Kraner demonterer bygninger beskadiget af jordskælvet i Christchurch i 2011. Kredit:iStock
I begyndelsen af september 2018, et kraftigt jordskælv på øen Hokkaido i det nordlige Japan udløste jordskred, væltede bygninger, afbryde strømmen, standset industri, dræbte mere end 40 mennesker og sårede hundredvis. Det nationale meteorologiske agentur advarede om, at efterskælv kan ramme op til en uge efter hovedbegivenheden.
"Et stort jordskælv vil typisk have tusindvis af efterskælv, " sagde Gregory Beroza, Wayne Loel professor i geofysik ved School of Earth, Energy &Environmental Sciences (Stanford Earth) ved Stanford University. "Vi ved, at et stort jordskælv ændrer noget i jordskorpen, der får disse efterskælv til at ske."
Sjældenheden af store skælv, imidlertid, gør det svært at dokumentere og statistisk modellere, hvordan store jordskælv interagerer med hinanden i rum og tid. Efterskælv kunne tilbyde en løsning. "Efterskælv opstår af samme mekanisme, på de samme geologiske forkastninger og under de samme forhold som andre jordskælv, " forklarede Beroza i en nylig artikel i tidsskriftet Natur . Som resultat, interaktioner mellem det største jordskælv i en sekvens, kendt som et hovedchok, og dets efterskælv kan indeholde spor til jordskælvsinteraktioner mere bredt, hjælper med at forklare, hvordan ændringer på en fejl forårsaget af et jordskælv kan påvirke det potentielle sted for et andet.
Her, Beroza diskuterer, hvordan forskere forudsiger efterskælv, og hvorfor de vender sig til kunstig intelligens for at bygge bedre modeller for fremtiden.
Hvad er de nuværende metoder til at forudsige prognoser, og hvor kommer de til kort?
GREGORY BEROZA:Når et stort jordskælv glider, der ændrer kræfterne i hele jordskorpen i nærheden. Det menes, at denne stressændring er mest ansvarlig for at udløse efterskælv. Stress er det, der driver jordskælv.
Forskere har bemærket en tendens til, at der opstår efterskælv, hvor to typer stress virker på en fejlændring. Den første type kaldes er normal stress, hvilket er, hvor kraftigt to sider af en fejl skubber sammen eller trækker sig fra hinanden. Den anden type kaldes forskydningsspænding, eller hvor kraftigt de to sider bliver skubbet forbi hinanden, parallelt med fejlen, af fjerne kræfter. Fald i den normale spænding og stigninger i forskydningsspændingen forventes at tilskynde til efterfølgende jordskælv. Mål for disse ændringer i mængden af sten omkring en forkastning kombineres i en enkelt metrik kaldet Coulomb-fejlspændingsændringen.
Men det er ikke en hård og hurtig regel. Nogle jordskælv opstår, hvor de på en måde ikke burde, med den metrik. Der er komponenter af stress, der er forskellige fra forskydningsspænding og normal stress. Der er stress i andre retninger, og komplekse kombinationer. Så vi er okay med at forudsige, hvor efterskælv vil, og vil ikke, opstår efter et hovedstød, men ikke så godt, som vi gerne vil.
Hvad er et kunstigt neuralt netværk, og hvordan kan videnskabsmænd bruge denne form for kunstig intelligens til at forudsige jordskælv og efterskælv?
BEROZA:Forestil dig en maskine, der tager input fra venstre. Flytter du til højre har du en række lag, hver indeholder en flok forbundne neuroner. Og i den anden ende har du et udfald af en eller anden art.
En neuron kan excitere en anden. Når du tilføjer mange af disse lag med mange forskellige interaktioner, du får meget hurtigt et ekstremt stort sæt mulige relationer. Når folk taler om "dybe" neurale netværk, det betyder, at de har mange lag.
I dette tilfælde, dit input er information om stress på en fejl. Outputtet er information om placeringen af efterskælv. Forskere kan tage eksempler på observerede jordskælv og bruge disse data til at træne neuronerne til at interagere på måder, der producerer et resultat, der blev observeret i den virkelige verden. Det er en proces, der kaldes machine learning. I betragtning af dette sæt af input, hvad er det rigtige svar? Hvad fortalte Jorden os til dette jordskælv?
En banebrydende indsats for at bruge kunstig intelligens i denne sammenhæng udgivet i Natur i august 2018. Forfatterne fodrede en maskinlæringsalgoritme med estimater af stressændringer og information om, hvor efterskælv opstod eller ikke forekom for en hel masse jordskælv. De laver ikke jordskælvsforudsigelser i sædvanlig forstand, hvor du forsøger at forudsige tiden, jordskælvets sted og størrelse. De leder bare efter, hvor der opstår efterskælv. Modellen fanger ikke Jordens sande kompleksitet, men det går i den rigtige retning.
Hvordan kan kunstig intelligens-tilgange anvendes til seismologi mere bredt?
BEROZA:I geovidenskaberne generelt, vi har komplicerede geologiske systemer, der interagerer stærkt på måder, vi ikke forstår. Maskinlæring og kunstig intelligens kan hjælpe os med at udforske og måske afdække karakteren af nogle af disse komplicerede forhold. Det kan hjælpe os med at udforske og finde forhold, som videnskabsmænd ikke havde tænkt på eller testet.
Vi har også meget store datasæt. Det største seismiske netværk, jeg har arbejdet med, har noget i retning af 5, 000 sensorer i den. Det er 5, 000 sensorer, 100 prøver i sekundet, og den kører kontinuerligt i flere måneder. Der er så mange data, at det er svært overhovedet at se på det.
Tendensen er, at disse datasæt bliver stadig større. Inden for få år, vi kommer til at arbejde med datasæt på over 10, 000 sensorer. Hvordan sikrer du dig, at du får så meget information som muligt ud af disse enorme datasæt?
Our usual way of doing business isn't going to scale at some point. Techniques such as data mining and machine learning to help us extract as much information as we can from these very large data sets are going to be an essential part of understanding our planet in the future.