Investigadores desenvolvem modelo de aprendizagem profunda que poderá revolucionar a previsão de terramotos

Surgiu um desenvolvimento inovador na previsão de réplicas de sismos que poderá mudar fundamentalmente a forma como prevemos a atividade sísmica.

Ao contrário dos modelos tradicionais, como o modelo Epidemic Type Aftershock Sequence (ETAS), o novo RECAST é excelente no tratamento de grandes conjuntos de dados sísmicos
Ao contrário dos modelos tradicionais, como o modelo Epidemic Type Aftershock Sequence (ETAS), o novo RECAST é excelente no tratamento de grandes conjuntos de dados sísmicos.
Lee Bell
Lee Bell Meteored Reino Unido 3 min

A Universidade da Califórnia apresentou um desenvolvimento inovador na previsão de réplicas de terramotos que poderá mudar fundamentalmente a forma como os cientistas preveem a atividade sísmica no futuro.

Chamado Recurrent Earthquake foreCAST (RECAST), o modelo fresco e inovador emprega a aprendizagem profunda para prever tremores secundários. E, ao contrário dos modelos tradicionais, como o modelo Epidemic Type Aftershock Sequence (ETAS), o RECAST destaca-se por lidar com grandes conjuntos de dados sísmicos.

Pensa-se que as capacidades de aprendizagem profunda do modelo abrirão caminho à utilização de diversas fontes de dados na previsão sísmica.

O modelo ETAS foi concebido numa era em que as observações eram escassas, tornando-o menos adaptável aos vastos e detalhados catálogos de terramotos de hoje. No entanto, o armazenamento moderno de dados e o equipamento sensível levaram a catálogos de milhões de terramotos, sobrecarregando o modelo mais antigo. A superioridade do modelo RECAST reside na sua capacidade de gerir facilmente estes grandes conjuntos de dados.

Simulação de réplicas de terramotos

Para testar a eficácia do modelo, os investigadores simularam catálogos de sismos com um modelo ETAS, testando em seguida o modelo RECAST com dados reais do catálogo de sismos do Sul da Califórnia. Descobriram que, à medida que o volume de dados aumentava, o modelo RECAST - que aprende continuamente - superava de longe o ETAS na previsão de tremores secundários. Também exigiu menos esforço computacional e tempo para conjuntos de dados maiores.

Pensa-se que as capacidades de aprendizagem profunda do modelo abrirão caminho à utilização de diversas fontes de dados na previsão sísmica, aproveitando, em última análise, os registos contínuos de movimentos do solo
Pensa-se que as capacidades de aprendizagem profunda do modelo abrirão caminho à utilização de diversas fontes de dados na previsão sísmica, aproveitando, em última análise, os registos contínuos de movimentos do solo.

A aprendizagem automática tem sido explorada de alguma forma para a previsão de terramotos nos últimos anos, mas até agora tem enfrentado limitações. Contudo, os recentes avanços na aprendizagem automática garantiram que o RECAST é mais exato e adaptável, tornando-o uma opção mais realista para os cientistas.

Por conseguinte, os investigadores acreditam que a flexibilidade do modelo abre novos caminhos para a previsão, potencialmente reunindo informações de várias regiões para melhorar as previsões em áreas menos estudadas.

Pensa-se que as capacidades de aprendizagem profunda do modelo abrirão caminho para a utilização de diversas fontes de dados na previsão sísmica, aproveitando, em última análise, os registos contínuos de movimentos do solo.

Além disso, os investigadores acreditam que o potencial do RECAST poderá revolucionar a previsão de sismos e inspirar debates sobre as suas aplicações no futuro, ajudando potencialmente a salvar vidas.