Das Erdbeben in Hualien Wurde 20 Sekunden Im Voraus Gemeldet. Ist Eine Genaue Erdbebenvorhersage Nicht Mehr Weit Entfernt?

Der Einsatz von Technologien des maschinellen Lernens wie Deep Learning und neuronalen Netzwerken zur Analyse und Untersuchung von Erdbebenproblemen kann den Wert einiger Daten offenbaren, die für den Menschen unsichtbar sind. Erreichen Sie eine höhere Genauigkeit bei Vorhersagen, beispielsweise zu Nachbeben und Mikroerdbeben.

Am 18. April um 13:01 Uhr ereignete sich in Hualien, Taiwan, plötzlich ein Erdbeben der Stärke 6,7. Dies war das stärkste Erdbeben in Taiwan seit fast 20 Jahren und die Erschütterungen waren in vielen Gebieten nahe der Taiwanstraße zu spüren. Glücklicherweise gab es bei diesem Erdbeben nur wenige Unfallverletzte.

Medienberichten zufolge erhielt New Taipei City 20 Sekunden bevor das Erdbeben spürbar wurde, eine Warnmeldung. Der ehemalige „Bürgermeister“ von New Taipei City, Zhu Lilun, wurde zu diesem Zeitpunkt interviewt und das Interviewmaterial zeichnete auch die Szene auf, als er die Warnung erhielt.

Die im Video vorab empfangene Nachricht wird als Erdbebenwarnung bezeichnet. Dabei handelt es sich um das Senden einer Warnung an Gebiete, die weit vom Epizentrum entfernt sind, nachdem ein Erdbeben stattgefunden hat, normalerweise Dutzende von Sekunden im Voraus. Obwohl diese Technologie ausgereift ist, kann sie nur Gebieten am Rande der Erdbebenzone helfen, während man sie im Epizentrum dem Schicksal überlassen kann.

Im Gegensatz zur Erdbebenfrühwarnung besteht die Erdbebenvorhersage in der Fähigkeit, Zeitpunkt, Ort und Stärke eines Erdbebens vor seinem Auftreten genau vorherzusagen, sodass im Voraus Gegenmaßnahmen eingeleitet werden können. Aufgrund der komplexen Ursachen von Erdbeben und der spärlichen Datenlage ist es uns jedoch bis heute nicht möglich, Erdbeben präzise vorherzusagen.

Es ist jedoch erfreulich, dass Wissenschaftler, obwohl das Problem der Erdbebenvorhersage noch nicht gelöst ist, in den letzten Jahren begonnen haben, maschinelle Lerntechnologien wie Deep Learning und neuronale Netzwerke zur Analyse und Untersuchung von Erdbebenproblemen einzusetzen und dabei gute Vorhersageergebnisse bei Prognosen wie Nachbeben und Mikroerdbeben erzielt haben.

Harvard und Google arbeiten zusammen, um mithilfe von maschinellem Lernen Nachbeben vorherzusagen

Erdbeben sind keine isolierten Ereignisse; Auf einen „Hauptschock“ (normalerweise ein Ereignis, das Schlagzeilen macht) folgt oft eine Reihe von „Nachbeben“. Diese Nachbeben sind zahlreich und die großen können wiederholt schwere Verletzungen verursachen. Ein typisches Beispiel ist das Erdbeben von Wenchuan am 12. Mai, auf das Zehntausende Nachbeben folgten, die eine große Bedrohung für die Rettungsbemühungen darstellten.

Daher ist die Erkennung von Nachbeben auch ein wichtiger Teil der Erdbebenvorhersage. Bei herkömmlichen Methoden gibt es zwar einige empirische Regeln und Verfahren zur Einschätzung des Zeitpunkts und der Stärke von Nachbeben, der Ort lässt sich jedoch im Allgemeinen nicht genau vorhersagen und es sind umständliche Verfahren zur Durchführung erforderlich.

Die Harvard University arbeitet mit Machine-Learning-Experten von Google zusammen, um mithilfe von Deep Learning vorherzusagen, wo Nachbeben auftreten werden. Ihre Forschung erzielte einen Durchbruch und die endgültigen Ergebnisse wurden im August 2018 in Nature veröffentlicht.

