Kan AI præcist forudsige jordskælv 72 timer i forvejen ud fra seismiske og atmosfæriske data ?

Kunne fremskridt inden for kunstig intelligens, trænet på seismiske og atmosfæriske data, pålideligt forudsige jordskælv op til tre dage før de indtræffer? Indsatsen er enorm – rettidige advarsler kunne revolutionere beredskabet over hele verden. Men hvad siger videnskaben egentlig om denne mulighed?

Background

Jordskælvspåudsigter forbliver et af de mest udfordrende problemer inden for geovidenskab. Traditionelle metoder er baseret på statistisk analyse af historisk seismisk aktivitet, geodætiske målinger af skorpe deformation og forvarslingssignaler såsom forrystelser, men ingen har konsekvent leveret pålidelige korttidsprognoser (f.eks. dage til uger) forud for større begivenheder (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

De seneste år har maskinlæringsmetoder (ML) været udforsket til at opdage subtile, ikke-lineære mønstre i seismiske data, der kan forudgå jordskælv. Studier har anvendt store datasæt fra tætte seismiske netværk til at træne dybe neurale netværk, der kan identificere anomalier i bølgeegenskaber, såsom tidsmæssig klyngedannelse, spektralt indhold eller ændringer i b-værdi (DeVries et al., 2018; Mignan et al., 2021). Nogle modeller rapporterer forbedret ydeevne i at forudsige efterskælv eller opdage tidlige advarselssignaler på regional skala (f.eks. Perol et al., 2018; Zhang et al., 2021). Dog er den fysiske fortolkelighed af disse anomalier fortsat omdiskuteret, og streng, prospektiv validering på tværs af forskellige tektoniske miljøer er begrænset (van der Elst et al., 2021).

Inkluderingen af atmosfæriske data—såsom ionosfæriske forstyrrelser (f.eks. anomalier i total elektronindhold), radonemissioner eller termiske infrarøde anomalier—er blevet foreslået som potentielle forvarslingsindikatorer, baseret på anekdotiske og casestudieobservationer (f.eks. Pulinets & Ouzounov, 2011). Satellitbaseret overvågning (f.eks. GOES, Swarm) har muliggjort bredere rumlig dækning af sådanne signaler, og nogle ML-modeller har forsøgt at kombinere seismiske og atmosfæriske input for at forbedre prædiktionsevnen (f.eks. Akhoondzadeh & Di Mauro, 2022). Dog forbliver mekanismerne, der forbinder atmosfæriske ændringer med tektonisk stress, spekulative, og robuste beviser for kausale sammenhænge mangler (Thomas et al., 2017; Dautermann et al., 2007).

På trods af anekdotiske rapporter og isolerede casestudier fastholder det bredere geofysiske samfund, at ingen valideret metode eksisterer til at forudsige tidspunkt, placering og størrelse af jordskælv med tilstrækkelig nøjagtighed til at berettige offentlige advarsler (f.eks. Nature-leader, 2018). USGS udtrykker eksplicit, at pålidelig korttidsprognose ikke er mulig med nuværende forståelse og teknologi (USGS, 2023). Selvom AI kan forbedre opdagelsen af subtile mønstre, hersker skepsis med hensyn til, hvorvidt disse repræsenterer sande forvarsler eller tilfældige korrelationer (f.eks. Mignan, 2016). Dermed ligger fronten i at skelne signal fra støj—og i at sikre, at ethvert formodet prædiktivt signal kan valideres prospektivt under blindtest på tværs af flere seismiske regimer.

Korttidsprognose af jordskælv—defineret som at forudsige en specifik begivenhed timer til dage i forvejen—forbliver et af seismologiens mest udfordrende mål. Siden 1970'erne har forskere undersøgt sammenhænge mellem geofysiske og atmosfæriske signaler (f.eks. elektromagnetiske anomalier, radonemissioner eller ionosfæriske forstyrrelser) og forestående rystelser, men store, prospektivt validerede datasæt, der dækker hele 72-timershorisonten, er sjældne. Statistiske studier, der påstår at have evnen på dette tidsskala, overlever ofte ikke streng, ud-af-prøve-testning eller er blevet replikeret på tværs af flere tektoniske miljøer. Dyb læring-modeller, der indtager kontinuerlige seismiske og meteorologiske strømme, har vist lovende resultater på retrospektive datasæt—nogle gange rapporterende tilsyneladende fremskridt i korttidsprognosemetrikker—men disse fremskridt har endnu ikke ført til operationelle systemer, der er godkendt af større geologiske undersøgelser. Fraværet af en universelt accepteret fysisk mekanisme, der forbinder atmosfæriske signaler med brudinitiering, fortsætter med at begrænse udviklingen af pålidelige, generaliserbare prædiktorer på tre-dages-horisonten.

— Beriget 15. maj 2026