RECAST: Il nuovo modello di apprendimento profondo per la previsione dei terremoti
RECAST: Il nuovo modello di apprendimento profondo per la previsione dei terremotiUn team di ricercatori ha sviluppato un modello di apprendimento profondo, chiamato RECAST, per prevedere le scosse di assestamento 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.
Il modello RECAST supera i metodi tradizionali
Per oltre 30 anni, i modelli utilizzati dai ricercatori e dalle agenzie governative per prevedere le scosse di assestamento dei terremoti sono rimasti sostanzialmente invariati. Sebbene questi modelli più vecchi funzionino bene con dati limitati, faticano con i grandi dataset sismologici ora disponibili.
La creazione di RECAST
Per affrontare questa limitazione, un team di ricercatori dell’Università della California, Santa Cruz, e della Technical University di Monaco ha creato un nuovo modello che utilizza l’apprendimento profondo per prevedere gli aftershock: il Recurrent Earthquake foreCAST (RECAST). In un articolo pubblicato recentemente, 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. “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”.
Potenziale futuro e applicazioni pratiche di RECAST
Avventurandosi ulteriormente nel campo dell’apprendimento profondo per la previsione delle scosse di assestamento, 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 supera ETAS
Hanno scoperto che il modello RECAST, che può, in sostanza, imparare come imparare, ha avuto prestazioni leggermente migliori del modello ETAS nella previsione delle scosse di assestamento, in particolare con l’aumento della quantità di dati. Lo sforzo computazionale e il tempo erano anche significativamente migliori per cataloghi più grandi.
Le nuove possibilità offerte da RECAST
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. 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.
Nel frattempo, gli scienziati sono ottimisti sul fatto che il modello susciterà discussioni sulle possibilità della nuova tecnologia.