Os investigadores utilizaram a IA para identificar as alterações na atmosfera terrestre geradas quando as ondas de tsunami se começam a formar no mar.
Este facto poderá aumentar significativamente o tempo de alerta para as comunidades costeiras que enfrentam riscos de tsunamis.
Valentino Constantinou, da Terran Orbital Corporation, sediada na Florida, explica: "Não existe uma rede global para detetar ondas de tsunami e a instalação de hardware físico, como sistemas baseados em bóias, é dispendiosa. Mas sabemos que as pequenas constelações de satélites estão a proliferar por todo o lado".
A velocidade dos sinais produzidos pelos sismos no mar é influenciada pela densidade das partículas carregadas na ionosfera da Terra, que se encontra a cerca de 300 a 350 quilómetros acima da superfície.
Quando um tsunami gera ondas de choque que ascendem à atmosfera, alteram a densidade destas partículas carregadas, levando a modificações ligeiras mas detectáveis nos sinais recebidos pelos satélites.
Investigação anterior conduzido pelo Laboratório de Propulsão a Jato da NASA e pela Universidade Sapienza de Roma, em Itália, conduziu a um método computacional para medir as flutuações na densidade de partículas carregadas devidas a tsunamis.
Com base nisto, Constantinou e a sua equipa converteram os dados, originalmente em formatos unidimensionais, em imagens bidimensionais. Estas imagens foram depois analisadas por modelos de IA para detetar sinais relacionados com tsunamis.
A equipa treinou o seu sistema de IA utilizando dados de três tsunamis específicos induzidos por terramotos: os tsunamis de 2010 no Chile, 2011 no Japão e 2012 no Canadá.
Testaram a eficácia do modelo num quarto tsunami causado pelo terramoto de Illapel, no Chile, em 2015. A IA foi examinada para avaliar a sua capacidade de diferenciar as alterações induzidas pelo tsunami do ruído de fundo ionosférico normal.
Para minimizar os falsos positivos, os investigadores filtraram as perturbações causadas pelas estações terrestres em comunicação com os satélites aéreos.
De acordo com Quentin Brissaud da NORSAR, uma fundação norueguesa de investigação sísmica não ligada ao estudo, esta metodologia produziu "resultados bastante bons" com uma taxa de precisão de deteção superior a 90%. No entanto, Brissaud salientou que seriam necessários mais dados para determinar a fiabilidade deste sistema para diferentes tipos de tsunamis.
Quentin Brissaud observa que "a raridade dos grandes tsunamis torna difícil a análise e a previsão desses acontecimentos".
Um dos desafios na implantação de um sistema global de alerta de tsunamis é a necessidade de partilha internacional de dados. Como refere Constantinou, "os dados são frequentemente detidos por governos ou parceiros comerciais que operam os satélites. Não existe um único local para recolher os dados para um sistema global".
Mais informações sobre o estudo
Este estudo combina dados de satélite com aprendizagem automática (ML) para analisar as alterações na atmosfera terrestre provocadas por tsunamis.
Embora a deteção de tsunamis tenha avançado recentemente, muitas linhas costeiras continuam a ter uma cobertura inadequada dos sistemas de alerta precoce.
Eis como funciona:
- Os investigadores desenvolveram um quadro baseado em IA para identificar sinais precoces de tsunamis através da monitorização de perturbações ionosféricas itinerantes (TID) na ionosfera da Terra. Estas perturbações afectam o conteúdo total de electrões (TEC), que é detetável através do sistema global de navegação por satélite (GNSS).
- Esta abordagem utiliza dados de múltiplos sistemas de satélite como o GPS, Galileo, GLONASS e BeiDou. Oferece cobertura em tempo real em mar aberto, servindo como um suplemento valioso para áreas geográficas não acessíveis pelos sistemas tradicionais de alerta baseados em bóias.
- O modelo de IA utiliza Redes Neuronais Convolucionais (CNN) treinadas em dados históricos dos tsunamis Maule 2010, Tohoku 2011 e Haida-Gwaii 2012. Foi posteriormente validado com dados do tsunami de Illapel de 2015, obtendo uma pontuação de exatidão de 91,7%.
- O sistema utiliza uma estratégia de atenuação de falsos positivos (FPM), que reduz significativamente a taxa de falsos alarmes.
Muitos sistemas de IA estão a ser utilizados para prever catástrofes ambientais, incluindo Centro de inundação da Googleque foi recentemente alargado para abranger mais regiões.
