Strona główna nauka/tech Nowy model sztucznej inteligencji może przewidzieć poważne trzęsienia ziemi na kilka miesięcy...

Nowy model sztucznej inteligencji może przewidzieć poważne trzęsienia ziemi na kilka miesięcy przed ich wystąpieniem

24
0


Trzęsienie ziemi geometria fizyka symulacja ilustracja koncepcja sztuki
Wykorzystując uczenie maszynowe, badacze opracowali sposób przewidywania poważnych trzęsień ziemi poprzez identyfikację wczesnej aktywności sejsmicznej o małej sile, co potencjalnie pozwala na wydawanie kluczowych wczesnych ostrzeżeń. Źródło: SciTechDaily.com

Nowe badania podkreślają potencjał przewidywania poważnych trzęsień ziemi z wielomiesięcznym wyprzedzeniem uczenie maszynowe w celu wykrycia wczesnych oznak aktywności sejsmicznej. Jednakże skuteczność i implikacje etyczne takiej technologii predykcyjnej pozostają przedmiotem debaty.

Badania przeprowadzone przez naukowca z Uniwersytetu Alaski w Fairbanks sugerują, że opinia publiczna może zostać powiadomiona z kilkudniowym lub kilkumiesięcznym wyprzedzeniem przed poważnym trzęsieniem ziemi, w oparciu o identyfikację poprzedzającej go aktywności tektonicznej na niskim poziomie na dużych obszarach. Analiza ta skupiała się na dwóch znaczących trzęsieniach ziemi na Alasce i w Kalifornii.

Prace prowadził adiunkt profesor Társilo Girona z Instytutu Geofizycznego UAF.

Girona, geofizyk i analityk danych, bada przedwczesną aktywność erupcji wulkanów i trzęsień ziemi. Współautorem jest geolog Kyriaki Drymoni z Ludwig-Maximilians-Universität w Monachium w Niemczech.

Metoda wykrywania, oparta na uczeniu maszynowym, została opublikowana 28 sierpnia w Komunikacja przyrodnicza.

„Nasz artykuł pokazuje, że zaawansowane techniki statystyczne, w szczególności uczenie maszynowe, mogą potencjalnie identyfikować prekursory trzęsień ziemi o dużej sile poprzez analizę zbiorów danych pochodzących z katalogów trzęsień ziemi” – stwierdził Girona.

Autorzy napisali algorytm komputerowy do przeszukiwania danych w poszukiwaniu nieprawidłowej aktywności sejsmicznej. Algorytmy to zestaw instrukcji komputerowych, które uczą program interpretowania danych, uczenia się na ich podstawie oraz podejmowania świadomych przewidywań i decyzji.

Studia przypadków: Trzęsienia ziemi w Anchorage i Ridgecrest

Skoncentrowali się na dwóch głównych trzęsieniach ziemi: trzęsieniu ziemi o sile 7,1 w Anchorage w 2018 r. i trzęsieniu ziemi w Ridgecrest w Kalifornii w 2019 r. o sile od 6,4 do 7,1 stopnia.

Odkryli, że przed każdym z dwóch badanych trzęsień ziemi na obszarze około 15–25% południowo-środkowej Alaski i południowej Kalifornii wystąpiło około trzech miesięcy nieprawidłowej regionalnej aktywności sejsmicznej o małej sile.

Z ich badań wynika, że ​​niepokoje poprzedzające poważne trzęsienia ziemi są w większości spowodowane aktywnością sejsmiczną o sile poniżej 1,5.

Trzęsienie ziemi w Anchorage miało miejsce 30 listopada 2018 r. o godzinie 8:29, a epicentrum znajdowało się około 17,5 mil na północ od miasta. Spowodowało rozległe zniszczenia na niektórych drogach i autostradach, a kilka budynków zostało uszkodzonych.

Ustalenia i implikacje

Korzystając ze swojego programu opartego na danych, Girona i Drymoni odkryli w przypadku trzęsienia ziemi w Anchorage, że prawdopodobieństwo wystąpienia poważnego trzęsienia ziemi w ciągu maksymalnie 30 dni wzrosło gwałtownie do około 80% na około trzy miesiące przed trzęsieniem ziemi, które miało miejsce 30 listopada. Prawdopodobieństwo wzrosło do około 85% zaledwie kilka dni przed wystąpieniem. Dokonali podobnych ustaleń dotyczących prawdopodobieństwa sekwencji trzęsień ziemi w Ridgecrest w okresie rozpoczynającym się około 40 dni przed wystąpieniem sekwencji trzęsień.

Girona i Drymoni proponują geologiczną przyczynę aktywności prekursorów o małej sile: znaczny wzrost ciśnienia płynu w porach w obrębie uskoku.

Ciśnienie płynu w porach odnosi się do ciśnienia płynu w skale. Wysokie ciśnienie płynu w porach może potencjalnie prowadzić do poślizgu uskoku, jeśli ciśnienie jest wystarczające do pokonania oporu tarcia pomiędzy blokami skalnymi po obu stronach uskoku.

„Zwiększone ciśnienie płynu porowego w uskokach, które prowadzi do poważnych trzęsień ziemi, zmienia właściwości mechaniczne uskoków, co z kolei prowadzi do nierównych zmian w regionalnym polu naprężeń” – powiedział Drymoni. „Proponujemy, aby te nierówne różnice… kontrolowały nienormalną, przedwczesną aktywność sejsmiczną o małej wielkości”.

Girona stwierdziła, że ​​uczenie maszynowe ma ogromny pozytywny wpływ na badania nad trzęsieniami ziemi.

„Nowoczesne sieci sejsmiczne tworzą ogromne zbiory danych, które odpowiednio przeanalizowane mogą dostarczyć cennych informacji na temat prekursorów zdarzeń sejsmicznych” – powiedział. „W tym miejscu postęp w uczeniu maszynowym i obliczeniach o wysokiej wydajności może odegrać rolę transformacyjną, umożliwiając naukowcom identyfikację znaczących wzorców, które mogą sygnalizować zbliżające się trzęsienie ziemi”.

Wyzwania w prognozowaniu trzęsień ziemi

Autorzy twierdzą, że ich algorytm będzie testowany w sytuacjach zbliżonych do rzeczywistego, aby zidentyfikować i stawić czoła potencjalnym wyzwaniom w prognozowaniu trzęsień ziemi. Metody tej nie należy stosować w nowych regionach bez przeszkolenia algorytmu z uwzględnieniem historycznej aktywności sejsmicznej tego obszaru – dodają.

Tworzenie wiarygodnych prognoz dotyczących trzęsień ziemi ma „niezwykle ważny i często kontrowersyjny wymiar” – stwierdziła Girona.

„Dokładne prognozowanie może uratować życie i zmniejszyć straty gospodarcze, zapewniając wczesne ostrzeżenia, które pozwalają na szybką ewakuację i przygotowanie” – stwierdził. „Jednak niepewność nieodłącznie związana z prognozowaniem trzęsień ziemi rodzi również istotne pytania etyczne i praktyczne”.

„Fałszywe alarmy mogą prowadzić do niepotrzebnej paniki, zakłóceń gospodarczych i utraty zaufania publicznego, natomiast niezrealizowane prognozy mogą mieć katastrofalne skutki” – stwierdził.

Odniesienie: „Anormalna sejsmiczność o małej magnitudzie poprzedzająca trzęsienia ziemi o dużej magnitudzie” Társilo Girona i Kyriaki Drymoni, 28 sierpnia 2024 r., Komunikacja przyrodnicza.
DOI: 10.1038/s41467-024-51596-z



Link źródłowy