Onderzoekers van de Tokyo Metropolitan University hebben technieken voor machinaal leren toegepast om snel, nauwkeurige schattingen van lokale geomagnetische velden met behulp van gegevens die op meerdere observatiepunten zijn genomen, mogelijk waardoor veranderingen veroorzaakt door aardbevingen en tsunami's kunnen worden gedetecteerd. Met behulp van bestaande gegevens is een diep neuraal netwerk (DNN)-model ontwikkeld en getraind; het resultaat is een snelle, efficiënte methode voor het schatten van magnetische velden voor ongekend vroege detectie van natuurrampen. Dit is van vitaal belang voor het ontwikkelen van effectieve waarschuwingssystemen die kunnen helpen het aantal slachtoffers en wijdverbreide schade te verminderen.

De verwoesting veroorzaakt door aardbevingen en tsunami's laat er geen twijfel over bestaan ​​dat een effectief middel om hun incidentie te voorspellen van het grootste belang is. Zeker, er zijn al systemen om mensen te waarschuwen vlak voor de komst van seismische golven; nog, het is vaak zo dat de S-golf (of secundaire golf), dat is, het laatste deel van de aardbeving, is al gearriveerd wanneer de waarschuwing wordt gegeven. een snellere, nauwkeurigere middelen zijn hard nodig om omwonenden de tijd te geven om veiligheid te zoeken en het aantal slachtoffers tot een minimum te beperken.

Het is bekend dat aardbevingen en tsunami's gepaard gaan met plaatselijke veranderingen in het aardmagnetisch veld. Voor aardbevingen, het is vooral wat bekend staat als een piëzo-magnetisch effect, waar het vrijkomen van een enorme hoeveelheid geaccumuleerde spanning langs een fout lokale veranderingen in het aardmagnetisch veld veroorzaakt. Voor tsunami's, het is de plotselinge, enorme beweging van de zee die variaties in atmosferische druk veroorzaakt. Dit beïnvloedt op zijn beurt de ionosfeer, vervolgens het aardmagnetisch veld veranderen. Beide kunnen worden gedetecteerd door een netwerk van observatiepunten op verschillende locaties. Het grote voordeel van een dergelijke aanpak is snelheid; onthouden dat elektromagnetische golven met de snelheid van het licht reizen, we kunnen de incidentie van een gebeurtenis onmiddellijk detecteren door veranderingen in het aardmagnetisch veld waar te nemen.

Echter, hoe kunnen we zien of het gedetecteerde veld abnormaal is of niet? Het aardmagnetisch veld op verschillende plaatsen is een fluctuerend signaal; de hele methode is gebaseerd op weten wat het "normale" veld op een locatie is.

Dus, Yuta Katori en Assoc. Prof. Kan Okubo van de Tokyo Metropolitan University wilde een methode ontwikkelen om metingen te doen op meerdere locaties in Japan en een schatting te maken van het aardmagnetische veld op verschillende, specifieke observatiepunten. specifiek, ze pasten een ultramodern machine learning-algoritme toe dat bekend staat als een Deep Neural Network (DNN), gemodelleerd naar hoe neuronen zijn verbonden in het menselijk brein. Door het algoritme een enorme hoeveelheid input te geven uit historische metingen, ze laten het algoritme een uiterst complexe, meerlagige reeks bewerkingen die de gegevens het meest effectief in kaart brengen bij wat er daadwerkelijk is gemeten. Met een half miljoen datapunten overgenomen in 2015, ze waren in staat om een ​​netwerk te creëren dat het magnetische veld op het observatiepunt met ongekende nauwkeurigheid kan schatten.

Gezien de relatief lage rekenkosten van DNN's, het systeem kan mogelijk worden gekoppeld aan een netwerk van zeer gevoelige detectoren om bliksemsnelle detectie van aardbevingen en tsunami's te bereiken, het leveren van een effectief waarschuwingssysteem dat schade kan minimaliseren en levens kan redden.