Новая модель глубокого обучения RECAST превосходит традиционные методы в прогнозировании афтершоков землетрясений

Исследователи из Калифорнийского университета в Санта-Крузе и Мюнхенского технического университета создали модель глубокого обучения RECAST, которая превосходит традиционные методы в прогнозировании афтершоков землетрясений, особенно при работе с большими массивами данных. Это достижение обещает значительно улучшить прогнозирование землетрясений на основе всеобъемлющих глобальных данных.

На протяжении более трех десятилетий модели, используемые исследователями и государственными органами для прогнозирования афтершоков землетрясений, оставались практически неизменными. Несмотря на то, что старые модели доказали свою эффективность при работе с ограниченным объемом данных, они с трудом справляются с огромным количеством сейсмологических данных, которые доступны в настоящее время.

Чтобы преодолеть это ограничение, исследовательская группа разработала новую модель, использующую глубокое обучение для прогнозирования афтершоков: Recurrent Earthquake foreCAST (RECAST). В недавно опубликованной в журнале Geophysical Research Letters работе ученые демонстрируют, что эта модель глубокого обучения является более гибкой и масштабируемой по сравнению с используемыми в настоящее время моделями прогнозирования землетрясений.

Модель RECAST превосходит существующую модель, известную как модель последовательности афтершоков эпидемического типа (ETAS), для каталогов землетрясений, состоящих примерно из 10 000 событий и более. Модель ETAS была разработана с учетом ограниченного объема наблюдений, имевшихся в 80-90-е годы, но с развитием чувствительности оборудования и возможностей хранения данных каталоги землетрясений стали значительно больше и детальнее.

Эмили Бродски, профессор кафедры наук о Земле и планетах Калифорнийского университета в Санта-Крузе и соавтор статьи, объясняет: "Мы начали составлять каталоги землетрясений, насчитывающие миллионы, и старая модель просто не могла справиться с таким объемом данных". Одна из главных проблем, с которой столкнулись исследователи, заключалась не в разработке новой модели RECAST, а в обеспечении эффективной работы старой модели ETAS с огромными массивами данных для сравнения.

Келиан Дашер-Кузино, ведущий автор статьи, подчеркивает необходимость создания более совершенной системы бенчмаркинга в области глубокого обучения для прогнозирования афтершоков. Чтобы продемонстрировать возможности модели RECAST, команда первоначально использовала модель ETAS для имитации каталога землетрясений. После работы с синтетическими данными было проведено тестирование модели RECAST на реальных данных из каталога землетрясений Южной Калифорнии.

Результаты показали, что модель RECAST, обладающая способностью к самообучению, несколько превосходит модель ETAS в прогнозировании афтершоков, особенно при увеличении объема данных. Кроме того, при работе с большими каталогами значительно сократились вычислительные усилия и время.

Благодаря этой революционной разработке в области прогнозирования афтершоков землетрясений ученые и исследователи с оптимизмом смотрят на будущий потенциал моделей глубокого обучения, подобных RECAST. Эти разработки способны произвести революцию в прогнозировании землетрясений и улучшить наше понимание этих стихийных бедствий.