Inteligência artificial se conecta à previsão de terremotos

Tendo previsto com sucesso terremotos em laboratório, uma equipe de geofísicos aplicou o algoritmo de aprendizado de máquina a terremotos na costa noroeste do Pacífico

Os restos de uma floresta de coníferas de 2.000 anos de idade em Nescovin Beach, Oregon - uma das dezenas de “florestas fantasmas” localizadas ao longo das costas de Oregon e Washington. Acredita-se que um terremoto em grande escala abalou a zona de subducção de Cascadia , e os tocos foram enterrados sob os destroços trazidos pelo tsunami.

Em maio do ano passado, depois de uma soneca de 13 meses, a terra sob Puget Bay, Washington, entrou em movimento. O terremoto começou a uma profundidade de mais de 30 km sob as montanhas olímpicas e, em poucas semanas, mudou-se para o noroeste, chegando à ilha canadense de Vancouver. Depois, virou o curso brevemente, recuou ao longo da fronteira dos EUA e depois ficou em silêncio. Um terremoto mensal liberou energia suficiente para que sua magnitude pudesse ser estimada em 6. No final do terremoto, o extremo sul da Ilha de Vancouver avançou um centímetro extra no Oceano Pacífico.

Como o terremoto estava tão nublado no espaço e no tempo, provavelmente ninguém o sentiu. Tais terremotos fantasmagóricos que ocorrem no subsolo mais profundo do que os terremotos rápidos comuns são conhecidos como "derrapagens lentas". Cerca de uma vez por ano, ocorrem no noroeste do Pacífico, ao longo de uma falha ao longo da qual a placa de Juan de Fuca rasteja lentamente sob a parte norte da borda oeste da placa norte-americana . Desde 2003, mais de uma dúzia de deslizamentos lentos foram registrados em uma ampla rede de estações sismológicas na região. E no último ano e meio, esses eventos foram o foco do projeto de previsão de terremotos, liderado pelo geofísico Paul Johnson .

A equipe de Johnson é um dos vários grupos de cientistas que usam o aprendizado de máquina para tentar descobrir os segredos da física dos terremotos e isolar os sinais de um terremoto emergente. Dois anos atrás, Johnson e seus colegas previram terremotos em um modelo de laboratório usando um algoritmo de busca de padrões semelhante aos usados ​​durante as recentes inovações no reconhecimento de imagem e fala e outras aplicações de inteligência artificial. Desde então, essa conquista foi repetida por cientistas da Europa.

E agora, em um artigo publicado em setembro no site de pré-impressão arxiv.org, Johnson e sua equipe relatam testar seu algoritmo para terremotos lentos no noroeste do Pacífico. O trabalho ainda precisa ser testado por especialistas independentes, mas eles já estão relatando que os resultados foram promissores. Johnson argumenta que o algoritmo pode prever o início de um terremoto lento "em alguns dias - e possivelmente antes".

"Este é um desenvolvimento muito interessante", disse Maarten de Hoop , um sismólogo da Universidade Rice que não está envolvido neste trabalho. "Pela primeira vez, chegou o momento em que progredimos" na previsão de terremotos.

Mostafa Mousavi, geofísico da Universidade de Stanford, classificou os novos resultados de "interessantes e motivadores". Ele, De Hoop e outros especialistas neste campo enfatizam que o aprendizado de máquina ainda tem um longo caminho a percorrer antes de começar a prever terremotos catastróficos - e que alguns obstáculos a esse caminho podem ser muito difíceis e possivelmente intransponíveis. No entanto, o aprendizado de máquina pode se tornar a melhor chance para os cientistas no campo em que eles estagnaram por décadas e quase não viram vislumbres de esperança.

Atolamentos e deslizamentos

O falecido sismólogo Charles Richter , que nomeou a escala de classificação de força para terremotos, observou em 1977 que a previsão de terremotos poderia ser "solo excelente para amantes, malucos e golpistas que procuram publicidade". Hoje, muitos sismólogos confirmarão que eles encontraram muitos representantes dos três tipos.

