Gente de la Safor

Bienvenidos a Spain News Today.

Los sismólogos utilizan el aprendizaje profundo para predecir terremotos

Los sismólogos utilizan el aprendizaje profundo para predecir terremotos

Este artículo ha sido revisado según Science. Proceso de edición
Y Políticas.
Editores Se destacaron las siguientes características garantizando al mismo tiempo la credibilidad del contenido:

Revisión de hechos

Publicación revisada por pares

fuente confiable

Corrección de pruebas

Evaluación de predicciones utilizando los modelos RECAST y ETAS para el Catálogo de Terremotos del Sur de California. (a) Ejemplo de un pronóstico RECAST de terremoto de dos semanas emitido en la línea vertical discontinua. El número acumulado observado de terremotos se muestra en negro y la simulación del modelo RECAST en gris. Los aumentos intermitentes en el número acumulado de eventos en estas muestras indican grupos de eventos espontáneos que decaen gradualmente con el tiempo. (b) Distribución completa del número acumulado de eventos de trayectorias muestreadas en comparación con la observación (negro). (c) Catálogo de pruebas con evolución de puntuación logarítmica para los períodos de pronóstico de 14 días evaluados. Las marcas naranjas vacías y las anotaciones correspondientes indican intervalos de tiempo en los que ni los pronósticos del modelo (1 caso), o solo los pronósticos del modelo ETAS (9 casos) arrojaron pronósticos precisos (s = 0 y puntuado s indefinido). Todo esto sucede durante la secuencia del terremoto de Ridgecrest. (d) Comparación de la precisión relativa (logaritmo de predicción de probabilidad) de los modelos RECAST y ETAS. Un resultado de registro positivo indica un pronóstico RECAST más preciso. Para la mayoría de los intervalos de tiempo, RECAST es más preciso. crédito: Cartas de investigación geofísica (2023). doi: 10.1029/2023GL103909

× Cerca

Evaluación de predicciones utilizando los modelos RECAST y ETAS para el Catálogo de Terremotos del Sur de California. (a) Ejemplo de un pronóstico RECAST de terremoto de dos semanas emitido en la línea vertical discontinua. El número acumulado observado de terremotos se muestra en negro y la simulación del modelo RECAST en gris. Los aumentos intermitentes en el número acumulado de eventos en estas muestras indican grupos de eventos espontáneos que decaen gradualmente con el tiempo. (b) Distribución completa del número acumulado de eventos de trayectorias muestreadas en comparación con la observación (negro). (c) Catálogo de pruebas con evolución de puntuación logarítmica para los períodos de pronóstico de 14 días evaluados. Las marcas naranjas vacías y las anotaciones correspondientes indican intervalos de tiempo en los que ni los pronósticos del modelo (1 caso), o solo los pronósticos del modelo ETAS (9 casos) arrojaron pronósticos precisos (s = 0 y puntuado s indefinido). Todo esto sucede durante la secuencia del terremoto de Ridgecrest. (d) Comparación de la precisión relativa (logaritmo de predicción de probabilidad) de los modelos RECAST y ETAS. Un resultado de registro positivo indica un pronóstico RECAST más preciso. Para la mayoría de los intervalos de tiempo, RECAST es más preciso. crédito: Cartas de investigación geofísica (2023). doi: 10.1029/2023GL103909

READ  Los CDC advierten sobre el suministro limitado de Nirsevimab y las opciones de protección contra el VRS

Durante más de 30 años, los modelos que los investigadores y las agencias gubernamentales utilizan para predecir las réplicas de los terremotos se han mantenido prácticamente sin cambios. Si bien estos modelos más antiguos funcionan bien con datos limitados, tienen problemas con los enormes conjuntos de datos sobre terremotos que ahora están disponibles.

Para abordar esta limitación, un equipo de investigadores de la Universidad de California, Santa Cruz, y la Universidad Técnica de Munich ha creado un nuevo modelo que utiliza el aprendizaje profundo para predecir réplicas: Predicción de terremotos recurrentes (RECAST). En un artículo publicado hoy en Cartas de investigación geofísicaLos científicos muestran cómo el modelo de aprendizaje profundo es más flexible y escalable que los modelos de predicción de terremotos que se utilizan actualmente.

