Maskininlärning (ML) banar väg för banbrytande förbättringar av jordbävningsprognoser, inklusive både primära skalv och efterskalv.
I tre nya artiklar har man utnyttjat modeller för djupinlärning, som enligt preliminära resultat överträffar konventionella statistiska metoder när det gäller att förutsäga jordbävningar.
Även om dessa studier är relativt specifika - i första hand förutsägelser av efterskalv efter en större seismisk händelse - innebär de ett stort steg framåt för prediktiva jordbävningsprognoser.
Morgan Page, seismolog från US Geological Survey (USGS) i Pasadena, Kalifornien, uttryckte sin entusiasm över framstegen och sa: "Jag är verkligen glad över att det här äntligen händer."
Det är dock viktigt att avmystifiera vad jordbävningsprognoser innebär. De handlar inte om att fastställa en seismisk händelses exakta tid eller plats. Den gamla idén om att förutsäga en jordbävnings magnitud, plats och tid - ungefär som att säga "nästa söndag kl. 8.00" - är inte realistisk.
Med hjälp av statistiska analyser är seismologerna nu bättre rustade för att bedöma bredare mönster, inklusive att uppskatta potentiella efterskalv.
Deep learning trivs med massiva datamängder och kan förutsäga kommande jordbävningar baserat på historiska jordbävningsdata.
Det har dock inte varit en okomplicerad resa, eftersom stora jordbävningar är relativt sällsynta och uppgifterna är knapphändiga.
Om tidningarna
Tre nyligen genomförda studier lyfta fram AI:s potential när det gäller att förutsäga jordbävningar:
- Geofysikern Kelian Dascher-Cousineau och ett team från UC Berkeley: Utformade en modell som testades på jordbävningar i södra Kalifornien mellan 2008 och 2021. Deras modell överträffade den traditionella när det gällde att förutsäga antalet skalv och magnituden på dem under två veckor.
- Statistiker Samuel Stockman från University of Bristol: Stockmans metod, när den tränades på jordbävningsdata från centrala Italien under 2016-17, uppvisade överlägsen prestanda jämfört med konventionella metoder.
- Fysikern Yohai Bar-Sinai och ett team från Tel Aviv University: Dhar utvecklat en ny modell med neurala nätverk som överträffade den konventionella modellen när den testades på data från tre decennier av japanska jordbävningar. Bar-Sinai tror att detta kan leda till en djupare förståelse av jordbävningsmekanik.
USGS och liknande enheter kommer snart att använda maskininlärningsmodeller vid sidan av de traditionella.
Men oavsett hur exakta prognoserna är är det fortfarande viktigt att förbereda sig för jordbävningar, se till att byggnader uppfyller säkerhetsstandarder och att nödutrustning alltid är redo.
Framsteg inom AI stöder miljö- och bevarandestrategier, inklusive skydd av Amazonas regnskog och förbättra varningssystem för tsunami.
