Više od 30 godina, modeli koje istraživači i vladine agencije koriste za predviđanje naknadnih potresa ostali su uglavnom nepromenjeni. Iako ovi stariji modeli dobro funkcionišu sa ograničenim podacima, oni se bore sa ogromnim skupovima seizmoloških podataka koji su sada dostupni.
Da bi rešio ovo ograničenje, tim istraživača sa Univerziteta u Kaliforniji, Santa Kruz i Tehničkog univerziteta u Minhenu kreirao je novi model koji koristi duboko učenje za predviđanje naknadnih potresa: prognozu ponavljanih zemljotresa (RECAST). U radu objavljenom danas u Geophisical Research Letters, naučnici pokazuju kako je model dubokog učenja fleksibilniji i skalabilniji od modela za predviđanje zemljotresa koji se trenutno koriste.
Novi model je nadmašio trenutni model, poznat kao model sekvence poslepotresa epidemičkog tipa (ETAS), za kataloge zemljotresa od oko 10.000 događaja i više.
„Pristup ETAS modela je dizajniran za zapažanja koja smo imali 80-ih i 90-ih kada smo pokušavali da izgradimo pouzdane prognoze na osnovu vrlo malo zapažanja“, rekao je Kelian Dascher-Cousineau, vodeći autor rada koji je nedavno završio doktorat .D. na UC Santa Cruz. „Danas je veoma drugačiji pejzaž.“ Sada, sa osetljivijom opremom i većim mogućnostima skladištenja podataka, katalozi zemljotresa su mnogo veći i detaljniji
„Počeli smo da imamo milionske kataloge zemljotresa, a stari model jednostavno nije mogao da podnese tu količinu podataka“, rekla je Emili Brodski, profesor nauka o Zemlji i planetama na UC Santa Cruz i koautor rada. U stvari, jedan od glavnih izazova studije nije bio dizajniranje samog novog modela RECAST, već navođenje starijeg ETAS modela da radi na ogromnim skupovima podataka kako bi se uporedili ova dva.
„ETAS model je na neki način krhak i ima mnogo veoma suptilnih i finih načina na koje može da propadne“, rekao je Dašer-Kuzino. „Dakle, proveli smo dosta vremena kako bismo bili sigurni da ne pokvarimo naše merilo u poređenju sa stvarnim razvojem modela.“
Da bi nastavio da primenjuje modele dubokog učenja na predviđanje naknadnih potresa, Dascher-Cousineau kaže da je ovom polju potreban bolji sistem za benchmarking. Da bi demonstrirala mogućnosti RECAST modela, grupa je prvo koristila ETAS model za simulaciju kataloga zemljotresa. Nakon rada sa sintetičkim podacima, istraživači su testirali model RECAST koristeći stvarne podatke iz kataloga zemljotresa u Južnoj Kaliforniji.
Otkrili su da je model RECAST – koji u suštini može naučiti kako da uči – pokazao nešto bolje od ETAS modela u predviđanju naknadnih potresa, posebno kada se količina podataka povećala. Računski napor i vreme su takođe bili znatno bolji za veće kataloge.
Ovo nije prvi put da su naučnici pokušali da koriste mašinsko učenje za predviđanje zemljotresa, ali donedavno tehnologija nije bila sasvim spremna, rekao je Dascher-Cousineau. Novi napredak u mašinskom učenju čini model RECAST preciznijim i lako prilagodljivim različitim katalozima zemljotresa.
Fleksibilnost modela mogla bi da otvori nove mogućnosti za predviđanje zemljotresa. Sa sposobnošću da se prilagode velikim količinama novih podataka, modeli koji koriste duboko učenje mogu potencijalno da inkorporiraju informacije iz više regiona odjednom kako bi napravili bolje prognoze o slabo proučavanim oblastima.
„Možda bismo mogli da treniramo na Novom Zelandu, Japanu, Kaliforniji i da imamo model koji je zapravo prilično dobar za predviđanje negde gde podaci možda nisu tako obilni“, rekao je Dašer-Kuzino.
Korišćenje modela dubokog učenja takođe će na kraju omogućiti istraživačima da prošire vrstu podataka koje koriste za predviđanje seizmičnosti.
„Stalno snimamo kretanje tla“, rekao je Brodski. „Dakle, sledeći nivo je da zapravo koristimo sve te informacije, ne da brinemo o tome da li to nazivamo zemljotresom ili ne zemljotresom, već da koristimo sve.“
U međuvremenu, istraživači se nadaju da će model pokrenuti rasprave o mogućnostima nove tehnologije.
„Ima sav ovaj potencijal povezan sa tim“, rekao je Dašer-Kuzino. „Zato što je tako dizajnirano.“
