Os cientistas desenvolveram um modelo de aprendizagem profunda, RECAST, para prever réplicas de terremotos. Este modelo demonstra adaptabilidade e escalabilidade superiores em comparação com o modelo ETAS existente, especialmente com conjuntos de dados sismológicos maiores. O modelo poderá levar a melhores previsões, mesmo em áreas com dados limitados, ao aproveitar informações de múltiplas regiões globais.
Os pesquisadores desenvolveram um modelo de aprendizagem profunda, RECAST, que supera os métodos tradicionais na previsão de réplicas de terremotos, especialmente com conjuntos de dados maiores. Este avanço promete uma melhor previsão de terremotos usando dados globais abrangentes.
Durante mais de 30 anos, os modelos que os investigadores e as agências governamentais utilizam para prever as réplicas dos terramotos permaneceram praticamente inalterados. Embora estes modelos mais antigos funcionem bem com dados limitados, eles enfrentam dificuldades com os enormes conjuntos de dados sismológicos que estão agora disponíveis.
Para resolver esta limitação, uma equipa de investigadores da Universidade da Califórnia, Santa Cruz, e da Universidade Técnica de Munique criou um novo modelo que utiliza aprendizagem profunda para prever tremores secundários: o Recurrent Earthquake foreCAST (RECAST). Num artigo publicado recentemente em Cartas de Pesquisa Geofísicaos cientistas mostram como o modelo de aprendizagem profunda é mais flexível e escalável do que os modelos de previsão de terremotos usados atualmente.
Comparando RECAST com modelos existentes
O novo modelo superou o modelo atual, conhecido como modelo Epidemic Type Aftershock Sequence (ETAS), para catálogos de terremotos de cerca de 10.000 eventos ou mais.
“A abordagem do modelo ETAS foi projetada para as observações que tivemos nas décadas de 80 e 90, quando tentávamos construir previsões confiáveis baseadas em muito poucas observações”, disse Kelian Dascher-Cousineau, autor principal do artigo e que concluiu recentemente seu doutorado. na UC Santa Cruz. “É um cenário muito diferente hoje.” Agora, com equipamentos mais sensíveis e maiores capacidades de armazenamento de dados, os catálogos de terremotos são muito maiores e mais detalhados.”

Danos de um terremoto de 2020 em Porto Rico. Crédito: Serviço Geológico dos Estados Unidos
“Começamos a ter catálogos de milhões de terremotos, e o modelo antigo simplesmente não conseguia lidar com essa quantidade de dados”, disse Emily Brodsky, professora de ciências terrestres e planetárias na UC Santa Cruz e coautora do artigo. Na verdade, um dos principais desafios do estudo não foi conceber o novo modelo RECAST em si, mas fazer com que o antigo modelo ETAS funcionasse em enormes conjuntos de dados, a fim de comparar os dois.
“O modelo ETAS é um tanto frágil e tem muitas maneiras sutis e meticulosas de falhar”, disse Dascher-Cousineau. “Portanto, passamos muito tempo nos certificando de que não estávamos atrapalhando nosso benchmark em comparação com o desenvolvimento real do modelo.”
Aplicações práticas e potencial futuro
Aventurando-se ainda mais no domínio do aprendizado profundo para previsão de tremores secundários, Dascher-Cousineau diz que o campo precisa de um sistema melhor de benchmarking. Para demonstrar as capacidades do modelo RECAST, o grupo utilizou primeiro um modelo ETAS para simular um catálogo de terremotos. Depois de trabalhar com os dados sintéticos, os pesquisadores testaram o modelo RECAST usando dados reais do catálogo de terremotos no sul da Califórnia.
Descobriram que o modelo RECAST — que pode, essencialmente, aprender como aprender — teve um desempenho ligeiramente melhor do que o modelo ETAS na previsão de réplicas, especialmente à medida que a quantidade de dados aumentava. O esforço computacional e o tempo também foram significativamente melhores para catálogos maiores.
Esta não é a primeira vez que os cientistas tentam usar aprendizado de máquina para prever terremotos, mas até recentemente a tecnologia não estava totalmente pronta, disse Dascher-Cousineau. Novos avanços no aprendizado de máquina tornam o modelo RECAST mais preciso e facilmente adaptável a diferentes catálogos de terremotos.
A flexibilidade do modelo poderia abrir novas possibilidades para a previsão de terremotos. Com a capacidade de se adaptarem a grandes quantidades de novos dados, os modelos que utilizam aprendizagem profunda poderiam potencialmente incorporar informações de múltiplas regiões ao mesmo tempo para fazer melhores previsões sobre áreas pouco estudadas.
“Poderemos treinar na Nova Zelândia, Japão, Califórnia e ter um modelo que seja realmente muito bom para fazer previsões em locais onde os dados podem não ser tão abundantes”, disse Dascher-Cousineau.
O uso de modelos de aprendizagem profunda também permitirá aos pesquisadores expandir o tipo de dados que usam para prever a sismicidade.
“Estamos registrando o movimento do solo o tempo todo”, disse Brodsky. “Portanto, o próximo nível é realmente usar todas essas informações, não se preocupar se estamos chamando isso de terremoto ou não, mas usar tudo.”
Entretanto, os cientistas estão optimistas de que o modelo irá desencadear discussões sobre as possibilidades da nova tecnologia.
“Tem todo esse potencial associado”, disse Dascher-Cousineau. “Porque foi projetado dessa forma.”