Kecerdasan Buatan Terhubung ke Prediksi Gempa Bumi

Setelah berhasil meramalkan gempa bumi di laboratorium, tim ahli geofisika menerapkan algoritma pembelajaran mesin untuk gempa bumi di pantai Pasifik barat laut.

Sisa-sisa hutan konifer berumur 2.000 tahun di Pantai Nescovin, Oregon - salah satu dari puluhan "hutan hantu" yang terletak di sepanjang pantai Oregon dan Washington. Diyakini bahwa gempa bumi skala besar pernah mengguncang zona subduksi Cascadia , dan tunggul dikuburkan di bawah puing-puing yang dibawa oleh tsunami

Pada Mei tahun lalu, setelah tidur siang selama 13 bulan, tanah di bawah Teluk Puget, Washington, bergerak dengan cepat. Gempa bumi dimulai pada kedalaman lebih dari 30 km di bawah Pegunungan Olympic, dan dalam beberapa minggu bergerak ke barat laut, mencapai pulau Vancouver di Kanada. Kemudian ia berbalik arah sebentar, merangkak kembali di sepanjang perbatasan AS, dan kemudian terdiam. Gempa bumi bulanan melepaskan energi yang cukup sehingga besarnya bisa diperkirakan 6. Pada akhir gempa, ujung selatan Pulau Vancouver maju satu sentimeter ekstra ke Samudra Pasifik.

Karena gempa bumi begitu kabur dalam ruang dan waktu, kemungkinan besar, tidak ada yang merasakannya. Gempa bumi hantu seperti itu yang terjadi lebih dalam di bawah tanah daripada gempa bumi cepat biasa dikenal sebagai "slippage lambat". Sekitar setahun sekali, mereka terjadi di Pasifik Barat Laut, di sepanjang patahan di mana lempeng Juan de Fuca perlahan merayap di bawah bagian utara tepi barat Lempeng Amerika Utara . Sejak 2003, lebih dari selusin slip lambat tercatat di jaringan luas stasiun seismologis di wilayah tersebut. Dan selama satu setengah tahun terakhir, peristiwa ini telah menjadi fokus proyek prediksi gempa, yang dipimpin oleh ahli geofisika Paul Johnson .

Tim Johnson adalah salah satu dari beberapa kelompok ilmuwan yang menggunakan pembelajaran mesin untuk mencoba mengungkap rahasia fisika gempa dan mengisolasi tanda-tanda gempa yang muncul. Dua tahun lalu, Johnson dan rekannya berhasil meramalkan gempa bumi dalam model laboratorium menggunakan algoritma pencarian pola yang sama dengan yang digunakan selama terobosan baru-baru ini dalam pengenalan gambar dan ucapan dan aplikasi kecerdasan buatan lainnya. Sejak itu, prestasi ini diulangi oleh para ilmuwan dari Eropa.

Dan sekarang, dalam sebuah makalah yang diterbitkan September ini di situs pracetak arxiv.org, Johnson dan timnya melaporkan pengujian algoritma mereka untuk gempa bumi yang lambat di Pasifik Barat Laut. Pekerjaan ini belum diuji oleh para ahli independen, tetapi mereka sudah melaporkan bahwa hasilnya menjanjikan. Johnson berpendapat bahwa algoritme dapat memprediksi timbulnya gempa lambat "dalam beberapa hari - dan mungkin lebih awal."

"Ini adalah perkembangan yang sangat menarik," kata Maarten de Hoop , seismolog di Rice University yang tidak terlibat dalam pekerjaan ini. "Untuk pertama kalinya, saatnya telah tiba ketika kita telah membuat kemajuan" dalam memprediksi gempa bumi.

