Onderzoekers gebruikten AI om veranderingen in de atmosfeer van de aarde te identificeren die ontstaan wanneer tsunamigolven zich op zee gaan vormen.
Dit kan de waarschuwingstijd voor kustgemeenschappen die risico lopen op tsunami's aanzienlijk verlengen.
Valentino Constantinou van het in Florida gevestigde Terran Orbital Corporation legt uit: "Er is geen wereldwijd netwerk voor het detecteren van tsunamigolven en het installeren van fysieke hardware, zoals op boeien gebaseerde systemen, is duur. Maar we weten dat het aantal kleine satellietconstellaties overal toeneemt."
De snelheid van de signalen die worden voortgebracht door aardbevingen op zee wordt beïnvloed door de dichtheid van geladen deeltjes in de ionosfeer van de aarde, die zich ongeveer 300 tot 350 kilometer boven het oppervlak bevindt.
Wanneer een tsunami schokgolven genereert die opstijgen in de atmosfeer, veranderen ze de dichtheid van deze geladen deeltjes, wat leidt tot kleine maar detecteerbare wijzigingen in de signalen die door satellieten worden ontvangen.
Eerder onderzoek uitgevoerd door NASA's Jet Propulsion Laboratory en de Sapienza Universiteit van Rome in Italië leidde tot een rekenmethode om fluctuaties in de dichtheid van geladen deeltjes als gevolg van tsunami's te meten.
Hierop voortbouwend zetten Constantinou en zijn team de gegevens, die oorspronkelijk eendimensionaal waren, om in tweedimensionale beelden. Deze beelden werden vervolgens door AI-modellen geanalyseerd op tekenen die verband houden met tsunami's.
Het team trainde hun AI-systeem met behulp van gegevens van drie specifieke door aardbevingen veroorzaakte tsunami's: de tsunami's in Chili in 2010, in Japan in 2011 en in Canada in 2012.
Ze testten de effectiviteit van het model op een vierde tsunami veroorzaakt door de Illapel aardbeving in Chili in 2015. De AI werd onder de loep genomen om te beoordelen hoe goed deze tsunami-geïnduceerde veranderingen kon onderscheiden van standaard ionosferische achtergrondruis.
Om valse positieven te minimaliseren, filterden de onderzoekers storingen die werden veroorzaakt door grondstations die communiceerden met de satellieten boven hun hoofd.
Volgens Quentin Brissaud van NORSAR, een Noorse stichting voor seismisch onderzoek die niet betrokken is bij het onderzoek, leverde deze methodologie "behoorlijk goede resultaten" op met een detectienauwkeurigheid van meer dan 90%. Brissaud wees er echter op dat er meer gegevens nodig zijn om de betrouwbaarheid van dit systeem voor verschillende soorten tsunami's vast te stellen.
Quentin Brissaud merkt op dat "de zeldzaamheid van enorme tsunami's het een uitdaging maakt om zulke gebeurtenissen te analyseren en te voorspellen".
Een van de uitdagingen bij het opzetten van een wereldwijd waarschuwingssysteem voor tsunami's is de behoefte aan het internationaal delen van gegevens. Zoals Constantinou zegt: "Gegevens zijn vaak in handen van regeringen of commerciële partners die de satellieten beheren. Er is niet één plek om de gegevens voor een wereldwijd systeem te verzamelen."
Meer over het onderzoek
Deze onderzoek combineert satellietgegevens met machine learning (ML) om veranderingen in de atmosfeer van de aarde veroorzaakt door tsunami's te analyseren.
Hoewel de opsporing van tsunami's recentelijk is verbeterd, worden veel kusten nog steeds onvoldoende gedekt door systemen voor vroegtijdige waarschuwing.
Zo werkt het:
- Onderzoekers hebben een AI-gebaseerd raamwerk ontwikkeld om vroege tekenen van tsunami's te identificeren door het monitoren van Traveling Ionospheric Disturbances (TID's) in de ionosfeer van de aarde. Deze verstoringen beïnvloeden de totale elektroneninhoud (TEC), die kan worden gedetecteerd via het wereldwijde satellietnavigatiesysteem (GNSS).
- Deze benadering maakt gebruik van gegevens van meerdere satellietsystemen zoals GPS, Galileo, GLONASS en BeiDou. Het biedt realtime dekking op open zee en vormt een waardevolle aanvulling op geografische gebieden die niet toegankelijk zijn voor traditionele waarschuwingssystemen op basis van boeien.
- Het AI-model maakt gebruik van Convolutional Neural Networks (CNN's) die zijn getraind op historische gegevens van de tsunami's van 2010 Maule, 2011 Tohoku en 2012 Haida-Gwaii. Het werd later gevalideerd met gegevens van de Illapel tsunami van 2015 en behaalde een nauwkeurigheidsscore van 91,7%.
- Het systeem maakt gebruik van een FPM-strategie (False Positive Mitigation), die het aantal valse alarmen aanzienlijk vermindert.
Veel AI-systemen worden ingezet om milieurampen te voorspellen, waaronder Google's overstromingscentrumdat onlangs werd uitgebreid naar meer regio's.
