I modelli utilizzati per più di 30 anni da ricercatori e agenzie governative per prevedere le scosse di assestamento dei terremoti, sono rimasti sostanzialmente invariati. Sebbene questi modelli più vecchi funzionino bene con la quantità di dati limitati, hanno difficoltà con gli enormi set di dati sismologici ora disponibili.
Il team di ricercatori dell’Università della California, Santa Cruz e dell’Università Tecnica di Monaco, per ovviare a questa limitazione ha creato il Recurrent Earthquake foreCAST (RECAST), un nuovo modello che utilizza il deep learning (apprendimento profondo) per prevedere le scosse di assestamento.
Il team di ricercatori nello studio pubblicato nella rivista Geophysical Research Letters, ha evidenziato come il modello di deep learning sia più flessibile e scalabile rispetto ai modelli di previsione dei terremoti attualmente utilizzati.
Il nuovo modello ha sovraperformato il modello attuale, noto come Epidemic Type Aftershock Sequence (ETAS), per cataloghi parametrici di terremoti di circa 10.000 eventi e superiori.
Kelian Dascher-Cousineau, autore principale dello studio, recentemente ha completato il suo dottorato di ricerca presso l’Università della California, Santa Cruz, ha affermato:
«Oggi il panorama è molto diverso, ora, con apparecchiature più sensibili e maggiori capacità di archiviazione dei dati, i cataloghi parametrici dei terremoti sono molto più grandi e dettagliati».
Emily Brodsky, professoressa di scienze della terra e planetarie presso l’Università della California, Santa Cruz, coautrice dello studio, ha affermato:
«Abbiamo iniziato ad avere cataloghi parametrici di milioni di terremoti, il vecchio modello semplicemente non poteva gestire quella enorme quantità di dati».
Lo studio in effetti ha evidenziato che per confrontare i due modelli, una delle sfide principali non è stata progettare il nuovo modello RECAST in sé, ma far sì che il vecchio modello ETAS funzionasse su enormi set di dati.
Kelian Dascher-Cousineau ha affermato:
«Il modello ETAS è piuttosto fragile, presenta modi molto subdoli e complessi in cui può fallire, quindi, abbiamo dedicato molto tempo ad assicurarci di non alterare i nostri parametri di riferimento rispetto allo sviluppo del modello reale».
Il settore per continuare ad applicare i modelli di deep learning alla previsione delle scosse di assestamento, ha bisogno di un sistema migliore per il benchmarking (metodo di valutazione delle competenze di un’organizzazione basato sul confronto con le migliori performance del settore di riferimento).
Il team di ricercatori per dimostrare le capacità del modello RECAST, ha innanzitutto utilizzato un modello ETAS per simulare un catalogo parametrico dei terremoti. I ricercatori dopo aver lavorato con i dati simulati, hanno testato il modello RECAST utilizzando dati reali provenienti dal catalogo parametrico dei terremoti della California meridionale. Hanno scoperto che il modello RECAST (essenzialmente può imparare ad apprendere), si è comportato leggermente meglio del modello ETAS nella previsione delle scosse di assestamento, in particolare con l’aumentare della quantità di dati; anche lo sforzo computazionale e il tempo sono stati significativamente migliori per i cataloghi parametrici dei terremoti più grandi.
I ricercatori hanno evidenziato che non è la prima volta che hanno provato a usare l’apprendimento automatico per prevedere i terremoti.
Kelian Dascher-Cousineau ha affermato:
«Fino a poco tempo fa la tecnologia non era ancora pronta. I nuovi progressi nell’apprendimento automatico rendono il modello RECAST più preciso e facilmente adattabile a diversi cataloghi parametrici dei terremoti».
La flessibilità del modello potrebbe aprire nuove possibilità per la previsione dei terremoti. Grazie alla capacità di adattarsi a grandi quantità di nuovi dati, i modelli che utilizzano il deep learning, potenzialmente potrebbero incorporare contemporaneamente informazioni provenienti da più regioni per fare previsioni migliori su aree poco studiate.
Kelian Dascher-Cousineau ha aggiunto:
«Potremmo essere in grado di fare addestramento sulla Nuova Zelanda, sul Giappone, sulla California e avere un modello che sia effettivamente molto buono per le previsioni in luoghi dove i dati potrebbero non essere così abbondanti».
L’uso di modelli di apprendimento profondo consentirà ai ricercatori di ampliare il tipo di dati utilizzati per la previsione della sismicità.
Emily Brodsky ha affermato:
«Registriamo continuamente il movimento del suolo, quindi il prossimo livello è quello di utilizzare tutte queste informazioni, senza preoccuparci di chiamarlo terremoto o meno».
Il team di ricercatori nel frattempo spera che il modello susciti discussioni sulle possibilità della nuova tecnologia.
Kelian Dascher-Cousineau in conclusione ha detto: «Ha tutto questo potenziale ad esso associato perché è progettato in questo modo».
