Con una crescente ricchezza di dati sismici e potenza di calcolo a loro disposizione, i sismologi si stanno rivolgendo sempre più a una disciplina chiamata machine learning per comprendere e prevedere meglio schemi complicati nell'attività sismica.

In una sezione focus pubblicata sulla rivista Lettere di ricerca sismologica , i ricercatori descrivono come stanno usando i metodi di apprendimento automatico per affinare le previsioni dell'attività sismica, identificare i centri sismici, caratterizzano diversi tipi di onde sismiche e distinguono l'attività sismica da altri tipi di "rumore" del suolo.

L'apprendimento automatico si riferisce a un insieme di algoritmi e modelli che consentono ai computer di identificare ed estrarre modelli di informazioni da insiemi di dati di grandi dimensioni. I metodi di apprendimento automatico spesso scoprono questi modelli dai dati stessi, senza riferimento al mondo reale, meccanismi fisici rappresentati dai dati. I metodi sono stati utilizzati con successo su problemi come l'immagine digitale e il riconoscimento vocale, tra le altre applicazioni.

Più sismologi stanno usando i metodi, guidato da "la crescente dimensione dei set di dati sismici, miglioramenti nella potenza di calcolo, nuovi algoritmi e architettura e la disponibilità di framework di machine learning open source di facile utilizzo, " scrivere i redattori della sezione focus Karianne Bergen dell'Università di Harvard, Ting Cheng del Laboratorio Nazionale di Los Alamos, e Zefeng Li di Caltech.

Diversi ricercatori stanno utilizzando una classe di metodi di apprendimento automatico chiamati reti neurali profonde, che può apprendere le complesse relazioni tra enormi quantità di dati di input e il loro output previsto. Ad esempio, Farid Khosravikia e colleghi dell'Università del Texas, Austin mostra come un tipo di rete neurale profonda può essere utilizzata per sviluppare modelli di movimento del suolo per terremoti naturali e indotti in Oklahoma, Kansas e Texas. La natura insolita del numero crescente di terremoti causati dallo smaltimento delle acque reflue petrolifere nella regione rende essenziale prevedere il movimento del suolo per futuri terremoti e possibilmente mitigarne l'impatto.

Le tecniche di apprendimento automatico potrebbero essere utilizzate sempre più nel prossimo futuro per preservare le registrazioni analogiche dei terremoti passati. Man mano che il supporto su cui vengono registrati questi dati si degrada gradualmente, i sismologi sono in una corsa contro il tempo per proteggere questi preziosi documenti. I metodi di apprendimento automatico in grado di identificare e classificare le immagini possono essere utilizzati per acquisire questi dati in modo conveniente, secondo Kaiwen Wang della Stanford University e colleghi, che ha testato le possibilità su pellicola sismografica analogica dall'esperimento di controllo dei terremoti Rangely del Geological Survey degli Stati Uniti.

I metodi di apprendimento automatico sono già presenti anche in applicazioni come MyShake, raccogliere e analizzare i dati dalla rete sismica globale di smartphone in crowdsourcing, secondo Qingkai Kong dell'Università della California, Berkeley e colleghi.

Altri ricercatori stanno utilizzando algoritmi di apprendimento automatico per vagliare i dati sismici per identificare meglio le scosse di assestamento dei terremoti, attività sismica vulcanica e per monitorare il tremore tettonico che segna la deformazione ai confini delle placche dove potrebbero verificarsi terremoti megathrust. Alcuni studi utilizzano tecniche di apprendimento automatico per individuare le origini dei terremoti e distinguere i piccoli terremoti da altri "rumore" sismico nell'ambiente.