Prognostické modely trénované na veľkých súboroch dát zo zemetrasení dokážu lepšie odhadnúť počet dotrasov ako bežne používané modely.
Záber ukazuje dôsledky zemetrasenia, ktoré zasiahlo San Francisco 18. apríla 1906. Bolo ho cítiť od južného Oregonu až po juh Los Angeles a vo vnútrozemí až po strednú časť Nevady. Správa, ktorú o zemetrasení vypracoval kanadský geológ škótskeho pôvodu Andrew Cowper Lawson, tzv. Lawson report (1908), patrí medzi základné štúdie o jednom zemetrasení a začala vek moderného vedeckého skúmania zlomového systému San Andreas v Kalifornii. Ilustračný obrázok. Zdroj: Wikimedia Commons
Seizmológom sa podaril posun vo využití strojového učenia na zlepšenie predpovedania rizika zemetrasení. Informujú o tom najnovšie štúdie uverejnené v časopisoch Journal of Geophysical Research: Advancing Earth And Space Sciences a Nature. Výsledky štúdií ukázali, že modely hĺbkového a strojového učenia boli pri predpovedaní zemetrasení úspešnejšie ako bežne používaný model na najvyššej technickej úrovni.
Spomínané štúdie ukazujú, aké možnosti sa seizmológom otvárajú vďaka využitiu strojového učenia. Vzhľadom na to, že sa vedci snažia neustále zlepšovať svoje predpovede, ide v tejto oblasti o významný pokrok. Morgan Page, seizmológ z Úradu pre geologický prieskum Spojených štátov amerických (U. S. Geological Survey, USGS), ktorý na výskumoch neparticipoval, na margo štúdií uviedol: „Som nadšený, že sa konečne niečo pohlo.“
Zlepšenie vďaka neurónovej sieti
Súčasné predpovede Úradu pre geologický prieskum Spojených štátov amerických (U. S. Geological Survey, USGS) využívajú model, ktorý sa pri predpovedaní možných ďalších zemetrasení spolieha na základné informácie o magnitúdach a miestach predchádzajúcich zemetrasení.
Tri najnovšie štúdie používajú prístup založený na neurónovej sieti, v ktorom sa výpočty aktualizujú v každom kroku analýzy, aby sa lepšie zachytili zložité vzorce výskytu zemetrasení. Výsledky sú zatiaľ len predbežné a ako uvádza portál Spektrum der Wissenschaft, „pravdepodobne ich bude možné uplatniť len v určitých situáciách, napríklad na vyhodnotenie rizika následných dotrasov po tom, ako udrie veľké zemetrasenie“.
Predpoveď zemetrasenia nie je ako predpoveď počasia
Predpovede zemetrasení neposkytujú presné údaje o sile, mieste ani čase. Štatistické metódy pomáhajú seizmológom pochopiť všeobecnejšie trendy, napríklad koľko dotrasov možno očakávať v dňoch a týždňoch nasledujúcich po silnom zemetrasení. Agentúry, ako je napríklad kalifornský Úrad pre geologický prieskum Spojených štátov amerických, uverejňujú takéto prognózy dotrasov, aby varovali ľudí v oblastiach postihnutých zemetrasením pred ďalšími možnými otrasmi.
Štúdia Kalifornskej univerzity v Berkeley
Štúdia Using Deep Learning for Flexible and Scalable Earthquake Forecasting (Využitie hĺbkového učenia na flexibilné a škálovateľné predpovedanie zemetrasení) opisuje využitie modelu hĺbkového učenia s názvom Recurrent Earthquake foreCAST (RECAST), ktorý je založený na nedávnom vývoji v oblasti neurónových časových bodových procesov. Model umožňuje prístup k väčšiemu objemu a rozmanitosti pozorovaní zemetrasení, čím prekonáva teoretické a výpočtové obmedzenia tradičných prístupov.
Geofyzik Kelian Dascher-Cousineau z Kalifornskej univerzity v Berkeley a jeho kolegovia testovali svoj model na databáze obsahujúcej údaje o tisíckach zemetrasení, ktoré sa vyskytli v južnej Kalifornii v rokoch 2008 až 2021. Ich model dosiahol lepšie výsledky ako štandardný model pri predpovedaní počtu zemetrasení „v kĺzavých dvojtýždňových obdobiach“. Bol tiež schopný lepšie reprezentovať celý rozsah magnitúd možných zemetrasení. Znížila sa tak pravdepodobnosť prekvapenia z veľkého zemetrasenia.