Mostafa Mousavi, ahli geofisika di Universitas Stanford, menyebut hasil baru itu "menarik dan memotivasi." Dia, de Hoop dan para ahli lain di bidang ini menekankan bahwa pembelajaran mesin memiliki jalan panjang sebelum mulai memprediksi gempa bumi yang dahsyat - dan bahwa beberapa hambatan pada jalur ini bisa sangat sulit, dan mungkin tidak dapat diatasi. Namun demikian, pembelajaran mesin mungkin menjadi kesempatan terbaik bagi para ilmuwan di bidang di mana mereka mengalami stagnasi selama beberapa dekade dan hampir tidak melihat secercah harapan.

Kemacetan dan Slip

Almarhum seismolog Charles Richter , yang menamai skala peringkat kekuatan gempa, mencatat pada tahun 1977 bahwa prediksi gempa bisa menjadi "tanah yang sangat baik untuk pecinta, orang gila dan scammers mencari publisitas." Hari ini, banyak seismolog akan mengkonfirmasi kepada Anda bahwa mereka telah bertemu cukup banyak perwakilan dari ketiga jenis.

Namun, itu terjadi bahwa para ilmuwan yang dihormati memberikan ide-ide yang, dalam retrospeksi, tampak jauh dari kebenaran, dan kadang-kadang hanya gila. Seorang ahli geofisika di Universitas Athena, Panagiotis Varotsos, menyatakan bahwa ia mampu mengenali gempa yang akan datang dengan mengukur "sinyal listrik seismik." Brian Brady, seorang ahli fisika dari Departemen Pertambangan AS pada awal 1980-an, mengangkat alarm palsu beberapa kali tentang gempa bumi yang akan datang di Peru, mendasarkan temuannya pada temuan yang tidak dikonfirmasi bahwa memecahkan batu di tambang adalah tanda gempa bumi yang akan datang.

Paul Johnson mengetahui kisah kontroversial ini. Dia tahu bahwa di banyak tempat bahkan tidak sopan untuk berbicara tentang "prediksi gempa bumi". Dia tahu bahwa enam ilmuwan Italia dihukum karena pembunuhan yang tidak disengaja terhadap 29 orang pada tahun 2012, meremehkan kemungkinan gempa di kota Italia L'Aquila beberapa hari sebelum wilayah itu hampir dihancurkan oleh gempa bumi berkekuatan 6,3 (kemudian pengadilan banding dibatalkan). putusan ini). Dia tahu tentang seismolog terkemuka yang dengan meyakinkan menyatakan bahwa "gempa bumi tidak dapat diprediksi."

Namun, Johnson juga tahu bahwa gempa bumi adalah proses fisik yang pada dasarnya tidak berbeda dari jatuhnya bintang yang sekarat atau perubahan arah angin. Dan meskipun dia menekankan bahwa tujuan utama penelitiannya adalah untuk lebih memahami fisika kesalahan, dia tidak menolak tugas prediksi.


Paul Johnson, seismolog dari Los Alamos National Laboratory dengan sampel plastik akrilik di tangannya - salah satu bahan yang digunakan oleh tim untuk mensimulasikan gempa bumi di laboratorium

Lebih dari satu dekade yang lalu, Johnson mulai mempelajari "gempa bumi laboratorium," yang disimulasikan menggunakan blok yang meluncur di sepanjang lapisan tipis bahan granular. Blok-blok ini, seperti lempeng tektonik, tidak meluncur dengan mulus, tetapi dengan potongan dan pemberhentian. Kadang-kadang selama beberapa detik mereka membeku, ditahan oleh gesekan, dan kemudian kekuatan yang meningkat sudah cukup sehingga mereka tiba-tiba mulai meluncur lebih jauh. Selip ini - versi laboratorium dari gempa bumi - melepaskan tekanan, setelah itu siklus gerakan kasar dimulai lagi.

Ketika Johnson dan rekannya merekam sinyal akustik yang terjadi selama gerakan intermiten ini, mereka melihat puncak tajam yang muncul sebelum setiap selip. Peristiwa ini sebelum pergerakan menjadi laboratorium yang setara dengan gelombang seismik, yang menghasilkan guncangan yang mendahului gempa bumi. Namun, seperti halnya seismolog gagal mencoba mengubah kejutan pendahuluan menjadi prediksi saat terjadinya gempa bumi utama, Johnson dan rekannya tidak bisa mencari cara untuk mengubah pra-peristiwa ini menjadi prediksi yang dapat diandalkan gempa bumi laboratorium. "Kami berada di jalan buntu," kenang Johnson. "Aku belum melihat cara untuk melanjutkan."

