Inteligência artificial melhora as previsões de locais de terremotos


Entender como os terremotos interagem é a chave para a previsão confiável de terremotos. Um estudo sobre inteligência artificial revela como a mudança de estresse induzida por terremotos em falhas geológicas afeta essas interações.

Todos os grandes terremotos são seguidos por outros menores, chamados de réplicas, que podem ser perigosos. A previsão de tremores secundários é uma área de interesse sismológico de longa data. Está recebendo atenção renovada por causa das sequências de terremotos na Itália, Nova Zelândia e Japão na última década, nas quais o primeiro terremoto na seqüência não foi o mais destrutivo. Escrevendo na Nature, DeVries usa ferramentas de aprendizado de máquina para dar uma nova olhada em como as mudanças no estresse geológico geradas por terremotos influenciam a distribuição espacial de tremores secundários. O trabalho dos autores fornece previsões mais precisas de localizações posteriores do que a abordagem padrão.

A previsão determinista do terremoto continua sendo uma meta indescritível, mas os sismólogos estão trabalhando intensamente para fazer previsões probabilísticas quantitativas de futuras ocorrências sísmicas.

Entre os fatores que afetam as probabilidades do terremoto, destaca-se a mudança no estresse induzido por um terremoto no potencial local de iniciação de outro. A previsão probabilística depende de propriedades estatísticas bem estabelecidas de sismicidade – a distribuição espacial e temporal de terremotos. Embora os terremotos se concentrem no espaço e no tempo, os grandes são raros, o que torna a documentação das interações entre esses terremotos intrinsecamente desafiadora.

Grandes terremotos, no entanto, podem ser seguidos por milhares de réplicas, que são indistinguíveis de outros terremotos. Os abalos secundários ocorrem pelo mesmo mecanismo, nas mesmas falhas geológicas e sob as mesmas condições que para outros terremotos. Portanto, é razoável supor que a compreensão das interações entre o maior terremoto em uma sequência (o mainshock) e seus efeitos secundários melhorará a compreensão geral das interações com terremotos.

DeVries e seus colegas estudaram essas interações de tremores secundários usando um banco de dados de distribuições publicadas de deslizamentos induzidos por mainshock – o movimento relativo de características geológicas em lados opostos de uma falta. A partir dessas distribuições, os autores calcularam as mudanças de estresse induzidas pelos mainshocks. Eles alimentaram essas informações em um sistema de inteligência artificial conhecido como rede neural artificial, que foi treinado para determinar a probabilidade de que os tremores secundários ocorressem em um local específico em uma grade espacial.

Os autores retiveram aleatoriamente 25% das sequências de tremores secundários dos dados de treinamento e usaram esse subconjunto para validar o poder preditivo de seu método de aprendizado de máquina. Eles relatam que a rede treinada pode prever as localizações dos tremores de maneira mais precisa do que a abordagem de previsão padrão, que considera apenas um aspecto da mudança induzida no estresse, conhecida como a mudança do estresse de falha de Coulomb.

Os autores descobriram que outras características da mudança de estresse desempenham um papel crucial no desencadeamento de tremores secundários. O artigo, portanto, demonstra como o machine learning poderia auxiliar a pesquisa em sismologia.

No entanto, por várias razões, pode ser prematuro inferir que o trabalho de DeVries e seus colegas levou a uma melhor compreensão física do desencadeamento de choque secundário. Uma razão é que o estudo atual – e estudos anteriores sobre o desencadeamento de terremotos secundários – focalizaram as mudanças de estresse estático que ocorrem e persistem por muito tempo após a passagem das ondas sísmicas. Mas mudanças dinâmicas de estresse causadas por ondas sísmicas também podem desencadear terremotos.

A combinação de mudanças de estresse estático e dinâmico leva a uma distribuição espacial dos terremotos secundários que difere do padrão causado apenas pelas mudanças de estresse estático.

Outro motivo para cautela é que a análise dos autores se baseia em fatores que são carregados de incerteza. Incertezas em locais de terremotos são provavelmente pequenas, mas as incertezas nas distribuições de escorregamento, das quais depende a análise de mudança de estresse, são grandes e potencialmente problemáticas.

Está bem documentado que as estimativas de deslizamento feitas por diferentes pesquisadores estão sujeitas a diferenças substanciais. A mudança de tensão inferida, que é entrada para o algoritmo de aprendizado de máquina dos autores, depende da taxa de mudança dessas distribuições de escorregamentos em relação à posição, de modo que a incerteza de escorregamento é amplificada. Esse problema é mais problemático perto da falha do que está mais longe, mas a maioria dos tremores ocorre perto da falha.

A situação é agravada pelo fato de que as estimativas de escorregamento assumem invariavelmente que ocorre deslizamento em falhas planares ou compostas por múltiplos planos. No entanto, a geometria de falhas é conhecida por ser complexa em todas as escalas.

Essa complexidade leva a fortes concentrações de tensão locais que podem desencadear os tremores secundários, mas isso não será incluído nos modelos de deslizamento que assumem falhas planares. Isso poderia explicar por que os autores não vêem evidências de falta de réplicas perto de falhas – causadas por uma diminuição geral no estresse – apesar do fato de que esse recurso é prontamente aparente em situações em que dados e circunstâncias permitem que ele seja claramente observado.

Estas questões relativas à incerteza não são particulares ao estudo dos autores, mas aconselham alguma moderação ao apelar a novos modelos físicos para explicar os resultados atuais.

Estas questões relativas à incerteza não são particulares ao estudo dos autores, mas aconselham alguma moderação ao apelar a novos modelos físicos para explicar os resultados atuais.

Independentemente da interpretação física, o desempenho da rede neural artificial de DeVries e colegas é motivador. Até poucos anos atrás, a maioria das previsões estatísticas de terremoto secundário era mais precisa do que as previsões baseadas na física, como a dos autores. Mas agora há casos em que a previsão baseada na física se realiza, assim como abordagens puramente estatísticas. O tempo parece maduro para métodos baseados em inteligência artificial entrarem na briga, e o trabalho de DeVries et al. estabeleceu esta cabeça de praia.

Os métodos de inteligência artificial têm muito a oferecer à sismologia e à ciência da Terra sólida de maneira mais ampla. Existem fenômenos socialmente importantes para entender que são informados por conjuntos de dados crescendo rapidamente em escala e escopo, e por simulações computacionais crescendo rapidamente em sofisticação e realismo. A aplicação de métodos de machine learning tem o potencial de extrair significado dessas grandes e complexas fontes de informação, mas ainda estamos nos estágios iniciais desse processo.

Via Nature

[Total: 0    Média: 0/5]