Ihre Datenbank enthält Informationen zu mindestens 199 schweren Erdbeben, die sich weltweit ereignet haben. Auf der Grundlage dieser Datenbank verwendeten sie ein neuronales Netzwerkmodell, um vor allem die Beziehung zwischen den durch die Hauptbeben und die Nachbebenorte verursachten Änderungen der statischen Spannung zu analysieren. Der Algorithmus ist in der Lage, aus den Dateninformationen nützliche Muster zu erkennen.

Sie erhielten schließlich das optimale Modell zur Vorhersage der Nachbebenposition. Obwohl das System noch verbessert werden muss, handelt es sich hier um einen Fortschritt in diese Richtung.

Die Forschung hatte auch einen unerwarteten Nutzen: Sie half dem Team, die bei Erdbeben beteiligten physikalischen Größen zu identifizieren, was für die Erdbebenforschung sehr wichtig ist. Wenn neuronale Netzwerke auf Datensätze angewendet werden, können sie Einblicke in die spezifische Kombination von Faktoren gewinnen, die für Vorhersagen entscheidend sind, anstatt die Vorhersagen nur als numerische Werte zu betrachten.

Meade, eines der Teammitglieder, erklärte einmal: „Traditionelle Seismologen sind eher wie Pathologen. Sie untersuchen, was nach katastrophalen Erdbeben passiert. Das wollen wir nicht. Wir wollen Epidemiologen sein. Wir wollen die Auslöser und Ursachen dieser Ereignisse verstehen.“

Man geht davon aus, dass maschinelles Lernen in Zukunft die Geheimnisse von Erdbeben lüften und die von ihnen verursachten Schäden verringern kann.

Erdbebenvorhersage anhand von 550.000 Proben lernen

Basierend auf den von Harvard und Google vorgeschlagenen KI-Modellen haben Forscher der Stanford University auch ein künstliches Intelligenzmodell entwickelt, das sich auf die Erkennung und Vorhersage von Mikroerdbeben konzentriert und letztendlich eine hohe Genauigkeitsrate erreicht.

Mikroerdbeben oder Erdbeben geringer Intensität sind Erdbeben mit einer momentanen Stärke von 2,0 oder weniger. Solche Erdbeben sind weniger zerstörerisch, werden jedoch manchmal von Erdbebenüberwachungssystemen aufgrund von Faktoren wie Hintergrundgeräuschen, kleinen Ereignissen und Fehlalarmen übersehen.

Das von der Stanford University entwickelte KI-Modell namens Cnn-Rnn Earthquake Detector (CRED) kann anhand kontinuierlich aufgezeichneter historischer Daten präzise Informationen zu Mikroerdbeben erkennen.

Das System besteht aus zwei Arten neuronaler Netzwerkschichten:Faltungsneuronale Netze (CNN) und rekurrente neuronale Netze (RNN). CNN extrahiert Merkmale aus Erdbebensensoren, während RNN Speicher- und Eingabedaten kombinieren kann, um die Genauigkeit seiner Vorhersagen zu verbessern und Sequenzmerkmale ähnlich wie Seismographen zu erlernen.

Diese beiden bilden eineRahmen für das Restlernen,Dies geschieht, um Probleme wie Überanpassung zu verringern, die in mehrschichtigen neuronalen Netzwerken auftreten können. Auf diese Weise können neuronale Netzwerke ihre Genauigkeit beibehalten und gleichzeitig detailliertere Merkmale aus dem Datensatz erlernen. Außerdem wird die Optimierung einfacher.

Um das KI-System zur Erdbebenerkennung zu trainieren und zu validieren, sammelten die Forscher kontinuierlich aufgezeichnete Daten aus Guy-Greenbrier, Arkansas, aus dem Jahr 2011, die 3.788 Ereignisse enthielten, sowie 550.000 30-Sekunden-Erdbebenkarten von 889 Überwachungsstationen in Nordkalifornien, darunter drei Indikatoren.

