Hurtig, nøjagtig estimering af jordens magnetfelt til detektion af naturkatastrofer

Forskere fra Tokyo Metropolitan University har anvendt maskinlæringsteknikker for at opnå hurtige, nøjagtige estimater af lokale geomagnetiske felter ved hjælp af data taget ved flere observationspunkter, potentielt muliggør detektion af ændringer forårsaget af jordskælv og tsunamier. En model for dybt neuralt netværk (DNN) blev udviklet og trænet ved hjælp af eksisterende data; resultatet er en hurtig, effektiv metode til at estimere magnetiske felter til hidtil uset tidlig detektion af naturkatastrofer. Dette er afgørende for at udvikle effektive varslingssystemer, der kan hjælpe med at reducere tab og omfattende skader.

Ødelæggelserne forårsaget af jordskælv og tsunamier efterlader ingen tvivl om, at et effektivt middel til at forudsige deres forekomst er af afgørende betydning. Sikkert, Der findes allerede systemer til at advare folk lige før ankomsten af ​​seismiske bølger; endnu, det er ofte tilfældet, at S-bølgen (eller sekundærbølgen), det er, den senere del af jordskælvet, er allerede ankommet, når advarslen er givet. En hurtigere, mere præcise midler er hårdt påkrævet for at give lokale beboere tid til at søge sikkerhed og minimere tab.

Det er kendt, at jordskælv og tsunamier er ledsaget af lokale ændringer i det geomagnetiske felt. For jordskælv, det er primært det, der er kendt som en piezo-magnetisk effekt, hvor frigivelsen af ​​en massiv mængde akkumuleret stress langs en fejl forårsager lokale ændringer i det geomagnetiske felt. For tsunamier, det er den pludselige, store bevægelser af havet, der forårsager variationer i atmosfærisk tryk. Dette påvirker igen ionosfæren, efterfølgende ændring af det geomagnetiske felt. Begge kan detekteres af et netværk af observationspunkter på forskellige steder. Den største fordel ved en sådan tilgang er hastighed; huske på, at elektromagnetiske bølger bevæger sig med lysets hastighed, vi kan øjeblikkeligt detektere forekomsten af ​​en begivenhed ved at observere ændringer i det geomagnetiske felt.

Imidlertid, hvordan kan vi se, om det detekterede felt er unormalt eller ej? Det geomagnetiske felt på forskellige steder er et fluktuerende signal; hele metoden er baseret på at vide, hvad det "normale" felt på et sted er.

Dermed, Yuta Katori og Assoc. Prof. Kan Okubo fra Tokyo Metropolitan University satte sig for at udvikle en metode til at tage målinger på flere steder rundt om i Japan og skabe et skøn over det geomagnetiske felt ved forskellige, specifikke observationspunkter. Specifikt, de anvendte en state-of-the-art maskinlæringsalgoritme kendt som et Deep Neural Network (DNN), modelleret på, hvordan neuroner er forbundet inde i den menneskelige hjerne. Ved at tilføre algoritmen en enorm mængde input hentet fra historiske målinger, de lader algoritmen skabe og optimere en ekstremt kompleks, flerlags sæt operationer, der mest effektivt kortlægger dataene til det, der rent faktisk blev målt. Ved at bruge en halv million datapunkter over 2015, de var i stand til at skabe et netværk, der kan estimere magnetfeltet ved observationspunktet med hidtil uset nøjagtighed.

I betragtning af de relativt lave beregningsomkostninger ved DNN'er, systemet kan potentielt parres med et netværk af højfølsomme detektorer for at opnå lynhurtig detektion af jordskælv og tsunamier, leverer et effektivt advarselssystem, der kan minimere skader og redde liv.