Машинное обучение (ML) прокладывает путь к революционным улучшениям в прогнозировании землетрясений, включая как первичные, так и афтершоки.
В трех последних работах были использованы модели глубокого обучения, которые, по предварительным данным, превосходят традиционные статистические методы в предсказании землетрясений.
Несмотря на то, что эти исследования носят относительно специфический характер - в первую очередь предсказание афтершоков после крупного сейсмического события, - они означают скачок в прогностическом прогнозировании землетрясений.
Морган Пейдж, сейсмолог из Геологической службы США (USGS) в Пасадене, штат Калифорния, выразила свой энтузиазм по поводу прогресса, заявив: "Я очень рада, что это наконец-то происходит".
Однако необходимо разъяснить, что собой представляют прогнозы землетрясений. Речь не идет о точном определении времени или места сейсмического события. Давняя идея предсказать магнитуду, место и время землетрясения - все равно что сказать: "В следующее воскресенье в 8 утра". - не является реалистичной.
Напротив, с помощью статистического анализа сейсмологи теперь лучше подготовлены к определению более широких закономерностей, включая оценку потенциальных афтершоков.
Глубокое обучение работает с огромными массивами данных, предсказывая последующие землетрясения на основе исторических данных о землетрясениях.
Однако этот путь не был простым, поскольку сильные землетрясения случаются относительно редко, а данные о них скудны.
О газетах
Три последние исследования подчеркивают потенциал ИИ в предсказании землетрясений:
- Геофизик Келиан Дашер-Кузино и команда из Калифорнийского университета в Беркли: Разработали модель, проверенную на землетрясениях в Южной Калифорнии в период с 2008 по 2021 год. Модель превзошла традиционную в предсказании количества и магнитуды землетрясений в течение двух недель.
- Статистик Сэмюэл Стокман из Бристольского университета: Метод Стокмана, отработанный на данных о землетрясениях в центральной Италии в 2016-17 годах, продемонстрировал превосходство над традиционными методами.
- Физик Йохай Бар-Синай и команда из Тель-Авивского университета: Dразработали еще одну нейросетевую модель, которая превзошла обычную модель при тестировании на данных о землетрясениях в Японии за три десятилетия. Бар-Синай считает, что это может привести к более глубокому пониманию механики землетрясений.
Геологическая служба США и другие подобные организации вскоре начнут использовать модели машинного обучения наряду с традиционными.
Тем не менее, независимо от точности прогноза, по-прежнему важно готовиться к землетрясениям, обеспечивая соответствие зданий стандартам безопасности и наличие аварийных комплектов наготове.
Достижения в области искусственного интеллекта поддерживают экологические и природоохранные стратегии, включая защиту Тропические леса Амазонки и укрепление системы предупреждения о цунами.
