Notícias

May 22, 2023

Um codificador neural para previsão de taxas de terremotos

Relatórios Científicos volume 13, Número do artigo: 12350 (2023) Citar este artigo 481 Acessos 3 Detalhes das métricas altmétricas Prever o momento dos terremotos é um desafio de longa data. Além disso,

Scientific Reports volume 13, Artigo número: 12350 (2023) Citar este artigo

481 Acessos

3 Altmétrico

Detalhes das métricas

Prever o momento dos terremotos é um desafio antigo. Além disso, ainda se debate como formular este problema de uma forma útil, ou comparar o poder preditivo de diferentes modelos. Aqui, desenvolvemos um codificador neural versátil de catálogos de terremotos e o aplicamos ao problema fundamental de previsão da taxa de terremotos, na estrutura do processo de ponto espaço-temporal. O modelo de sequência de tremores secundários do tipo epidêmico (ETAS) aprende efetivamente um pequeno número de parâmetros para restringir as formas funcionais assumidas para as correlações espaciais e temporais das sequências de terremotos (por exemplo, lei de Omori-Utsu). Aqui apresentamos incorporações espaciais e temporais aprendidas para modelos de previsão de terremotos de processos pontuais que capturam estruturas de correlação complexas. Demonstramos a generalidade desta representação neural em comparação com o modelo ETAS usando divisões de dados de teste de trem e como ela permite a incorporação de informações geofísicas adicionais. Em tarefas de previsão de taxa, o modelo generalizado mostra uma melhoria \(>4\%\) no ganho de informação por terremoto e o aprendizado simultâneo de estruturas espaciais anisotrópicas análogas aos traços de falhas. A rede treinada também pode ser usada para realizar tarefas de previsão de curto prazo, mostrando melhorias semelhantes e proporcionando uma redução de 1.000 vezes no tempo de execução.

A aplicação do aprendizado de máquina (ML) para a análise de dados sismológicos tem visto progressos recentes substanciais destacados por novas abordagens para a classificação e caracterização de formas de ondas sísmicas1,2, seleção automática de fase3, identificação de terremotos de baixa magnitude4 e organização de catálogo5, 6. No desenvolvimento de catálogos de terremotos, as abordagens de ML aumentaram o número de eventos detectados em dez vezes4 e possivelmente reduzirão a dependência do tempo de viagem para o alerta precoce de terremotos, da velocidade das ondas sísmicas à velocidade da luz7.

No entanto, na modelagem de sequências de terremotos, as técnicas de aprendizado de máquina produziram um progresso limitado em termos de permitir melhores caracterizações de padrões de sismicidade8,9. A tarefa específica de prever o momento de futuros eventos sísmicos é um desafio antigo e fundamental, tanto como questão científica básica como para análise de perigos aplicada. Embora em alguns casos a actividade sísmica apresente padrões temporais10 ou espaciais11 relativamente consistentes, o tempo, a localização e a magnitude da sismicidade continuam a ser difíceis de prever quantitativamente12.

A abordagem mais moderna para este problema na sismologia estatística é representar sequências de terremotos como um processo pontual espaço-temporal . Nesta abordagem, o modelo tem a tarefa de prever a taxa instantânea de ocorrência de terremotos acima de uma certa magnitude, \(\lambda (x, y, t \mid H_{t-})\), onde x, y são coordenadas espaciais ( longitude e latitude ou coordenadas projetadas no mapa) e t é o tempo. \(H_{t-}\) representa todas as informações disponíveis para o modelo antes do tempo t. A função dependente do tempo \(\lambda\) é a representação quantitativa da intensidade da atividade sísmica, caracterizando as épocas do abalo anterior16,17 e do abalo secundário18, bem como servindo de base para a avaliação do risco sísmico19.

O modelo de sequência de tremores do tipo epidêmico (ETAS)13,20 é o modelo mais comumente usado, representando \(\lambda\) como um processo de ramificação autoexcitante, que assume uma “taxa de fundo” de sismicidade e uma função de resposta, f , cuja forma específica é escolhida de modo que as estatísticas de longo prazo dos catálogos sintéticos de terremotos gerados a partir do modelo reproduzam as duas distribuições fenomenológicas de sismicidade amplamente observadas: (1) a lei de Omori-Utsu de decaimento da taxa de tremores secundários e (2) a lei de Gutenberg- Distribuição Richter de magnitudes de eventos. Existem algumas escolhas populares para a função de resposta21,22,23,24, que compartilham a forma de, \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i ;M_i)\). Aqui \(\mu\) é chamado de “taxa de fundo” independente do tempo, T é um kernel temporal apresentando um decaimento da lei de potência consistente com a lei de Omori, e S é um kernel de decaimento espacial22,25. \(x_i, y_i\) e \(t_i\) são a localização hipocentral do terremoto e o horário de ocorrência, respectivamente.