Sizmologët përdorin mësim të thellë për të parashikuar tërmetet

Për më shumë se 30 vjet, modelet që studiuesit dhe agjencitë qeveritare përdorin për të parashikuar pasgoditjet e tërmeteve kanë mbetur kryesisht të pandryshuara. Ndërsa këto modele të vjetra funksionojnë mirë me të dhëna të kufizuara, ato luftojnë me grupet e mëdha të të dhënave të sizmologjisë që janë tani në dispozicion.

Për të adresuar këtë kufizim, një ekip studiuesish në Universitetin e Kalifornisë, Santa Cruz dhe Universitetin Teknik të Mynihut krijuan një model të ri që përdor mësimin e thellë për të parashikuar pasgoditjet: Parashikimi i tërmeteve të përsëritura (RECAST). Në një punim të botuar sot në Geophysical Research Letters , shkencëtarët tregojnë se si modeli i të mësuarit të thellë është më fleksibël dhe më i shkallëzuar sesa modelet e parashikimit të tërmeteve të përdorura aktualisht.

Modeli i ri e tejkaloi modelin aktual, i njohur si modeli i Sekuencës së Pasgoditjeve të Tipit Epidemik (ETAS), për katalogët e tërmeteve me rreth 10,000 ngjarje e më shumë.

“Qasja e modelit ETAS ishte projektuar për vëzhgimet që kishim në vitet ’80 dhe ’90 kur po përpiqeshim të ndërtonim parashikime të besueshme bazuar në shumë pak vëzhgime,” tha Kelian Dascher-Cousineau, autori kryesor i punimit i cili kohët e fundit përfundoi doktoraturën e tij. .D. në UC Santa Cruz. “Është një peizazh shumë i ndryshëm sot.” Tani, me pajisje më të ndjeshme dhe aftësi më të mëdha për ruajtjen e të dhënave, katalogët e tërmeteve janë shumë më të mëdhenj dhe më të detajuar

“Ne kemi filluar të kemi katalogë me miliona tërmete dhe modeli i vjetër thjesht nuk mund të trajtonte atë sasi të dhënash,” tha Emily Brodsky, një profesore e shkencave të tokës dhe planetare në UC Santa Cruz dhe bashkëautore në letër. Në fakt, një nga sfidat kryesore të studimit nuk ishte dizajnimi i vetë modelit të ri RECAST, por bërja e modelit më të vjetër ETAS për të punuar në grupe të mëdha të dhënash në mënyrë që të krahasohen të dyja.

“Modeli ETAS është disi i brishtë dhe ka shumë mënyra shumë delikate dhe të vështira në të cilat mund të dështojë,” tha Dascher-Cousineau. “Pra, ne shpenzuam shumë kohë duke u siguruar që nuk po ngatërronim standardin tonë në krahasim me zhvillimin aktual të modelit.”

Për të vazhduar aplikimin e modeleve të të mësuarit të thellë për parashikimin e pasgoditjeve, Dascher-Cousineau thotë se fusha ka nevojë për një sistem më të mirë për krahasimin. Për të demonstruar aftësitë e modelit RECAST, grupi fillimisht përdori një model ETAS për të simuluar një katalog tërmetesh. Pasi punuan me të dhënat sintetike, studiuesit testuan modelin RECAST duke përdorur të dhëna reale nga katalogu i tërmeteve të Kalifornisë Jugore.

Ata zbuluan se modeli RECAST – i cili në thelb mund të mësojë se si të mësojë – performoi pak më mirë se modeli ETAS në parashikimin e pasgoditjeve, veçanërisht kur sasia e të dhënave u rrit. Përpjekjet dhe koha llogaritëse ishin gjithashtu dukshëm më të mira për katalogët më të mëdhenj.

Kjo nuk është hera e parë që shkencëtarët përpiqen të përdorin mësimin e makinerive për të parashikuar tërmetet, por deri vonë, teknologjia nuk ishte plotësisht e gatshme, tha Dascher-Cousineau. Përparimet e reja në mësimin e makinerive e bëjnë modelin RECAST më të saktë dhe lehtësisht të adaptueshëm ndaj katalogëve të ndryshëm të tërmeteve.

Fleksibiliteti i modelit mund të hapë mundësi të reja për parashikimin e tërmeteve. Me aftësinë për t’iu përshtatur sasive të mëdha të të dhënave të reja, modelet që përdorin mësim të thellë mund të përfshijnë informacione nga shumë rajone në të njëjtën kohë për të bërë parashikime më të mira për zonat e studiuara dobët.

“Ne mund të jemi në gjendje të stërvitemi në Zelandën e Re, Japoninë, Kaliforninë dhe të kemi një model që është në të vërtetë mjaft i mirë për të parashikuar diku ku të dhënat mund të mos jenë aq të bollshme,” tha Dascher-Cousineau.

Përdorimi i modeleve të mësimit të thellë do t’i lejojë gjithashtu studiuesit të zgjerojnë llojin e të dhënave që përdorin për të parashikuar sizmicitetin.

“Ne jemi duke regjistruar lëvizjen e tokës gjatë gjithë kohës,” tha Brodsky. “Pra, niveli tjetër është të përdorim të gjithë atë informacion, të mos shqetësohemi nëse po e quajmë atë një tërmet apo jo një tërmet, por të përdorim gjithçka.”

Ndërkohë, studiuesit shpresojnë që modeli të ndezë diskutime rreth mundësive të teknologjisë së re.

“Ai ka të gjithë këtë potencial të lidhur me të,” tha Dascher-Cousineau. “Sepse është projektuar në atë mënyrë”.