Forskare från Tokyo Metropolitan University har tillämpat maskininlärningstekniker för att uppnå snabba, noggranna uppskattningar av lokala geomagnetiska fält med hjälp av data tagna vid flera observationspunkter, potentiellt möjliggör upptäckt av förändringar orsakade av jordbävningar och tsunamier. En modell för djupt neuralt nätverk (DNN) utvecklades och tränades med hjälp av befintliga data; resultatet är en snabb, effektiv metod för att uppskatta magnetfält för oöverträffad tidig upptäckt av naturkatastrofer. Detta är avgörande för att utveckla effektiva varningssystem som kan bidra till att minska antalet offer och omfattande skador.

Förödelsen orsakad av jordbävningar och tsunamier lämnar inga tvivel om att ett effektivt sätt att förutsäga deras förekomst är av största vikt. Säkert, Det finns redan system för att varna människor strax före ankomsten av seismiska vågor; än, det är ofta så att S-vågen (eller sekundärvågen), det är, den senare delen av skalvet, har redan kommit när varningen ges. En snabbare, Det krävs mer exakta medel för att ge lokalbefolkningen tid att söka säkerhet och minimera olyckor.

Det är känt att jordbävningar och tsunamier åtföljs av lokala förändringar i det geomagnetiska fältet. För jordbävningar, det är främst vad som kallas en piezomagnetisk effekt, där frigörandet av en enorm mängd ackumulerad spänning längs ett fel orsakar lokala förändringar i det geomagnetiska fältet. För tsunamis, det är plötsligt, stora rörelser av havet som orsakar variationer i atmosfärstrycket. Detta påverkar i sin tur jonosfären, ändrar sedan det geomagnetiska fältet. Båda kan detekteras av ett nätverk av observationspunkter på olika platser. Den största fördelen med ett sådant tillvägagångssätt är snabbhet; komma ihåg att elektromagnetiska vågor färdas med ljusets hastighet, vi kan omedelbart upptäcka förekomsten av en händelse genom att observera förändringar i det geomagnetiska fältet.

Dock, hur kan vi avgöra om det upptäckta fältet är anomalt eller inte? Det geomagnetiska fältet på olika platser är en fluktuerande signal; hela metoden bygger på att veta vad det "normala" fältet på en plats är.

Således, Yuta Katori och Assoc. Prof. Kan Okubo från Tokyo Metropolitan University satte sig för att utveckla en metod för att göra mätningar på flera platser runt om i Japan och skapa en uppskattning av det geomagnetiska fältet vid olika, specifika observationspunkter. Specifikt, de tillämpade en toppmodern maskininlärningsalgoritm känd som ett Deep Neural Network (DNN), modelleras på hur neuroner är anslutna inuti den mänskliga hjärnan. Genom att mata algoritmen en stor mängd input hämtad från historiska mätningar, de låter algoritmen skapa och optimera en extremt komplex, flerskiktsuppsättning operationer som mest effektivt mappar data till vad som faktiskt mättes. Med hjälp av en halv miljon datapunkter från 2015, de kunde skapa ett nätverk som kan uppskatta magnetfältet vid observationspunkten med oöverträffad noggrannhet.

Med tanke på den relativt låga beräkningskostnaden för DNN, systemet kan eventuellt paras ihop med ett nätverk av högkänsliga detektorer för att uppnå blixtsnabb detektering av jordbävningar och tsunamier, leverera ett effektivt varningssystem som kan minimera skador och rädda liv.