Zur Bewertung der Leistung werden 50.000 Proben aus 550.000 Daten verwendet. Das Ergebnis ist, dass das Netzwerkmodell Erdbebensignale genau identifizieren kann, unabhängig von der Stärke des Erdbebens, davon, ob es lokal auftritt oder ob starke Hintergrundgeräusche vorhanden sind. Darüber hinaus benötigt KI nur eine Teilaufzeichnung, um Erdbeben zu erkennen.

Als das Modell kontinuierlich mit Daten aus dem Guy-Greenbrier-Datensatz gespeist wurde, erkannte es, nachdem es fast eine Stunde zum Trainieren am Computer benötigt hatte, 1.102 Mikro- und große Erdbeben, die durch hydraulisches Aufbrechen, Abwassereinspritzung und tektonische Plattenbewegungen verursacht wurden, darunter 77, die noch nie zuvor aufgezeichnet worden waren.

Der Bericht stellte fest, dass das Lernmodell in allen Tests eine „überlegene“ Leistung im Vergleich zu zwei weit verbreiteten seismischen Systemen zeigte. Weil Computermodelle den Wert einiger Daten analysieren können, die für den Menschen nicht sichtbar sind.

Auch,Die Skalierbarkeit des Modells wurde ebenfalls verbessert.„Nach dem Training kann das Modell in Echtzeit auf seismische Datenströme angewendet werden“, schrieben sie. „Die seismischen Signale werden basierend auf ihrer spektralen Struktur mit hoher Auflösung und sehr geringer Falsch-Positiv-Rate modelliert.“

Das Team ist davon überzeugt, dass das maschinelle Lernmodell problemlos auf mehrere Sensoren hochskaliert werden könnte, was eine Echtzeitüberwachung in tektonisch aktiven Gebieten ermöglichen und auch als Grundlage für ein Frühwarnsystem für Erdbeben dienen könnte.

Wenn die Beurteilung kleiner Erdbeben genau genug ist, wird dies für das Vorhersagemodell, das zur Vorhersage großer Erdbeben verwendet wird, von großer Bedeutung sein.

Erdbebenvorhersage könnte in Zukunft möglich sein

Mithilfe von Techniken des maschinellen Lernens können simulierte Aufzeichnungen vergangener Erdbeben geführt werden. Da die Qualität der Datenträger, auf denen diese Daten aufgezeichnet werden, immer schlechter wird, kämpfen Seismologen gegen die Zeit, um diese wertvollen Informationen zu bewahren.

Einige Forscher nutzen Algorithmen des maschinellen Lernens, um seismische Daten zu durchforsten und so Nachbeben von Erdbeben und vulkanischer Seismizität besser zu identifizieren. Außerdem können sie Vorboten von Erschütterungen überwachen, die auf Deformationen an Plattengrenzen hinweisen, wo es zu heftigen Erdbeben kommen könnte.

Andere Forscher nutzen Techniken des maschinellen Lernens, um den Ursprung von Erdbeben zu lokalisieren und kleine Beben von anderem seismischen „Rauschen“ in der Umgebung zu unterscheiden.

Lange Zeit glaubten einige Wissenschaftler, dass es unmöglich sei, Erdbeben vollständig vorherzusagen. Doch den aktuellen Forschungsergebnissen zufolge ist die Vorhersage von Erdbeben vielleicht nicht mehr „unmöglich“. Durch genaue Vorhersagen von Nachbeben und Mikroerdbeben kann das Problem der Vorhersage großer Erdbeben möglicherweise schon in naher Zukunft überwunden werden.

Naturkatastrophen sind unkontrollierbar. Wir können nur hoffen, dass wir die Möglichkeiten moderner Technologien nutzen können, um zu verhindern, dass Naturkatastrophen irgendjemandem Schaden zufügen.

Freuen Sie sich auf den Tag, an dem auf maschinellem Lernen basierende Vorhersagen dabei helfen, Rettungsdienste einzusetzen und Evakuierungspläne für Gebiete bereitzustellen, die von Nachbeben bedroht sind.