L’intelligenza artificiale sta stimolando la nascita di nuovi metodi per modellare e risolvere problemi complessi: per esempio la previsione dei terremoti in una ricerca pubblicata su Scientific Reports di Nature
I fenomeni precursori dei terremoti hanno sempre attirato l’attenzione dei sismologi. Una sfida importante per i ricercatori in geofisica è infatti la capacità di sfruttare questi fenomeni per prevedere l’evoluzione dei terremoti, in particolare quelli indotti in aree geotermiche.
Il gruppo di ricerca MODAL, guidato da Francesco Piccialli, docente di informatica Federico II (Dipartimento di Matematica e Applicazioni “Renato Caccioppoli”), ha lavorato con l’INGV e l’Università di Salerno per creare e progettare PreD-NET (precursor detection network), un modello di deep learning per l’identificazione dei precursori di terremoti indotti. L’obiettivo è quello di sviluppare un modello robusto e affidabile per il monitoraggio e l’allerta precoce di eventi sismici. PreD-Net offre un sostegno essenziale alla mitigazione del rischio identificando i “precursori” di terremoti potenzialmente pericolosi utilizzando metodologie avanzate di analisi multiparametrica.
Tra i precursori più studiati, i foreshocks (piccoli terremoti di solito non percepibili dalla popolazione) giocano un ruolo fondamentale. Tuttavia, la loro identificazione rispetto alla specifica sequenza sismica di riferimento rimane ancora un problema. Quanto più è bassa la magnitudo dei foreshocks tanto più è difficile il compito di categorizzazione. Oggi la sismologia in tempo reale può beneficiare dell’uso dell’intelligenza artificiale per affrontare la sfida della discriminazione efficace dei segnali precursori. Attraverso l’addestramento su cataloghi sismici ampi, questa rete neurale dimostra una elevata capacità di previsione con un’accuratezza del 98%. Questo è un grande passo avanti nel campo degli studi del rischio sismico.
L’articolo illustra come l’intelligenza artificiale aiuti a minimizzare i falsi positivi aiutando i ricercatori a direzionare la loro attenzione. La piattaforma informatica denominata PreD-Net è stata addestrata con dati relativi a tre diverse aree di sismicità indotta, ovvero The Geysers, situato in California (USA), Cooper Basin in Australia e Hengill in Islanda. La rete mostra un’adeguata generalizzazione del modello, fornendo risultati considerevoli su campioni che non sono stati utilizzati durante la fase di addestramento della rete in tutti i siti. I test su campioni correlati di grandi eventi indotti, con l’aggiunta dei dati raccolti dal catalogo di Basilea, in Svizzera, indicano la possibilità di costruire una strategia di allarme in tempo reale.
Questa ricerca, è il primo risultato tangibile del Progetto di Rilevanza Nazionale (PRIN) denominato D.I.R.E.C.T.I.O.N.S., che combina competenze geofisiche, sismologiche e informatiche. Il progetto offre strumenti concreti per la gestione dei terremoti, con implicazioni significative per la sicurezza delle aree interessate e per l’industria energetica. Lo studio, pubblicato sulla rivista Scientific Reports della collana Nature, rappresenta un esempio eccellente di collaborazione interdisciplinare nel campo della ricerca sismologica e pone le basi per molte future applicazioni.
Per approfondire
- Deep learning forecasting of large induced earthquakes via precursory signals (doi: https://doi.org/10.1038/s41598-024-52935-2)