Il modello RECAST: un nuovo approccio alla previsione dei terremoti
• RECAST supera i metodi tradizionali
• Confronto tra RECAST e i modelli esistenti
• Applicazioni pratiche e potenziale futuro
• RECAST: un modello flessibile e adattabile
• Potenziali applicazioni future
Gli scienziati hanno sviluppato un modello di apprendimento profondo, denominato RECAST, per prevedere gli aftershocks dei terremoti. Questo modello dimostra una superiore adattabilità e scalabilità rispetto al modello ETAS esistente, specialmente con dataset sismologici più grandi. Il modello potrebbe portare a previsioni migliorate, anche in aree con dati limitati, sfruttando le informazioni provenienti da diverse regioni globali.
RECAST supera i metodi tradizionali
Per più di 30 anni, i modelli che i ricercatori e le agenzie governative utilizzano per prevedere gli aftershocks dei terremoti sono rimasti sostanzialmente invariati. Sebbene questi modelli più vecchi funzionino bene con dati limitati, faticano con i grandi dataset sismologici che ora sono disponibili.
Per affrontare questa limitazione, un team di ricercatori presso l’Università della California, Santa Cruz, e la Technische Universität di Monaco ha creato un nuovo modello che utilizza l’apprendimento profondo per prevedere gli aftershocks: il Recurrent Earthquake foreCAST (RECAST). In un articolo pubblicato recentemente in Geophysical Research Letters , gli scienziati mostrano come il modello di apprendimento profondo sia più flessibile e scalabile rispetto ai modelli di previsione dei terremoti attualmente utilizzati.
Confronto tra RECAST e i modelli esistenti
Il nuovo modello ha superato il modello attuale, noto come modello Epidemic Type Aftershock Sequence (ETAS), per cataloghi di terremoti di circa 10.000 eventi e superiori.
“L’approccio del modello ETAS è stato progettato per le osservazioni che avevamo negli anni ’80 e ’90 quando cercavamo di costruire previsioni affidabili basate su pochissime osservazioni”, ha detto Kelian Dascher-Cousineau, l’autore principale dell’articolo che ha recentemente completato il suo dottorato di ricerca presso l’UC Santa Cruz. “Oggi il panorama è molto diverso”. Ora, con attrezzature più sensibili e capacità di archiviazione dei dati più grandi, i cataloghi dei terremoti sono molto più grandi e dettagliati.
Applicazioni pratiche e potenziale futuro
Avventurandosi ulteriormente nel campo dell’apprendimento profondo per la previsione degli aftershocks, Dascher-Cousineau afferma che il campo ha bisogno di un sistema migliore per il benchmarking. Per dimostrare le capacità del modello RECAST, il gruppo ha prima utilizzato un modello ETAS per simulare un catalogo di terremoti. Dopo aver lavorato con i dati sintetici, i ricercatori hanno testato il modello RECAST utilizzando dati reali dal catalogo dei terremoti del Sud della California.
RECAST: un modello flessibile e adattabile
Hanno scoperto che il modello RECAST – che può, in sostanza, imparare come apprendere – ha avuto prestazioni leggermente migliori del modello ETAS nella previsione degli aftershocks, in particolare con l’aumento della quantità di dati. Anche lo sforzo computazionale e il tempo erano significativamente migliori per cataloghi più grandi.
Questa non è la prima volta che gli scienziati tentano di utilizzare l’apprendimento automatico per prevedere i terremoti, ma fino a poco tempo fa, la tecnologia non era ancora pronta, ha detto Dascher-Cousineau. I nuovi progressi nell’apprendimento automatico rendono il modello RECAST più preciso e facilmente adattabile a diversi cataloghi di terremoti.
Potenziali applicazioni future
La flessibilità del modello potrebbe aprire nuove possibilità per la previsione dei terremoti. Con la capacità di adattarsi a grandi quantità di nuovi dati, i modelli che utilizzano l’apprendimento profondo potrebbero potenzialmente incorporare informazioni da più regioni contemporaneamente per fare previsioni migliori su aree poco studiate.
“Potremmo essere in grado di allenarci sulla Nuova Zelanda, il Giappone, la California e avere un modello che è effettivamente molto buono per fare previsioni in qualche luogo dove i dati potrebbero non essere così abbondanti”, ha detto Dascher-Cousineau.
L’uso di modelli di apprendimento profondo permetterà anche in futuro ai ricercatori di ampliare il tipo di dati che utilizzano per prevedere la sismicità.
“Stiamo registrando il movimento del terreno tutto il tempo”, ha detto Brodsky. “Quindi il prossimo passo è effettivamente utilizzare tutte queste informazioni, senza preoccuparsi se stiamo chiamando un terremoto o non un terremoto, ma utilizzare tutto”.
Nel frattempo, gli scienziati sono ottimisti che il modello susciterà discussioni sulle possibilità della nuova tecnologia.
“Ha tutto questo potenziale associato ad esso”, ha detto Dascher-Cousineau. “Perché è progettato in questo modo”.