Исследователи использовали искусственный интеллект, чтобы определить изменения в атмосфере Земли, возникающие при формировании волн цунами в море.
Это может значительно увеличить время оповещения прибрежных сообществ, подверженных риску цунами.
Валентино Константиноу из флоридской компании Terran Orbital Corporation объясняет: "Глобальной сети для обнаружения волн цунами не существует, а установка физического оборудования, например систем на основе буев, стоит дорого. Но мы знаем, что небольшие спутниковые группировки просто разрастаются повсюду".
Скорость распространения сигналов, создаваемых землетрясениями в море, зависит от плотности заряженных частиц в ионосфере Земли, которая находится на высоте около 300-350 километров над поверхностью.
Когда цунами создает ударные волны, поднимающиеся в атмосферу, они изменяют плотность этих заряженных частиц, что приводит к незначительным, но заметным изменениям в сигналах, принимаемых спутниками.
Предыдущее исследование В результате работы Лаборатории реактивного движения НАСА и Римского университета Сапиенца (Италия) был разработан вычислительный метод измерения флуктуаций плотности заряженных частиц, вызванных цунами.
Основываясь на этом, Константину и его команда преобразовали данные, первоначально представленные в одномерном формате, в двухмерные изображения. Затем эти изображения были проанализированы моделями искусственного интеллекта на предмет наличия признаков, связанных с цунами.
Команда обучила свою систему искусственного интеллекта, используя данные о трех конкретных цунами, вызванных землетрясениями: чилийском 2010 года, японском 2011 года и канадском 2012 года.
Они проверили эффективность модели на четвертом цунами, вызванном землетрясением Иллапель в Чили в 2015 году. ИИ тщательно изучался на предмет того, насколько хорошо он может отличить изменения, вызванные цунами, от стандартного фонового шума в ионосфере.
Чтобы свести к минимуму количество ложных срабатываний, исследователи отфильтровали помехи, вызванные наземными станциями, поддерживающими связь с пролетающими спутниками.
По словам Квентина Бриссо из норвежского фонда сейсмических исследований NORSAR, не имеющего отношения к исследованию, эта методология дала "довольно хорошие результаты" с показателем точности обнаружения, превышающим 90%. Однако Бриссо отметил, что для определения надежности этой системы для различных типов цунами потребуется больше данных.
Квентин Бриссо отмечает, что "редкость огромных цунами затрудняет анализ и прогнозирование таких событий".
Одной из проблем, связанных с развертыванием глобальной системы предупреждения о цунами, является необходимость международного обмена данными. Как отмечает Константиноу, "данные часто хранятся у правительств или коммерческих партнеров, управляющих спутниками. Нет единого места, где можно было бы собрать данные для глобальной системы".
Подробнее об исследовании
Это исследование Сочетание спутниковых данных и машинного обучения (ML) позволяет анализировать изменения в атмосфере Земли, вызванные цунами.
Несмотря на то, что в последнее время удалось добиться значительных успехов в обнаружении цунами, многие побережья все еще не имеют достаточного охвата системами раннего предупреждения.
Вот как это работает:
- Исследователи разработали систему на основе искусственного интеллекта для выявления ранних признаков цунами путем мониторинга перемещающихся ионосферных возмущений (TID) в ионосфере Земли. Эти возмущения влияют на общее содержание электронов (TEC), которое можно определить с помощью Глобальной навигационной спутниковой системы (GNSS).
- Этот подход использует данные от нескольких спутниковых систем, таких как GPS, Galileo, ГЛОНАСС и BeiDou. Он обеспечивает покрытие открытого океана в режиме реального времени, служа ценным дополнением к географическим районам, недоступным для традиционных систем предупреждения на основе буев.
- В модели искусственного интеллекта используются конволюционные нейронные сети (CNN), обученные на исторических данных о цунами 2010 года в Мауле, 2011 года в Тохоку и 2012 года в Хайда-Гвайи. Позже она была проверена на данных о цунами в Иллапеле в 2015 году, и ее точность составила 91,7%.
- В системе используется стратегия False Positive Mitigation (FPM), которая значительно снижает количество ложных срабатываний.
Многие системы искусственного интеллекта используются для прогнозирования экологических катастроф, в том числе Google's Flood HubНедавно он был расширен, чтобы охватить больше регионов.
