Forskare använde AI för att identifiera förändringar i jordens atmosfär som genereras när tsunamivågor börjar bildas till havs.
Detta kan avsevärt förlänga varningstiden för kustsamhällen som riskerar att drabbas av tsunamis.
Valentino Constantinou från Florida-baserade Terran Orbital Corporation förklarar: "Det finns inget globalt nätverk för att upptäcka tsunamivågor och det är dyrt att installera fysisk hårdvara, som bojbaserade system. Men vi vet att små satellitkonstellationer sprider sig överallt."
Hastigheten på signalerna från jordbävningar till havs påverkas av tätheten av laddade partiklar i jordens jonosfär, som befinner sig cirka 300 till 350 kilometer ovanför jordytan.
När en tsunami genererar chockvågor som stiger upp i atmosfären, ändrar de densiteten hos dessa laddade partiklar, vilket leder till små men detekterbara förändringar i de signaler som tas emot av satelliter.
Tidigare forskning som genomfördes av NASA:s Jet Propulsion Laboratory och Sapienza University of Rome i Italien ledde till en beräkningsmetod för att mäta fluktuationer i laddade partiklars densitet på grund av tsunamier.
Med utgångspunkt i detta konverterade Constantinou och hans team data, som ursprungligen var i endimensionella format, till tvådimensionella bilder. Dessa bilder analyserades sedan av AI-modeller för att hitta tecken relaterade till tsunamis.
Teamet tränade sitt AI-system med hjälp av data från tre specifika jordbävningsinducerade tsunamier: tsunamierna i Chile 2010, Japan 2011 och Kanada 2012.
De testade modellens effektivitet på en fjärde tsunami som orsakades av jordbävningen Illapel i Chile 2015. AI:n granskades för att bedöma hur väl den kunde skilja tsunami-inducerade förändringar från standardjonosfäriskt bakgrundsbrus.
För att minimera antalet falska positiva signaler filtrerade forskarna bort störningar som orsakades av markstationer som kommunicerade med de ovanliggande satelliterna.
Enligt Quentin Brissaud från NORSAR, en norsk seismisk forskningsstiftelse som inte är kopplad till studien, gav denna metod "ganska bra resultat" med en detekteringsnoggrannhet på över 90%. Brissaud påpekade dock att det skulle behövas mer data för att fastställa systemets tillförlitlighet för olika typer av tsunamis.
Quentin Brissaud konstaterar att "det faktum att stora tsunamis är sällsynta gör det svårt att analysera och förutse sådana händelser".
En av utmaningarna med att införa ett globalt tsunamivarningssystem är behovet av internationell datadelning. Som Constantinou nämner: "Data innehas ofta av regeringar eller kommersiella partners som driver satelliterna. Det finns ingen plats där man kan hämta data för ett globalt system."
Mer om studien
Detta studie kombinerar satellitdata med maskininlärning (ML) för att analysera förändringar i jordens atmosfär som utlöses av tsunamis.
Även om upptäckten av tsunamier har förbättrats på senare tid, har många kustlinjer fortfarande otillräcklig täckning från tidiga varningssystem.
Så här fungerar det:
- Forskare har utvecklat ett AI-baserat ramverk för att identifiera tidiga tecken på tsunamis genom att övervaka TIDs (Traveling Ionospheric Disturbances) i jordens jonosfär. Dessa störningar påverkar det totala elektroninnehållet (TEC), vilket kan upptäckas via det globala satellitnavigeringssystemet (GNSS).
- Denna metod utnyttjar data från flera satellitsystem som GPS, Galileo, GLONASS och BeiDou. Det ger täckning i realtid över öppet hav och fungerar som ett värdefullt komplement till geografiska områden som inte nås av traditionella bojbaserade varningssystem.
- AI-modellen använder CNN (Convolutional Neural Networks) som tränats på historiska data från tsunamierna i Maule 2010, Tohoku 2011 och Haida-Gwaii 2012. Den validerades senare med data från tsunamin i Illapel 2015 och uppnådde en träffsäkerhet på 91,7%.
- Systemet använder sig av en FPM-strategi (False Positive Mitigation) som avsevärt minskar antalet falsklarm.
Många AI-system används för att förutse miljökatastrofer, bland annat Googles översvämningshubsom nyligen utvidgades till att omfatta fler regioner.
