Исследователи UCSC и TU Munich предлагают RECAST новую модель на основе глубокого обучения для прогнозирования последующих толчков.

UCSC and TU Munich researchers propose RECAST, a new deep learning-based model for predicting subsequent aftershocks.

Искусственный интеллект находит свое применение во многих областях. В этой области ведется обширное исследование. Нам еще есть многое узнать. Модели искусственного интеллекта и глубокого обучения также играют важную роль в сейсмографии, поскольку они используются для прогнозирования землетрясений. В течение многих предыдущих лет модели прогнозирования афтершоков землетрясений оставались прежними. Эти старые модели хорошо работают с небольшими наборами данных, но сталкиваются с трудностями при работе с большими наборами данных.

Чтобы решить эту проблему, исследователи из Университета Калифорнии в Санта-Крузе и Мюнхенского технического университета создали новую модель, использующую глубокое обучение, называемую RECAST. Они использовали глубокое обучение в основе этой модели, поскольку оно полезно для работы с большими наборами данных. Новая модель была эффективнее по сравнению со старой моделью, так как она превзошла старую модель во всех возможных аспектах. Старая модель прогнозирования землетрясений ETAS была создана несколько лет назад, когда у исследователей были ограниченные данные. Но сегодня у нас есть огромные наборы данных, с которыми старая модель не может работать. Старая модель ETAS хрупкая и трудна в использовании. Чтобы улучшить прогнозирование землетрясений с помощью глубокого обучения, нам нужен лучший способ сравнивать модели. Модель RECAST была протестирована на синтетических и реальных данных о землетрясениях в Южной Калифорнии. Она показала немного лучшие результаты по сравнению с моделью ETAS, особенно при наличии большего количества данных, и она работала быстрее.

Исследователи уже пытались использовать модели машинного и глубокого обучения для прогнозирования землетрясений, но технология была еще не готова. Модель RECAST более точна и легко работает с различными наборами данных о землетрясениях. Эта гибкость может революционизировать прогнозирование землетрясений. С помощью глубокого обучения модели могут обрабатывать большие объемы новых данных и даже комбинировать информацию из разных регионов для прогнозирования землетрясений в малоизученных районах. Эта информация о моделях глубокого обучения была довольно полезна и исследовалась. Исследователи также обнаружили, что модель, обученная на данных из Новой Зеландии, Японии и Калифорнии, может быть использована для прогнозирования землетрясений в местах с недостаточными данными.

Эти модели глубокого обучения также помогут исследователям получить доступ к различным типам данных для прогнозирования землетрясений. Теперь они могут использовать непрерывные данные о движении земной поверхности вместо того, чтобы сосредоточиться на чем-то, официально классифицированном как землетрясение. Это задача классификации. Точность и F1-оценка модели были довольно высокими для больших наборов данных. Исследователи все еще работают над этой новой моделью, которая будет способствовать и мотивировать обсуждения всех возможностей, потому что у нее есть большой потенциал.