هوش مصنوعی تعداد و قدرت پس‌لرزه‌ها را پیش‌بینی می‌کند

زلزله شناسان از یادگیری ماشینی برای بهبود پیش بینی زلزله استفاده می کنند.
سه مقاله جدید ، مدل‌های یادگیری عمیق را توصیف می‌کنند که عملکرد بهتری نسبت به مدل‌های پیشرفته مرسوم برای پیش‌بینی زلزله‌ها دارند. این یافته‌ها مقدماتی هستند و فقط برای موقعیت‌های محدود اعمال می‌شوند، مانند ارزیابی خطر پس‌لرزه‌ها پس از وقوع یک زلزله  “بزرگ” از قبل. اما آن‌ها پیشرفتی نادر به سوی هدف طولانی‌مدت به‌کارگیری قدرت یادگیری ماشینی برای کاهش خطر پس لرزه‌ای هستند.
مورگان پیج، زلزله‌شناس در سازمان زمین‌شناسی ایالات متحده (USGS) در پاسادنا، کالیفرنیا، که درگیر این مطالعات نبود، می‌گوید: «من واقعاً هیجان‌زده هستم که بالاخره این اتفاق می‌افتد.«
اما محققان برای استخراج روندهای معنی دار از تمام داده های زمین لرزه تلاش کرده اند. زمین لرزه های بزرگ نادر هستند و تشخیص اینکه چه چیزی باید نگران چه چیزی  بود کار آسانی نیست.
با این حال، در چند سال گذشته، لرزه‌شناسان از یادگیری ماشینی برای کشف زمین‌لرزه‌های کوچکی که قبلاً در پرونده‌های لرزه‌ای مشاهده نشده بودند، استفاده کرده‌اند. این زمین لرزه ها کاتالوگ های زلزله موجود را افزایش داده اند و خوراک تازه را برای دور دوم تجزیه و تحلیل یادگیری ماشینی فراهم می کنند.
پیش‌بینی‌های کنونی USGS از مدلی استفاده می‌کنند که بر اطلاعات اولیه در مورد بزرگی و مکان‌های زلزله گذشته برای پیش‌بینی اتفاقات بعدی متکی است. سه مقاله اخیر در عوض از یک رویکرد شبکه عصبی استفاده می کنند که محاسبات را در طول هر مرحله از تجزیه و تحلیل به روز می کند تا الگوهای پیچیده چگونگی وقوع زلزله را بهتر به تصویر بکشد.
در اول، کلیان داشر-کازینو، ژئوفیزیکدان دانشگاه کالیفرنیا، برکلی، و همکارانش مدل خود را بر روی فهرستی از هزاران زمین لرزه که بین سال های ۲۰۰۸ تا ۲۰۲۱ جنوب کالیفرنیا را لرزاند، آزمایش کردند. مدل آنها در پیش بینی چگونگی عملکرد بهتر از نمونه استاندارد بود بسیاری از زمین لرزه ها در دوره های دو هفته ای رخ می دهند. همچنین در ثبت دامنه کامل بزرگی زمین لرزه های احتمالی بهتر بود، بنابراین احتمال وقوع یک غافلگیری بزرگ را کاهش داد.
ساموئل استاکمن، روش مشابهی را توسعه داد که در هنگام آموزش روی فهرستی از زلزله‌هایی که در سال‌های ۲۰۱۶-۲۰۱۷ ایتالیا مرکزی را لرزاند و به چندین شهر آسیب رساند، به خوبی عمل کرد. استوکمن می‌گوید هنگامی که محققان بزرگی زمین لرزه‌های موجود در مجموعه آموزشی را کاهش می‌دهند، «مدل یادگیری ماشینی شروع به عملکرد بهتری می‌کند».
لیلا میزراهی، زلزله شناس در موسسه فناوری فدرال سوئیس در زوریخ، می گوید که هر سه مدل «متوسط امیدوارکننده» هستند. او می‌گوید که آن‌ها در شکل فعلی خود پیشرفتی نیستند، اما پتانسیلی برای وارد کردن تکنیک‌های یادگیری ماشینی به پیش‌بینی زلزله به صورت روزمره را نشان می‌دهند.
آژانس‌هایی مانند USGS احتمالاً شروع به استفاده از مدل‌های یادگیری ماشینی در کنار مدل استاندارد خود خواهند کرد و سپس در صورت اثبات برتری، به طور کامل به رویکرد یادگیری ماشینی منتقل خواهند شد. این می تواند پیش بینی ها را بهبود بخشد، زمانی که پس لرزه ها به طور غیرقابل پیش بینی غوغا می کنند و زندگی مردم را برای ماه ها مختل می کنند، همانطور که در ایتالیا اتفاق افتاد. همچنین می‌توان از این مدل‌ها برای بهبود پیش‌بینی‌ها پس از زمین‌لرزه‌های نادر بزرگ، از جمله زلزله ۶.۸ ریشتری که در ماه سپتامبر مراکش را لرزاند و هزاران کشته برجای گذاشت، استفاده کرد.