Pada sebuah pertemuan di Los Alamos beberapa tahun yang lalu, Johnson menjelaskan dilema ini kepada sekelompok ahli teori. Mereka mengusulkan untuk menganalisis ulang data menggunakan algoritma pembelajaran mesin - pendekatan ini pada waktu itu sudah dikenal karena kemampuannya untuk mengenali dengan baik pola dalam data audio.

Para ilmuwan bersama-sama mengembangkan rencana. Mereka memutuskan untuk mengambil lima menit audio yang direkam selama percobaan - yang meliputi sekitar 20 siklus tergelincir dan macet - dan memotongnya menjadi banyak segmen kecil. Untuk setiap segmen, para peneliti menghitung lebih dari 80 fitur statistik, termasuk sinyal rata-rata, penyimpangan dari rata-rata, dan informasi tentang apakah suara yang mendahului pergeseran terkandung dalam segmen ini. Ketika para peneliti menganalisis data secara surut, mereka tahu berapa banyak waktu berlalu antara setiap segmen dengan suara dan dorongan berikutnya di laboratorium.

Berbekal data pembelajaran ini, mereka menggunakan algoritma pembelajaran mesin yang disebut " hutan acak " untuk secara sistematis mencari kombinasi atribut yang jelas terkait dengan jumlah waktu yang tersisa sebelum shift. Setelah mempelajari beberapa menit data eksperimen, algoritme dapat mulai memprediksi waktu geser berdasarkan fitur akustik.

Johnson dan rekannya memilih algoritma hutan acak untuk memprediksi waktu yang tersisa hingga perubahan baru, khususnya karena (dibandingkan dengan jaringan saraf dan algoritma pembelajaran mesin populer lainnya) hutan acak relatif mudah ditafsirkan. Algoritme bekerja, pada dasarnya, sebagai pohon keputusan, di mana setiap cabang berbagi kumpulan data berdasarkan beberapa fitur statistik. Oleh karena itu, pohon menyimpan catatan tanda apa yang digunakan algoritma untuk prediksi - dan kepentingan relatif dari setiap tanda yang membantu algoritma mencapai prediksi tertentu.


Lensa terpolarisasi menunjukkan akumulasi stres sebelum model lempeng tektonik bergerak menyamping di sepanjang garis patahan.

Ketika para peneliti dari Los Alamos mempelajari detail algoritma mereka, mereka terkejut. Untuk sebagian besar, algoritma mengandalkan fitur statistik yang tidak terkait dengan peristiwa yang terjadi segera sebelum gempa bumi laboratorium. Ini lebih dispersi - ukuran penyimpangan sinyal dari rata-rata - apalagi, tersebar di seluruh siklus pengereman dan geser, dan tidak terkonsentrasi di saat-saat segera sebelum pergeseran. Dispersi dimulai dengan nilai-nilai kecil, dan kemudian berakumulasi secara bertahap selama pendekatan ke shift, mungkin karena butiran antara blok semakin bertabrakan satu sama lain ketika tegangan menumpuk. Mengetahui varian ini, algoritme dapat memprediksi dengan baik waktu mulai dari pergeseran; dan informasi tentang peristiwa yang terjadi sebelumnya segera membantu memperjelas dugaan ini.

Penemuan ini dapat memiliki konsekuensi serius. Selama beberapa dekade, orang telah mencoba untuk memprediksi gempa bumi berdasarkan kejutan awal dan peristiwa seismik lainnya yang terisolasi. Hasil dari Los Alamos menunjukkan bahwa mereka semua mencari di tempat yang salah - dan bahwa kunci untuk prediksi adalah informasi yang kurang eksplisit yang dapat dikumpulkan selama periode yang relatif tenang antara peristiwa seismik besar.

