metode viste overlegen ytelse i forhold til konvensjonelle metoder da den ble trent på jordskjelvdata fra Sentral-Italia i 2016-17.
- Fysiker Yohai Bar-Sinai og et team fra Tel Aviv University: DBar-Sinai har utviklet en ny modell basert på nevrale nettverk som utkonkurrerte den konvensjonelle modellen da den ble testet på japanske jordskjelvdata fra tre tiår. Bar-Sinai mener dette kan føre til en dypere forståelse av jordskjelvmekanikken.
USGS og lignende enheter vil snart ta i bruk maskinlæringsmodeller ved siden av de tradisjonelle.
Men uansett hvor nøyaktige prognosene er, er det fortsatt viktig å forberede seg på jordskjelv, sørge for at bygninger oppfyller sikkerhetsstandardene og at nødpakker alltid er klare.
Fremskritt innen kunstig intelligens støtter miljø- og bevaringsstrategier, inkludert beskyttelse av Regnskogen i Amazonas og forbedring av tsunamivarslingssystemer.
