Для устранения этого недостатка группа исследователей из Калифорнийского университета в Санта-Крузе и Технического университета Мюнхена создала новую модель, использующую глубокое обучение для прогнозирования афтершоков, или повторных толчков: Recurrent Earthquake foreCAST (RECAST). В статье, опубликованной сегодня в журнале Geophysical Research Letters, ученые показывают, что модель глубокого обучения является более гибкой и масштабируемой, чем используемые в настоящее время модели прогнозирования землетрясений.

Новая модель превзошла текущую модель, известную как модель последовательности афтершоков эпидемического типа (ETAS), для каталогов землетрясений с числом событий около 10 000 и более.

Подход модели ETAS был разработан для наблюдений, которые мы имели в 80-х и 90-х годах, когда мы пытались построить надежные прогнозы на основе очень небольшого количества наблюдений, — сказал Келиан Дашер-Кузино, ведущий автор статьи, недавно защитивший докторскую диссертацию в Калифорнийском университете в Санта-Крузе.

Сегодня ситуация совершенно иная». Теперь, благодаря более чувствительному оборудованию и большим возможностям хранения данных, каталоги землетрясений стали намного больше и детальнее.

«Мы начали составлять каталоги землетрясений на миллионы, а старая модель просто не могла справиться с таким объемом данных», — говорит Эмили Бродски, профессор наук о Земле и планетах в Калифорнийском университете в Санта-Крузе и соавтор статьи. На самом деле, одной из главных задач исследования была не разработка новой модели RECAST, а обеспечение работы старой модели ETAS с огромными массивами данных для их сравнения.

Модель ETAS довольно хрупкая, и у нее есть множество очень тонких и сложных способов, с помощью которых она может дать сбой, — говорит Дашер-Кузино.

Поэтому мы потратили много времени на то, чтобы убедиться, что мы не испортили наш эталон по сравнению с реальной разработкой модели.

По словам Дашера-Кузино, для дальнейшего применения моделей глубокого обучения в прогнозировании афтершоков необходима более совершенная система бенчмаркинга. Чтобы продемонстрировать возможности модели RECAST, группа сначала использовала модель ETAS для имитации каталога землетрясений. После работы с синтетическими данными исследователи протестировали модель RECAST на реальных данных из каталога землетрясений Южной Калифорнии.

Было обнаружено, что модель RECAST, которая, по сути, может учиться, показала несколько лучшие результаты, чем модель ETAS, при прогнозировании афтершоков, особенно при увеличении объема данных. Вычислительные усилия и время также были значительно лучше для больших каталогов.

По словам Дашера-Кузино, это не первая попытка ученых использовать машинное обучение для прогнозирования землетрясений, но до недавнего времени эта технология была не совсем готова. Новые достижения в области машинного обучения делают модель RECAST более точной и легко адаптируемой к различным каталогам землетрясений.

Гибкость модели может открыть новые возможности для прогнозирования землетрясений. Благодаря способности адаптироваться к большим объемам новых данных, модели, использующие глубокое обучение, потенциально могут включать информацию сразу из нескольких регионов, чтобы делать более точные прогнозы для малоизученных областей.

Мы могли бы тренироваться на Новой Зеландии, Японии, Калифорнии и получить модель, которая на самом деле будет достаточно хороша для прогнозирования в тех местах, где данных может быть не так много, — говорит Дашер-Кузино.

Использование моделей глубокого обучения также позволит исследователям расширить спектр данных, которые они используют для прогнозирования сейсмичности.

Мы постоянно регистрируем движения грунта, — говорит Бродски.

Поэтому следующий уровень — это реальное использование всей этой информации, не заботясь о том, называть ли землетрясение землетрясением или нет, а используя все.

Тем временем исследователи надеются, что модель послужит толчком к обсуждению возможностей новой технологии.

С ней связан весь этот потенциал, — говорит Дашер-Кузино.

Потому что она так задумана.