No entanto, aconteceu que cientistas respeitados deram idéias que, em retrospecto, parecem distantes da verdade e, às vezes, apenas loucas. Um geofísico da Universidade de Atenas, Panagiotis Varotsos, afirmou que ele era capaz de reconhecer terremotos iminentes medindo "sinais elétricos sísmicos". Brian Brady, físico do Departamento de Minas dos EUA no início dos anos 80, deu um alarme falso várias vezes sobre os terremotos iminentes no Peru, baseando suas descobertas em conclusões não confirmadas de que quebrar pedras em minas era um sinal de terremotos iminentes.

Paul Johnson está ciente dessa história controversa. Ele sabe que em muitos lugares é até indecente falar sobre "previsões de terremotos". Ele sabe que seis cientistas italianos foram condenados por morte não intencional de 29 pessoas em 2012, minimizando as chances de um terremoto na cidade italiana de L'Aquila alguns dias antes de a região ser quase destruída por um terremoto de magnitude 6,3 (o tribunal de apelação foi cancelado). esse veredicto). Ele conhece sismólogos importantes que declararam de forma convincente que "terremotos não podem ser previstos".

No entanto, Johnson também sabe que terremotos são processos físicos que não são essencialmente diferentes do colapso de uma estrela que está morrendo ou de uma mudança na direção do vento. E embora ele enfatize que o objetivo principal de sua pesquisa é entender melhor a física das falhas, ele não recusa a tarefa de previsões.


Paul Johnson, um sismólogo do Laboratório Nacional de Los Alamos com uma amostra de plástico acrílico nas mãos - um dos materiais usados ​​pela equipe para simular terremotos no laboratório

Mais de uma década atrás, Johnson começou a estudar "terremotos de laboratório", que são simulados usando blocos que deslizam ao longo de finas camadas de material granular. Esses blocos, como as placas tectônicas, não deslizam suavemente, mas com trechos e paradas. Às vezes, por alguns segundos, eles congelam, mantidos por fricção, e então a força crescente é suficiente para que de repente eles comecem a deslizar ainda mais. Esse desvio - a versão laboratorial do terremoto - libera estresse, após o qual o ciclo de movimentos irregulares começa novamente.

Quando Johnson e colegas registraram o sinal acústico que ocorre durante esse movimento intermitente, eles notaram picos agudos que aparecem antes de cada deslizamento. Esses eventos anteriores ao movimento se tornaram o equivalente laboratorial das ondas sísmicas, que produzem choques que precedem os terremotos. No entanto, assim como os sismólogos tentaram, sem sucesso, transformar choques preliminares em uma previsão do momento do início do terremoto principal, Johnson e seus colegas não conseguiram descobrir como transformar esses pré-eventos em previsões confiáveis ​​de terremotos de laboratório. "Estamos em um beco sem saída", lembra Johnson. "Eu não vi uma maneira de continuar."

Em uma reunião em Los Alamos, há vários anos, Johnson explicou esse dilema a um grupo de teóricos. Eles propuseram reanalisar os dados usando algoritmos de aprendizado de máquina - essa abordagem já era conhecida por sua capacidade de reconhecer padrões de dados de áudio.

Os cientistas desenvolveram um plano em conjunto. Eles decidiram tirar cinco minutos de áudio gravado durante os experimentos - que incluíam cerca de 20 ciclos de escorregões e travamentos - e cortaram em vários pequenos segmentos. Para cada segmento, os pesquisadores calcularam mais de 80 recursos estatísticos, incluindo o sinal médio, desvios da média e informações sobre se o som que precede a mudança está contido nesse segmento. À medida que os pesquisadores analisavam os dados retroativamente, eles sabiam quanto tempo passava entre cada segmento com som e o impulso subsequente no laboratório.

Armado com esses dados para treinamento, eles usaram um algoritmo de aprendizado de máquina chamado " floresta aleatória " para procurar sistematicamente combinações de recursos claramente relacionados à quantidade de tempo restante antes do turno. Depois de estudar vários minutos de dados experimentais, o algoritmo poderia começar a prever o tempo de cisalhamento com base nos recursos acústicos.