Štúdia Bristolskej univerzity
Cieľom ďalšej štúdie Forecasting the 2016 – 2017 Central Apennines Earthquake Sequence With a Neural Point Process (Predpovedanie zemetrasenia v stredných Apeninách v rokoch 2016 – 2017 pomocou neurónového bodového procesu) je porovnanie najpoužívanejšieho prognostického modelu následných otrasov v krátkych časových horizontoch dní až týždňov (Epidemic-Type Aftershock Sequence, ETAS) založeného na bodových procesoch s vylepšeným modelom, ktorý využíva pokroky v oblasti strojového učenia používajúc neurónové siete na zvýšenie expresivity bodových procesov.
Metóda, ktorú vyvinul štatistik Samuel Stockman na Bristolskej univerzite, podľa všetkého funguje. Stockman a jeho tím trénovali svoj model na údajoch z databázy zemetrasení, ktoré zasiahli oblasť stredného Talianska v rokoch 2016 až 2017 a poškodili niekoľko miest. Keď výskumníci znížia silu zemetrasení v trénovacej skupine, „začne model strojového učenia lepšie fungovať“, uviedol Stockman.
Štúdia Univerzity v Tel Avive
Tretia štúdia A neural encoder for earthquake rate forecasting (Neurónový kódovač na predpovedanie frekvencie zemetrasení) bola uverejnená v renomovanom časopise Nature. Zaoberá sa vývojom univerzálneho neurónového kódovača katalógov zemetrasení, ktorý vedci aplikovali „na základný problém predpovedania frekvencie zemetrasení v rámci priestorovo-časového bodového procesu“. Model s využitím neurónových sietí vyvinul tím z Univerzity v Tel Avive, ktorý viedol fyzik Yohai Bar-Sinai. Vedci ho testovali na údajoch zemetrasení, ktoré zasiahli Japonsko v časovom pásme 30 rokov. V porovnaní so štandardne používaným modelom dosiahol lepšie výsledky. Podľa Bar-Sinaia by táto práca mohla priniesť poznatky o základnej fyzike zemetrasení.
„Existuje nádej, že lepšie pochopíme základné mechanizmy – čo spúšťa zemetrasenia a čo určuje ich silu.“ Yohai Bar-Sinai, fyzik
Pozrite si
Nejde o všeliek
Podľa Leily Mizrahiovej, seizmologičky zo Švajčiarskeho federálneho technologického inštitútu v Zürichu, sú všetky tri modely „sľubné do určitej miery“. V súčasnej podobe nie sú prevratné, ale ukazujú potenciál na zavedenie prístupov strojového učenia do rutinných postupov predpovedania zemetrasení.
„Určite to nie je všeliek,“ dodáva Maximilian Werner, seizmológ z Bristolskej univerzity, ktorý spolupracuje so Stockmanom. Werner sa však domnieva, že strojové učenie sa v najbližších rokoch postupne začlení do oficiálnych predpovedí zemetrasení, pretože je mimoriadne vhodné na prácu s obrovskými súbormi dát o zemetraseniach, ktoré sú čoraz bežnejšie.
Budúcnosť predpovedí
Inštitúcie, ako je Úrad pre geologický prieskum Spojených štátov amerických, pravdepodobne v dohľadnej budúcnosti začnú popri svojich štandardných modeloch používať aj modely strojového učenia. Ďalším krokom by mohol byť úplný prechod na využívanie metódy strojového učenia, ak sa ukáže, že je lepšia, hovorí seizmológ Morgan Page z Úradu pre geologický prieskum Spojených štátov amerických. To by mohlo zlepšiť predpovede všade tam, kde sa následné otrasy vyskytujú nepredvídateľne a ovplyvňujú životy ľudí celé mesiace, ako to bolo v Taliansku v rokoch 2016 – 2017.
Modely by sa mohli použiť aj na zlepšenie predpovedí po veľkých zemetraseniach, ako bolo zemetrasenie s magnitúdom 7,7 v turecko-sýrskom pohraničí vo februári tohto roka, pri ktorom zahynulo okolo 50 000 ľudí a po ktorom nasledovali početné dotrasy, alebo zriedkavé zemetrasenie s magnitúdom 6,8 v Maroku v septembri 2023, ktoré zabilo tisíce ľudí.
Napriek tomu výskumníci ako geofyzik Dascher-Cousineau z Kalifornskej univerzity v Berkeley varujú pred prílišným spoliehaním sa na tieto zatiaľ ešte nové modely. „V konečnom dôsledku je najdôležitejšia pripravenosť na zemetrasenie,“ hovorí. „Musíme naďalej dbať na to, aby boli naše budovy odolné voči zemetraseniam. Nemôžeme upustiť od osvedčených stratégií len preto, že máme lepší model na ich predpovedanie.“
Zdroj: Spektrum.de, tagesschau.de, AGU (1, 2), Nature, USGS (1, 2)
(zh)