El nuevo modelo superó al modelo existente, conocido como modelo de secuencia de réplicas de tipo epidémico (ETAS), para catálogos de terremotos de aproximadamente 10.000 eventos y más.

«El enfoque del modelo ETAS fue diseñado para las observaciones que hicimos en las décadas de 1980 y 1990, cuando intentábamos construir pronósticos confiables basados ​​en muy pocas observaciones», dijo Kilian Dacher-Coussino, autor principal del estudio que recientemente completó su doctorado. .Dr. En la Universidad de California, Santa Cruz. «Hoy el panorama es completamente diferente». Ahora, con equipos más sensibles y mayores capacidades de almacenamiento de datos, los catálogos de terremotos son mucho más grandes y detallados.

«Comenzamos con un millón de catálogos de terremotos, y el modelo antiguo simplemente no podía manejar tanta información», dijo Emily Brodsky, profesora de ciencias terrestres y planetarias en UC Santa Cruz y coautora del artículo. De hecho, uno de los principales desafíos del estudio no fue diseñar el nuevo modelo RECAST en sí, sino lograr que el modelo ETAS anterior funcionara en grandes conjuntos de datos para poder comparar los dos.

READ  ¿Tengo síntomas de Omicron, resfriado o gripe? ¿Cómo se nota la diferencia?

«El modelo ETAS es algo frágil y tiene muchas formas muy sutiles y difíciles de fallar», dijo Dacher-Coussino. «Por lo tanto, dedicamos mucho tiempo a asegurarnos de no cometer errores en nuestros puntos de referencia en comparación con el desarrollo del modelo real».

Para continuar aplicando modelos de aprendizaje profundo para predecir réplicas, Dacher-Cousino dice que el campo necesita un mejor sistema para medir el desempeño. Para demostrar las capacidades del modelo RECAST, el grupo utilizó primero el modelo ETAS para simular un catálogo de terremotos. Después de trabajar con datos sintéticos, los investigadores probaron el modelo RECAST utilizando datos reales del catálogo de terremotos del sur de California.

Descubrieron que el modelo RECAST, que esencialmente puede aprender a aprender, funcionó ligeramente mejor que el modelo ETAS en la predicción de réplicas, especialmente a medida que aumentaba la cantidad de datos. El esfuerzo y el tiempo computacionales también fueron mucho mejores para catálogos más grandes.

Esta no es la primera vez que los científicos intentan utilizar el aprendizaje automático para predecir terremotos, pero hasta hace poco la tecnología no estaba lista, dijo Dacher-Cousino. Los nuevos avances en el aprendizaje automático hacen que el modelo RECAST sea más preciso y fácilmente adaptable a diferentes catálogos de terremotos.

La flexibilidad del modelo podría abrir nuevas posibilidades para la predicción de terremotos. Con la capacidad de adaptarse a grandes cantidades de datos nuevos, los modelos que utilizan el aprendizaje profundo pueden combinar información de múltiples regiones simultáneamente para hacer mejores predicciones sobre regiones que no están bien estudiadas.

«Podríamos entrenar en Nueva Zelanda, Japón y California y obtener un modelo muy bueno para predecir un lugar donde los datos pueden no ser tan abundantes», dijo Dacher-Cousino.

READ  Científico chino: suelo lunar puede generar oxígeno y combustible

El uso de modelos de aprendizaje profundo también permitirá eventualmente a los investigadores ampliar el tipo de datos que utilizan para predecir terremotos.

«Registramos el movimiento del suelo todo el tiempo», dijo Brodsky. «Así que el siguiente nivel es utilizar toda esta información, sin preocuparnos de si lo llamamos terremoto o no, sino utilizarla toda».

Mientras tanto, los investigadores esperan que el modelo genere debates sobre las posibilidades de la nueva tecnología.

«Tiene todo este potencial», dijo Dacher-Cousino. «Porque está diseñado de esa manera».

más información:
Kilian Dasher-Cuzino et al., Uso del aprendizaje profundo para una predicción flexible y escalable de terremotos, Cartas de investigación geofísica (2023). doi: 10.1029/2023GL103909

Información de la revista:
Cartas de investigación geofísica