Johnson e colegas escolheram o algoritmo de floresta aleatória para prever o tempo restante até uma nova mudança, principalmente porque (comparada às redes neurais e outros algoritmos populares de aprendizado de máquina) a floresta aleatória é relativamente fácil de interpretar. O algoritmo funciona, em essência, como uma árvore de decisão, na qual cada ramificação compartilha um conjunto de dados com base em algum recurso estatístico. Portanto, a árvore armazena os registros de quais sinais o algoritmo usou para previsões - e a importância relativa de cada um dos sinais que ajudaram o algoritmo a chegar a uma determinada previsão.


As lentes polarizadas mostram acúmulo de estresse antes que o modelo de placa tectônica se mova para os lados ao longo da linha de falha.

Quando os pesquisadores de Los Alamos estudaram os detalhes de seu algoritmo, ficaram surpresos. Na maioria das vezes, o algoritmo contava com um recurso estatístico que não estava associado a eventos que ocorreram imediatamente antes do terremoto no laboratório. É mais dispersão - uma medida do desvio do sinal da média - além disso, espalhada por todo o ciclo de frenagem e deslizamento, e não concentrada nos momentos imediatamente anteriores ao turno. A dispersão começou com valores pequenos e depois se acumulou gradualmente durante a aproximação do turno, provavelmente porque os grãos entre os blocos colidiam cada vez mais com a tensão acumulada. Conhecendo essa variação, o algoritmo foi capaz de prever bem o horário de início do turno; e informações sobre eventos imediatamente anteriores ajudaram a esclarecer essas conjecturas.

Essa descoberta pode ter sérias conseqüências. Por décadas, as pessoas tentam prever terremotos com base em choques preliminares e outros eventos sísmicos isolados. O resultado de Los Alamos sugere que todos estavam procurando no lugar errado - e que a chave para as previsões eram informações menos explícitas que poderiam ser coletadas durante períodos relativamente calmos entre os principais eventos sísmicos.

Obviamente, os blocos deslizantes de plástico não descrevem de perto a complexidade química, térmica e morfológica de falhas geológicas reais. Para demonstrar o poder do aprendizado de máquina na previsão de terremotos reais, Johnson precisava testá-lo em falhas reais. Existe um lugar melhor, ele pensou, do que a costa noroeste do Pacífico?

Sair do laboratório

A maioria dos lugares na Terra onde terremotos de magnitude 9 podem ocorrer são zonas de subducção onde uma placa tectônica se arrasta sob a outra. A zona de subducção a leste do Japão é responsável pelo terremoto de Tohoku e subsequente tsunami que destruiu a costa do país em 2011. Uma vez, a zona de subducção de Cascadia, na qual a placa de Juan de Fuca se arrasta sob a parte norte da borda oeste da placa norte-americana, também destruirá a baía Puget, Vancouver Island e o noroeste do Pacífico circundante.



A zona de subducção de Cascadia se estende por 1000 km ao longo da costa do Pacífico, do Cabo Mendochino, na Califórnia, até a Ilha Vancouver. A última vez que houve um terremoto em janeiro de 1700, causou tremores com magnitude de 9 pontos e um tsunami que atingiu a costa do Japão. Pesquisas geológicas indicam que durante o Holoceno, essa falha gerou mega terremotos semelhantes cerca de uma vez a cada meio milhão de anos, mais ou menos várias centenas de anos. Estatisticamente, o seguinte pode acontecer em qualquer século.

Esta é uma das razões pelas quais os sismólogos estão prestando muita atenção aos lentos terremotos nesta região. Acredita-se que terremotos lentos na parte inferior da zona de subducção carregam uma pequena quantidade de tensão na crosta frágil localizada acima, onde ocorrem choques rápidos e destrutivos. Com cada terremoto lento, as chances de um mega terremoto na região de Puget Bay - Ilhas Vancouver são um pouco maiores. De fato, no Japão, um terremoto lento foi observado vários meses antes do terremoto de Tohoku.

Mas Johnson tem outro motivo para acompanhar terremotos lentos: eles produzem uma enorme quantidade de dados. Para comparação, nos últimos 12 anos, não houve um único grande terremoto rápido na falha de Puget Bay - Ilha de Vancouver. Porém, durante o mesmo período, essa falha provocou mais de dez terremotos lentos, e cada um deles foi cuidadosamente registrado no catálogo sísmico.

