Ricercatori sviluppano un modello di deep learning che potrebbe rivoluzionare la previsione dei terremoti

È emerso un progresso rivoluzionario nella previsione delle scosse di assestamento dei terremoti che potrebbe cambiare radicalmente il modo in cui prevediamo l’attività sismica.

sismografo — A differenza dei modelli tradizionali come il modello Epidemic Aftershock Sequence (ETAS), il nuovo RECAST eccelle nella gestione di grandi set di dati sismici.

L’Università della California ha sviluppato una svolta rivoluzionaria nella previsione delle scosse di assestamento dei terremoti che potrebbe cambiare radicalmente il modo in cui gli scienziati prevedono l’attività sismica in futuro. Chiamato Recurrent Earthquake ForeCAST (RECAST), il nuovo modello innovativo utilizza il deep learning per prevedere le scosse di assestamento. E a differenza dei modelli tradizionali, come il modello Epidemic Type Aftershock Sequence (ETAS), RECAST eccelle nella gestione di grandi set di dati sismici.

Si ritiene che le capacità di deep learning del modello apriranno la strada all’uso di varie fonti di dati nella previsione sismica.

Il modello ETAS venne progettato in un'epoca in cui le osservazioni erano scarse, il che lo rende meno adattabile ai vasti e dettagliati cataloghi dei terremoti odierni. Oggi, la moderna archiviazione dei dati e le apparecchiature sensibili hanno portato a cataloghi di milioni di terremoti, travolgendo il modello precedente. La superiorità del modello RECAST risiede nella sua capacità di gestire con facilità questi grandi set di dati.

Simulazione delle scosse di assestamento di un terremoto

Per testare l'efficacia del modello, i ricercatori hanno simulato i cataloghi dei terremoti con un modello ETAS, quindi hanno testato il modello RECAST con dati reali provenienti dal catalogo dei terremoti della California meridionale. Hanno scoperto che con l’aumento del volume dei dati, il modello RECAST ad apprendimento continuo ha superato di gran lunga l’ETAS nella previsione delle scosse di assestamento. Richiedeva inoltre meno sforzo computazionale e tempo per set di dati più grandi.

dati sismici — Si ritiene che le capacità di deep learning del modello apriranno la strada all’uso di diverse fonti di dati nella previsione sismica e, in definitiva, trarranno vantaggio dalle registrazioni continue del movimento del suolo.

Negli ultimi anni l’apprendimento automatico è stato utilizzato per la previsione dei terremoti, ma finora ha mostrato dei limiti. Tuttavia, i recenti progressi nell’apprendimento automatico hanno assicurato che RECAST è più accurato e adattabile, rendendolo un’opzione più realistica per gli scienziati.

Pertanto, i ricercatori ritengono che la flessibilità del modello apra nuove strade per la previsione, mettendo potenzialmente in comune le informazioni provenienti da più regioni per migliorare le previsioni nelle aree meno studiate.

Si ritiene che le capacità del modello di deep learning apriranno la strada all’uso di diverse fonti di dati nella previsione sismica e, in definitiva, trarranno vantaggio dalle registrazioni continue del movimento del suolo. Inoltre, i ricercatori ritengono che il potenziale di RECAST potrebbe rivoluzionare la previsione dei terremoti e ispirare discussioni sulle sue applicazioni future, il che potrebbe aiutare a salvare vite umane.