Ti år har gått siden 24. august 2016et jordskjelv på styrke 6,0 treffer området til Amatør i provinsen Rieti, i Lazioforårsaker enorm skade og 299 ofre. Amatrice-jordskjelvet har vært gjenstand for mange vitenskapelige studier rettet mot å forstå dets årsaker og utvikling. Det siste, i 2026, brukte dette og fire andre store jordskjelv fra fortiden algoritmer av maskinlæring (eller maskinlæring, en gren av kunstig intelligens), med sikte på identifisere endringer i seismisk aktivitet som gikk foran dem.
I dette tilfellet ble en tilnærming brukt maskinlæring uten tilsyndet vil si en metode som uavhengig identifiserer likheter i data uten forhåndsdefinerte instruksjoner. Resultatene viste at denne metoden kan bidra til å identifisere forberedende stadier av jordskjelv og det fremtidige målet er å integrere dem i sanntidsovervåking. Men i tilfellet Amatrice «kritisk» seismisitet er ikke klart identifisert før hovedsjokket. Studien, publisert på Naturkommunikasjoninvolvert GFZ Helmholtz Center for Geosciences i Potsdam, Tyskland og andre internasjonale vitenskapelige enheter, inkludert National Institute of Oceanography and Sperminetal Geophysics (OGS).
Studien om jordskjelvene i Amatrice, L’Aquila og Türkiye med maskinlæring
For tiden forutsi nøyaktig hvor og når et jordskjelv vil oppstå, og hvor stor det vil være det er ikke mulig. Imidlertid har de siste tiårene studiet av forløperfenomener av jordskjelv, det vil si av variasjonene i kjemiske og fysiske parametere som finner sted under jorden før et jordskjelv, har gjort store fremskritt. Også den maskinlæring har gitt sitt bidrag i denne forstand, og i noen tilfeller har det til og med vært mulig å forutsi forekomsten av skjelvingene noen dager i forveien, uten å identifisere nøyaktig episenteret.
Den nye studien brukte maskinlæring uten tilsyn til fem store jordskjelv fra fortiden: de av Kahramanmaras (Türkiye) i 2023, jordskjelvet avØrn av 2009, jordskjelvet av Iquique (Chile) i 2014, jordskjelvet på Amatør av 2016 og jordskjelvet av Kjent (Japan) fra 2024.
I månedene eller ukene før noen av disse hendelsene var det oppdaget en økning i seismisitet, mens det for andre ikke var registrert noen signifikante endringer. Med utgangspunkt i de tilgjengelige seismiske katalogene hentet forskerne ut flere statistiske og seismologiske egenskaper av hendelser. Disse er gruppert i familier av hendelser, dvs. grupper av jordskjelv som ligner på rom, tid og størrelse. Algoritmen ble deretter testet for å se om den var i stand til skille seg selvstendig konfigurasjoner som er kompatible med disse forbigående variasjonene i seismisk aktivitet.
Professoren Marco Bohnhoffmedforfatter av studien, forklarer:
Jordskjelv er ikke isolerte hendelser, de påvirker hverandre, og jo nærmere bruddhendelsen kommer, jo sterkere blir denne påvirkningen. Ved å analysere deres kollektive oppførsel kan vi bedre forstå hvordan stress bygger seg opp i jordskorpen før store hendelser.
Resultatene av forskning på seismiske hendelser
Arrangementsfamilier ble automatisk gruppert i distinkte kategorier som representerer ulike tilstander av spenningsutvikling i bergarter. Teamet identifiserte en spesielt kategori «kritikk» av seismisitet som dukket opp før hovedsjokket, preget av større interaksjon mellom jordskjelv og større frigjøring av seismisk deformasjon. Disse egenskapene indikerer en større ustabilitetsom forutser bruddet.
Studioet har en begrensning knyttet til det faktum at ikke alle jordskjelv er innledet av betydelig og påvisbar seismisk aktivitet. For eksempel når metoden ble brukt på Amatrice jordskjelv av 2016, før det viktigste jordskjelvet dukket det ikke opp ingen «kritiske» kategorier av hendelser. For studiet av dette jordskjelvet ble brukt seismiske data etter 2012 for å utelukke seismisk aktivitet etter jordskjelvet i 2009 nær L’Aquila. I de to månedene før jordskjelvet i Amatrice ble det registrert en endring i kategorien, men denne typen variasjoner hadde også forekommet tidligere år uten å ha resultert i sterke jordskjelv. En ekte «kritisk» kategori dukket imidlertid ikke opp, i motsetning til det som ble resultatet av studien av jordskjelvet i L’Aquila i 2009.
Det kan derfor konkluderes med at seismiske prosesser er svært komplekse og overvåkingen deres, siden noen feil kan svikte uten åpenbare forløpersignaler. Studien viste imidlertid hvordan disse teknikkene kan bidra til identifisere endringer i seismisk aktivitet før jordskjelvene og til forbedre forståelsen av prosesser som ligger til grunn for utviklingen av feilsystemer. Fremgangen som har blitt gjort i studiet av jordskjelv, også takket være maskinlæring kan tillate, i de kommende tiårene, begrense de alvorligste konsekvensene av jordskjelv.
