Una rete neurale spaziotemporale profonda addestrata su più di 36, 000 terremoti offre un nuovo modo di prevedere rapidamente l'intensità delle scosse del suolo una volta che un terremoto è in corso, i ricercatori riferiscono al meeting annuale 2021 della Seismological Society of America (SSA).

DeepShake analizza i segnali sismici in tempo reale ed emette avvisi anticipati di forti scosse in base alle caratteristiche delle prime onde rilevate da un terremoto.

DeepShake è stato sviluppato da Daniel J. Wu, Avoy Datta, Weiqiang Zhu e William Ellsworth alla Stanford University.

I dati del terremoto utilizzati per addestrare la rete DeepShake provengono dalle registrazioni sismiche del Ridgecrest del 2019, Sequenza californiana. Quando i suoi sviluppatori hanno testato il potenziale di DeepShake utilizzando l'effettivo scuotimento del terremoto di Ridgecrest di magnitudo 7.1 del 5 luglio, la rete neurale ha inviato avvisi simulati tra 7 e 13 secondi prima dell'arrivo di scuotimenti del terreno ad alta intensità in località nell'area di Ridgecrest.

Gli autori hanno sottolineato la novità dell'utilizzo del deep learning per un rapido allarme rapido e previsioni direttamente dai soli record sismici. "DeepShake è in grado di captare segnali in forme d'onda sismiche attraverso le dimensioni dello spazio e del tempo, " ha spiegato Datta.

DeepShake dimostra il potenziale dei modelli di apprendimento automatico per migliorare la velocità e l'accuratezza dei sistemi di allarme sismico, Ha aggiunto.

"DeepShake mira a migliorare gli allarmi precoci dei terremoti effettuando le sue stime di scuotimento direttamente dalle osservazioni del movimento del suolo, eliminando alcuni passaggi intermedi utilizzati dai sistemi di allerta più tradizionali, " disse Wu.

Molti sistemi di allerta precoce determinano prima la posizione e la magnitudo del terremoto, e quindi calcolare il movimento del suolo per una posizione in base alle equazioni di previsione del movimento del suolo, Wu ha spiegato.

"Ognuno di questi passaggi può introdurre errori che possono degradare le previsioni di scuotimento del terreno, " Ha aggiunto.

Per affrontare questo, il team di DeepShake si è rivolto a un approccio di rete neurale. La serie di algoritmi che compongono una rete neurale viene addestrata senza che il ricercatore identifichi quali segnali sono "importanti" per la rete da utilizzare nelle sue previsioni. La rete apprende quali caratteristiche prevedono in modo ottimale la forza dello scuotimento futuro direttamente dai dati.

"Abbiamo notato dalla costruzione di altre reti neurali per l'uso in sismologia che possono imparare ogni sorta di cose interessanti, e quindi potrebbero non aver bisogno dell'epicentro e della magnitudo del terremoto per fare una buona previsione, " ha detto Wu. "DeepShake è addestrato su una rete preselezionata di stazioni sismiche, in modo che le caratteristiche locali di quelle stazioni diventino parte dei dati di addestramento."

"Quando si addestra un modello di machine learning end-to-end, pensiamo davvero che questi modelli siano in grado di sfruttare queste informazioni aggiuntive per migliorare la precisione, " Egli ha detto.

Wu, Datta e i loro colleghi vedono DeepShake come complementare allo ShakeAlert operativo della California, aggiungendo alla cassetta degli attrezzi dei sistemi di allerta precoce dei terremoti. "Siamo davvero entusiasti di espandere DeepShake oltre Ridgecrest, e fortificando il nostro lavoro per il mondo reale, inclusi casi di guasto come stazioni interrotte e alta latenza di rete, " ha aggiunto Datta.