L'IA può prevedere con precisione i terremoti con 72 ore di anticipo dai dati sismici e atmosferici ?

Potrebbero i progressi nell'intelligenza artificiale, addestrata su dati sismici e atmosferici, prevedere in modo affidabile i terremoti fino a tre giorni prima che si verifichino? Le poste in gioco sono enormi: avvisi tempestivi potrebbero trasformare la preparazione ai disastri in tutto il mondo. Eppure, cosa dice effettivamente la scienza a proposito di questa possibilità?

Background

La previsione dei terremoti rimane uno dei problemi più impegnativi nelle scienze della Terra. I metodi tradizionali si basano sull'analisi statistica della sismicità storica, sulle misurazioni geodetiche della deformazione crostale e su segnali precursori come le scosse di avvertimento, ma nessuno ha fornito in modo coerente previsioni affidabili a breve termine (ad esempio, giorni o settimane) prima di eventi maggiori (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

Negli ultimi anni, sono state esplorate tecniche di machine learning (ML) per rilevare modelli sottili e non lineari nei dati sismici che potrebbero precedere i terremoti. Studi hanno utilizzato dataset su larga scala provenienti da reti sismiche dense per addestrare reti neurali profonde in grado di identificare anomalie nelle caratteristiche delle forme d'onda, come il clustering temporale, il contenuto spettrale o le variazioni del parametro b (DeVries et al., 2018; Mignan et al., 2021). Alcuni modelli riportano prestazioni migliorate nella previsione delle sequenze di aftershock o nel rilevamento di segnali di allerta precoce su scala regionale (ad esempio, Perol et al., 2018; Zhang et al., 2021). Tuttavia, l'interpretabilità fisica di queste anomalie rimane oggetto di dibattito e le validazioni prospettiche rigorose in diversi contesti tettonici sono limitate (van der Elst et al., 2021).

L'inclusione di dati atmosferici—come disturbi ionosferici (ad esempio, anomalie del contenuto elettronico totale), emissioni di radon o anomalie termiche a infrarossi—è stata proposta come potenziale indicatore precursore, basandosi su osservazioni aneddotiche e studi di casi (ad esempio, Pulinets & Ouzounov, 2011). Il monitoraggio satellitare (ad esempio, GOES, Swarm) ha permesso una copertura spaziale più ampia di tali segnali e alcuni modelli ML hanno cercato di integrare input sismici e atmosferici per migliorare le capacità predittive (ad esempio, Akhoondzadeh & Di Mauro, 2022). Tuttavia, i meccanismi che collegano i cambiamenti atmosferici allo stress tettonico rimangono speculativi e mancano prove solide di percorsi causali (Thomas et al., 2017; Dautermann et al., 2007).

Nonostante segnalazioni aneddotiche e analisi di casi isolati, la comunità geofisica più ampia sostiene che non esiste un metodo validato per prevedere il momento, la posizione e la magnitudo dei terremoti con un'accuratezza sufficiente a giustificare allerta pubbliche (ad esempio, editoriale di Nature, 2018). L'USGS afferma esplicitamente che una previsione affidabile a breve termine non è fattibile con le conoscenze e le tecnologie attuali (USGS, 2023). Sebbene l'IA possa migliorare il rilevamento di modelli sottili, permane lo scetticismo sul fatto che questi rappresentino veri precursori o correlazioni spurie (ad esempio, Mignan, 2016). Pertanto, il fronte della ricerca si concentra nel distinguere il segnale dal rumore e nel garantire che qualsiasi presunto segnale predittivo possa essere validato prospetticamente in condizioni di cecità in più regimi sismici.

La previsione dei terremoti a breve termine—definita come la capacità di prevedere un evento specifico da ore a giorni prima—rimane uno degli obiettivi più sfidanti della sismologia. Sin dagli anni '70, i ricercatori hanno indagato le relazioni tra segnali geofisici e atmosferici (ad esempio, anomalie elettromagnetiche, emissioni di radon o disturbi ionosferici) e le scosse imminenti, ma dataset ampi e validati prospetticamente che coprano l'intero orizzonte di 72 ore sono scarsi. Studi statistici che affermano di avere abilità a questa scala temporale spesso non superano test rigorosi fuori campione o non sono stati replicati in diversi contesti tettonici. I modelli di deep learning che elaborano flussi continui di dati sismici e meteorologici hanno mostrato promesse su dataset retrospettivi—talvolta riportando miglioramenti apparenti nelle metriche di previsione a breve termine—ma questi progressi non si sono ancora tradotti in sistemi operativi approvati da principali rilevamenti geologici. L'assenza di un meccanismo fisico universalmente accettato che colleghi i segnali atmosferici alla nucleazione della rottura continua a limitare lo sviluppo di predittori affidabili e generalizzabili all'orizzonte dei tre giorni.

— Enriched 15 maggio 2026