Machine learning (ML) maakt de weg vrij voor baanbrekende verbeteringen in de voorspelling van aardbevingen, zowel van primaire bevingen als naschokken.
Drie recente nieuwe artikelen hebben deep learning-modellen gebruikt die, volgens voorlopige bevindingen, de conventionele statistische methoden overtreffen bij het voorspellen van aardbevingen.
Hoewel deze onderzoeken relatief specifiek zijn - voornamelijk het voorspellen van naschokken na een grote seismische gebeurtenis - betekenen ze een sprong voorwaarts in het voorspellen van aardbevingen.
Morgan Page, een seismoloog van de US Geological Survey (USGS) in Pasadena, Californië, toonde zich enthousiast over de vooruitgang en zei: "Ik ben echt blij dat dit eindelijk gebeurt."
Het is echter essentieel om te demystificeren wat aardbevingsvoorspellingen inhouden. Het gaat er niet om de exacte tijd of plaats van een aardbeving aan te geven. Het lang gekoesterde idee om de kracht, locatie en tijd van een beving te voorspellen - vergelijkbaar met "volgende week zondag om 8 uur" - is niet realistisch. - is niet realistisch.
Met behulp van statistische analyses zijn seismologen nu beter in staat om bredere patronen te meten, waaronder het inschatten van mogelijke naschokken.
Deep learning gedijt goed op enorme datasets en voorspelt volgende bevingen op basis van historische aardbevingsgegevens.
Het is echter geen eenvoudige reis geweest, omdat grote aardbevingen relatief zeldzaam zijn en de gegevens schaars.
Over de papieren
Drie recente onderzoeken benadrukken de mogelijkheden van AI bij het voorspellen van aardbevingen:
- Geofysicus Kelian Dascher-Cousineau en een team van UC Berkeley: Ontwierpen een model dat werd getest op de bevingen in Zuid-Californië tussen 2008 en 2021. Hun model overtrof het traditionele model in het voorspellen van het aantal en de magnitude van bevingen gedurende twee weken.
- Statisticus Samuel Stockman van de Universiteit van Bristol: Toen de methode van Stockman werd getraind op de aardbevingsgegevens van Midden-Italië in 2016-17, bleek deze beter te presteren dan conventionele methoden.
- Natuurkundige Yohai Bar-Sinai en een team van de universiteit van Tel Aviv: Dontwikkelden een ander neuraal netwerkmodel dat beter presteerde dan het conventionele model toen het werd getest op drie decennia aan Japanse aardbevingsgegevens. Bar-Sinai gelooft dat dit kan leiden tot een beter begrip van de mechanica van aardbevingen.
De USGS en soortgelijke instanties zullen binnenkort naast traditionele modellen ook modellen voor machinaal leren gaan gebruiken.
Maar ongeacht de nauwkeurigheid van de voorspellingen, blijft het van het grootste belang om je voor te bereiden op bevingen, door ervoor te zorgen dat gebouwen voldoen aan de veiligheidsnormen en dat er altijd noodkits klaarstaan.
Vooruitgang op het gebied van AI ondersteunt milieu- en natuurbehoudstrategieën, zoals het beschermen van de biodiversiteit. Amazone regenwoud en het verbeteren van waarschuwingssystemen voor tsunami's.
