Seit mehr als 30 Jahren sind die Modelle, die Forscher und Regierungsbehörden zur Vorhersage von Erdbebennachbeben verwenden, weitgehend unverändert geblieben. Während diese älteren Modelle mit begrenzten Daten gut funktionieren, haben sie Probleme mit den riesigen seismologischen Datensätzen, die jetzt verfügbar sind.
Um dieser Einschränkung zu begegnen, hat ein Forscherteam der University of California, Santa Cruz und der Technischen Universität München ein neues Modell entwickelt, das Deep Learning zur Vorhersage von Nachbeben nutzt: das Recurrent Earthquake foreCAST (RECAST). In einem heute veröffentlichten Artikel in Geophysikalische Forschungsbriefezeigen die Wissenschaftler, dass das Deep-Learning-Modell flexibler und skalierbarer ist als die derzeit verwendeten Erdbebenvorhersagemodelle.
Das neue Modell übertraf das aktuelle Modell, das als Epidemic Type Aftershock Sequence (ETAS)-Modell bekannt ist, für Erdbebenkataloge mit etwa 10.000 Ereignissen und mehr.
„Der ETAS-Modellansatz wurde für die Beobachtungen entwickelt, die wir in den 80er und 90er Jahren hatten, als wir versuchten, zuverlässige Vorhersagen auf der Grundlage sehr weniger Beobachtungen zu erstellen“, sagte Kelian Dascher-Cousineau, der Hauptautor der Arbeit, der kürzlich seine Doktorarbeit abgeschlossen hat .D. an der UC Santa Cruz. „Es ist heute eine ganz andere Landschaft.“ Dank empfindlicherer Geräte und größerer Datenspeicherkapazitäten sind die Erdbebenkataloge heute viel umfangreicher und detaillierter
„Wir haben angefangen, Millionen-Erdbeben-Kataloge zu haben, und das alte Modell konnte diese Datenmenge einfach nicht verarbeiten“, sagte Emily Brodsky, Professorin für Geo- und Planetenwissenschaften an der UC Santa Cruz und Mitautorin des Papiers. Tatsächlich bestand eine der größten Herausforderungen der Studie nicht darin, das neue RECAST-Modell selbst zu entwerfen, sondern das ältere ETAS-Modell dazu zu bringen, mit riesigen Datensätzen zu arbeiten, um die beiden zu vergleichen.
„Das ETAS-Modell ist ziemlich brüchig und weist viele sehr subtile und heikle Möglichkeiten auf, auf die es scheitern kann“, sagte Dascher-Cousineau. „Deshalb haben wir viel Zeit darauf verwendet, sicherzustellen, dass wir unseren Benchmark im Vergleich zur tatsächlichen Modellentwicklung nicht vermasseln.“
Um weiterhin Deep-Learning-Modelle auf Nachbebenvorhersagen anzuwenden, braucht der Bereich laut Dascher-Cousineau ein besseres System für das Benchmarking. Um die Leistungsfähigkeit des RECAST-Modells zu demonstrieren, simulierte die Gruppe zunächst mit einem ETAS-Modell einen Erdbebenkatalog. Nach der Arbeit mit den synthetischen Daten testeten die Forscher das RECAST-Modell anhand realer Daten aus dem Erdbebenkatalog für Südkalifornien.
Sie fanden heraus, dass das RECAST-Modell – das im Wesentlichen lernen kann, wie man lernt – bei der Vorhersage von Nachbeben etwas besser abschnitt als das ETAS-Modell, insbesondere wenn die Datenmenge zunahm. Auch der Rechenaufwand und die Zeit waren bei größeren Katalogen deutlich besser.
Dies ist nicht das erste Mal, dass Wissenschaftler versucht haben, maschinelles Lernen zur Vorhersage von Erdbeben zu nutzen, aber bis vor Kurzem war die Technologie noch nicht ganz ausgereift, sagte Dascher-Cousineau. Neue Fortschritte beim maschinellen Lernen machen das RECAST-Modell genauer und einfacher an verschiedene Erdbebenkataloge anpassbar.
Die Flexibilität des Modells könnte neue Möglichkeiten für die Erdbebenvorhersage eröffnen. Mit der Fähigkeit, sich an große Mengen neuer Daten anzupassen, könnten Modelle, die Deep Learning nutzen, möglicherweise Informationen aus mehreren Regionen gleichzeitig integrieren, um bessere Prognosen über schlecht untersuchte Gebiete zu erstellen.
„Vielleicht können wir auf Neuseeland, Japan und Kalifornien trainieren und haben ein Modell, das sich eigentlich recht gut für Vorhersagen an Orten eignet, an denen die Daten möglicherweise nicht so reichlich vorhanden sind“, sagte Dascher-Cousineau.
Der Einsatz von Deep-Learning-Modellen wird es den Forschern schließlich auch ermöglichen, die Art der Daten zu erweitern, die sie zur Vorhersage der Seismizität verwenden.
„Wir zeichnen ständig Bodenbewegungen auf“, sagte Brodsky. „Die nächste Stufe besteht also darin, alle diese Informationen tatsächlich zu nutzen, und sich nicht darum zu kümmern, ob wir es ein Erdbeben nennen oder nicht, sondern alles zu nutzen.“
In der Zwischenzeit hoffen die Forscher, dass das Modell Diskussionen über die Möglichkeiten der neuen Technologie anregen wird.
„Damit ist all dieses Potenzial verbunden“, sagte Dascher-Cousineau. „Weil es so konzipiert ist.“
Mehr Informationen:
Kelian Dascher-Cousineau et al., Verwendung von Deep Learning für flexible und skalierbare Erdbebenvorhersagen, Geophysikalische Forschungsbriefe (2023). DOI: 10.1029/2023GL103909