Un codificatore neurale per la previsione della frequenza dei terremoti

Rapporti scientifici volume 13, numero articolo: 12350 (2023) Citare questo articolo

765 accessi

3 Altmetrico

Dettagli sulle metriche

Prevedere la tempistica dei terremoti è una sfida di lunga data. Inoltre, è ancora dibattuto come formulare questo problema in modo utile o come confrontare il potere predittivo di diversi modelli. Qui, sviluppiamo un versatile codificatore neurale dei cataloghi dei terremoti e lo applichiamo al problema fondamentale della previsione della velocità dei terremoti, nel quadro del processo di punti spazio-temporali. Il modello di sequenza di scosse di assestamento di tipo epidemico (ETAS) apprende effettivamente un piccolo numero di parametri per vincolare le forme funzionali assunte per le correlazioni spazio-temporali delle sequenze di terremoti (ad esempio, legge di Omori-Utsu). Qui introduciamo gli incorporamenti spaziali e temporali appresi per modelli di previsione dei terremoti con processi puntuali che catturano strutture di correlazione complesse. Dimostriamo la generalità di questa rappresentazione neurale rispetto al modello ETAS utilizzando le suddivisioni dei dati delle prove ferroviarie e come consente l'incorporazione di informazioni geofisiche aggiuntive. Nei compiti di previsione della velocità, il modello generalizzato mostra un miglioramento del \(>4\%\) nel guadagno di informazioni per terremoto e l'apprendimento simultaneo di strutture spaziali anisotrope analoghe alle tracce di faglia. La rete addestrata può essere utilizzata anche per eseguire attività di previsione a breve termine, mostrando miglioramenti simili fornendo allo stesso tempo una riduzione di 1000 volte del tempo di esecuzione.

L'applicazione dell'apprendimento automatico (ML) per l'analisi dei dati sismologici ha visto recenti progressi sostanziali evidenziati da nuovi approcci per la classificazione e la caratterizzazione delle forme d'onda sismiche1,2, la selezione automatica delle fasi3, l'identificazione dei terremoti di bassa magnitudo4 e il declustering del catalogo5, 6. Nello sviluppo dei cataloghi dei terremoti gli approcci ML hanno aumentato di dieci volte il numero di eventi rilevati4 e probabilmente ridurranno la dipendenza dal tempo di viaggio per l’allarme tempestivo dei terremoti dalla velocità delle onde sismiche alla velocità della luce7.

Tuttavia, nella modellazione delle sequenze dei terremoti, le tecniche di apprendimento automatico hanno prodotto progressi limitati in termini di abilitazione di migliori caratterizzazioni dei modelli di sismicità8,9. Il compito specifico di prevedere i tempi dei futuri eventi sismici è una sfida fondamentale e di lunga data, sia come questione scientifica di base che per l’analisi dei rischi applicata. Sebbene in alcuni casi l’attività sismica presenti modelli temporali10 o spaziali11 relativamente coerenti, il tempo, la posizione e l’entità della sismicità sono rimasti difficili da prevedere quantitativamente12.

L'approccio più moderno a questo problema nella sismologia statistica è quello di rappresentare le sequenze di terremoti come un processo puntuale spazio-temporale13,14,15. In questo approccio, il modello ha il compito di prevedere il tasso istantaneo di occorrenza del terremoto al di sopra di una certa magnitudo, \(\lambda (x, y, t \mid H_{t-})\), dove x, y sono le coordinate spaziali ( longitudine e latitudine o coordinate proiettate sulla mappa) e t è l'ora. \(H_{t-}\) rappresenta tutte le informazioni disponibili al modello prima del tempo t. La funzione dipendente dal tempo \(\lambda\) è la rappresentazione quantitativa dell'intensità dell'attività sismica, che caratterizza sia l'epoca della scossa premonitrice16,17 che quella della scossa di assestamento18 e funge anche da base per la valutazione del rischio sismico19.

Il modello della sequenza di scosse di assestamento di tipo epidemico (ETAS)13,20 è il modello più comunemente utilizzato, che rappresenta \(\lambda\) come un processo di ramificazione autoeccitante, che presuppone un "tasso di fondo" di sismicità e una funzione di risposta, f , la cui forma specifica è scelta in modo tale che le statistiche a lungo termine dei cataloghi sintetici dei terremoti generati dal modello riproducano le due distribuzioni fenomenologiche della sismicità ampiamente osservate: (1) la legge di Omori-Utsu del decadimento della velocità delle scosse di assestamento e (2) la legge di Gutenberg- Distribuzione più ricca delle magnitudo degli eventi. Esistono alcune scelte popolari per la funzione di risposta21,22,23,24, che condividono la forma di, \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i ; M_i)\). Qui \(\mu\) è chiamato “tasso di fondo” indipendente dal tempo, T è un nucleo temporale caratterizzato da un decadimento della legge di potenza coerente con la legge di Omori, e S è un nucleo che decade spazialmente22,25. \(x_i, y_i\) e \(t_i\) sono rispettivamente la posizione ipocentrale e l'ora in cui si è verificato il terremoto.