Este catálogo sísmico é uma cópia real dos registros acústicos obtidos nos experimentos de laboratório de Johnson com terremotos. Johnson e colegas, da mesma maneira que no caso de suas gravações acústicas de laboratório, dividiram os dados sísmicos em pequenos segmentos e descreveram cada um deles com um conjunto de características estatísticas. Em seguida, eles forneceram esses dados e informações sobre quando os terremotos lentos anteriores ocorreram no algoritmo de aprendizado de máquina.

Tendo treinado em dados de 2007 a 2013, o algoritmo conseguiu prever com sucesso terremotos lentos que ocorreram de 2013 a 2018 com base em dados registrados vários meses antes de cada evento. O fator chave foi a energia sísmica - um valor intimamente relacionado à dispersão do sinal acústico em experimentos de laboratório. Como a dispersão, a energia sísmica cresceu caracteristicamente em antecipação a cada terremoto lento.

As previsões para a zona de subducção de Cascadia não foram tão precisas quanto para os terremotos de laboratório. Os coeficientes de correlação que caracterizam a qualidade da coincidência das previsões com as observações foram significativamente menores nos novos resultados do que no laboratório. No entanto, o algoritmo foi capaz de prever todos os terremotos, exceto um, de 2013 a 2018, indicando as datas de início, de acordo com Johnson, com uma precisão de vários dias (o terremoto lento de agosto de 2019 não foi incluído no estudo).

Para De Hoop, a principal conclusão é que "as tecnologias de aprendizado de máquina nos deram um ponto de entrada, um método de análise de dados para encontrar coisas que nunca vimos ou pesquisamos antes". No entanto, ele alerta que ainda há muito trabalho a ser feito. “Demos um passo importante - extremamente importante. No entanto, este é um pequeno passo na direção certa ".

Verdade sóbria

O objetivo da previsão de terremotos nunca foi a previsão de terremotos lentos. Todo mundo precisa prever tremores repentinos e catastróficos que ameaçam a vida e a saúde. Para o aprendizado de máquina, isso parecia representar um paradoxo: os maiores terremotos que os sismólogos mais gostariam de prever são os menos prováveis ​​de ocorrer. Como um algoritmo de aprendizado de máquina pode obter dados de treinamento suficientes para prever com confiança?

O grupo Los Alamos acredita que, em princípio, seu algoritmo não precisará ser treinado com dados obtidos de registros de terremotos catastróficos para prever com êxito. Estudos recentes sugerem que padrões sísmicos que precedem pequenos terremotos são estatisticamente semelhantes aos anteriores a grandes, e dezenas de pequenos terremotos podem ocorrer em uma única falha a qualquer dia. Tendo aprendido com milhares desses pequenos choques, o computador pode prever grandes. Além disso, os algoritmos de aprendizado de máquina podem ser capazes de aprender com simulações de terremotos rápidos, que um dia podem se tornar um substituto para dados reais.

Mas, mesmo assim, os cientistas são confrontados com uma verdade preocupante: embora os processos físicos que levam a uma falha à beira de um terremoto possam se tornar previsíveis, a própria ocorrência de um terremoto - o crescimento de pequenos distúrbios sísmicos, levando a uma quebra de falha em grande escala - na opinião da maioria dos cientistas, contém um elemento de chance. Nesse caso, independentemente da qualidade do aprendizado de máquina, eles podem nunca ser capazes de prever terremotos da mesma forma que os cientistas foram capazes de prever outros desastres naturais.

"Ainda não sabemos quão precisas serão as datas para fazer previsões", disse Johnson. - Será como uma previsão de furacões? Não, acho que não. "

Na melhor das hipóteses, as previsões de grandes terremotos fornecerão prazos de semanas, meses ou anos. Tais previsões não podem ser usadas, por exemplo, para organizar a evacuação em massa de cidades às vésperas de tremores. Mas eles podem melhorar a preparação para este evento, ajudar as autoridades a se concentrarem no fortalecimento de edifícios inseguros e reduzir o risco de um terremoto catastrófico.

Johnson acredita que vale a pena alcançar esse objetivo. Mas, sendo realista, ele percebe que levará muito tempo. "Não estou dizendo que aprenderemos a prever terremotos na minha vida", disse ele, "mas faremos um tremendo progresso nessa direção".