Tentu saja, blok geser plastik tidak menggambarkan secara dekat kompleksitas kimia, termal, dan morfologis dari kesalahan geologi nyata. Untuk menunjukkan kekuatan pembelajaran mesin dalam memprediksi gempa bumi nyata, Johnson perlu mengujinya pada kesalahan nyata. Apakah ada tempat yang lebih baik, pikirnya, daripada Pantai Barat Laut Pasifik?

Keluar dari laboratorium

Sebagian besar tempat di Bumi di mana gempa bumi berkekuatan 9 dapat terjadi adalah zona subduksi di mana satu lempeng tektonik merayap di bawah yang lain. Zona subduksi di sebelah timur Jepang bertanggung jawab atas gempa bumi Tohoku dan tsunami berikutnya yang menghancurkan pantai negara itu pada 2011. Pernah, zona subduksi Cascadia, di mana lempeng Juan de Fuca merayap di bawah bagian utara tepi barat lempeng Amerika Utara, juga akan menghancurkan teluk Puget, Pulau Vancouver dan Pasifik Barat Laut di sekitarnya.



Zona subduksi Cascadia membentang sepanjang 1000 km di sepanjang pantai Pasifik dari Cape Mendochino di California ke Pulau Vancouver. Terakhir kali ada gempa bumi pada bulan Januari 1700, itu menyebabkan getaran dengan kekuatan 9 titik dan tsunami yang mencapai pantai Jepang. Survei geologis menunjukkan bahwa selama Holosen kesalahan ini menghasilkan gempa besar serupa sekitar setengah juta tahun sekali, plus atau minus beberapa ratus tahun. Secara statistik, berikut ini bisa terjadi di abad mana pun.

Ini adalah salah satu alasan mengapa seismolog memperhatikan gempa bumi yang lambat di wilayah ini. Diyakini bahwa gempa bumi yang lambat di bagian bawah zona subduksi membawa sejumlah kecil tekanan ke kerak rapuh yang terletak di atas, di mana guncangan cepat dan merusak terjadi. Dengan setiap gempa bumi yang lambat, kemungkinan gempa bumi besar di wilayah Teluk Puget - Kepulauan Vancouver sedikit lebih tinggi. Memang, di Jepang, gempa bumi lambat diamati beberapa bulan sebelum gempa Tohoku.

Tetapi Johnson memiliki alasan lain untuk melacak gempa bumi yang lambat: mereka menghasilkan sejumlah besar data. Sebagai perbandingan, selama 12 tahun terakhir, tidak ada satu pun gempa bumi besar yang cepat di patahan Puget Bay - Pulau Vancouver. Tetapi selama periode yang sama, patahan ini memicu lebih dari sepuluh gempa bumi yang lambat, dan masing-masing dicatat dengan hati-hati dalam katalog seismik.

Katalog seismik ini adalah salinan nyata dari catatan akustik yang diperoleh dalam percobaan laboratorium Johnson dengan gempa bumi. Johnson dan rekan-rekannya, dengan cara yang sama seperti dalam kasus rekaman akustik laboratorium mereka, membagi data seismik menjadi segmen-segmen kecil, dan menggambarkan masing-masing dengan serangkaian fitur statistik. Kemudian mereka memasukkan data dan informasi ini tentang kapan gempa bumi yang lambat sebelumnya terjadi pada algoritma pembelajaran mesin mereka.

Setelah dilatih tentang data dari tahun 2007 hingga 2013, algoritma ini berhasil memprediksi gempa yang lambat yang terjadi dari 2013 hingga 2018 berdasarkan data yang direkam beberapa bulan sebelum setiap peristiwa. Faktor kuncinya adalah energi seismik - nilai yang berkaitan erat dengan dispersi sinyal akustik dalam percobaan laboratorium. Seperti dispersi, energi seismik tumbuh secara khas untuk mengantisipasi setiap gempa yang lambat.

Prediksi untuk zona subduksi Cascadia tidak seakurat gempa bumi laboratorium. Koefisien korelasi yang mencirikan kualitas kebetulan dari prediksi dengan pengamatan secara signifikan lebih sedikit dalam hasil baru daripada di laboratorium. Namun demikian, algoritma ini mampu memprediksi semua kecuali satu gempa bumi dari 2013 hingga 2018, menunjukkan tanggal mulai, menurut Johnson, dalam beberapa hari (gempa lambat Agustus 2019 tidak termasuk dalam penelitian).

Bagi de Hoop, kesimpulan utamanya adalah bahwa "teknologi pembelajaran mesin telah memberi kita titik masuk, metode analisis data untuk menemukan hal-hal yang belum kita lihat atau cari sebelumnya." Namun, ia memperingatkan bahwa masih banyak pekerjaan yang harus dilakukan. “Kami telah mengambil langkah penting - langkah yang sangat penting. Namun, ini adalah langkah kecil ke arah yang benar. "

Kebenaran serius

Tujuan prediksi gempa tidak pernah menjadi prediksi gempa lambat. Setiap orang perlu memprediksi getaran tiba-tiba dan bencana yang mengancam kehidupan dan kesehatan. Untuk pembelajaran mesin, ini sepertinya mewakili sebuah paradoks: gempa bumi terbesar yang paling ingin diprediksi para seismolog adalah yang paling tidak mungkin terjadi. Bagaimana algoritma pembelajaran mesin mendapatkan data pelatihan yang cukup untuk memprediksi dengan percaya diri?

Kelompok Los Alamos percaya bahwa, pada prinsipnya, algoritma mereka tidak perlu dilatih tentang data yang diperoleh dari catatan bencana gempa bumi untuk dapat memprediksi mereka dengan sukses. Studi terbaru menunjukkan bahwa pola seismik yang mendahului gempa kecil secara statistik mirip dengan yang mendahului yang besar, dan lusinan gempa kecil dapat terjadi dalam satu patahan setiap hari. Setelah belajar dari ribuan kejutan kecil ini, komputer mungkin dapat memprediksi yang besar. Juga, algoritma pembelajaran mesin mungkin dapat belajar dari simulasi komputer tentang gempa bumi cepat, yang suatu hari dapat menjadi pengganti data nyata.

Namun demikian, para ilmuwan dihadapkan pada kebenaran yang serius: meskipun proses fisik yang mengarah pada kesalahan di ambang gempa bumi dapat diprediksi, kejadian gempa bumi sendiri - pertumbuhan gangguan seismik kecil, yang mengarah pada kerusakan patahan skala penuh - menurut pendapat sebagian besar ilmuwan, mengandung unsur peluang. Jika demikian, maka terlepas dari kualitas pembelajaran mesin, mereka mungkin tidak pernah dapat memprediksi gempa bumi seperti cara para ilmuwan dapat memprediksi bencana alam lainnya.

"Kami belum tahu seberapa akurat tanggal untuk membuat prediksi," kata Johnson. - Apakah akan seperti prediksi badai? Tidak, saya kira tidak. "

Paling-paling, prediksi gempa besar akan memberikan kerangka waktu berminggu-minggu, berbulan-bulan, atau bertahun-tahun. Prediksi semacam itu tidak dapat digunakan, misalnya, untuk mengatur evakuasi massal kota-kota pada malam gempa. Tetapi mereka dapat meningkatkan persiapan untuk acara ini, membantu para pejabat fokus pada penguatan bangunan yang tidak aman, dan sebaliknya mengurangi risiko bencana gempa bumi.

Johnson percaya bahwa tujuan seperti itu layak untuk dicapai. Tetapi, sebagai seorang realis, ia menyadari bahwa itu akan memakan banyak waktu. "Saya tidak mengatakan bahwa kita akan belajar memprediksi gempa di masa hidup saya," katanya, "tetapi kami akan membuat kemajuan luar biasa ke arah ini."