Czy AI może dokładnie przewidywać trzęsienia ziemi 72 godziny wcześniej na podstawie danych sejsmicznych i atmosferycznych ?

Czy postępy w sztucznej inteligencji, szkolonej na danych sejsmicznych i atmosferycznych, mogą niezawodnie przewidywać trzęsienia ziemi nawet na trzy dni przed ich wystąpieniem? Stawki są ogromne – terminowe ostrzeżenia mogłyby zrewolucjonizować globalne przygotowania do katastrof. A jednak, co na ten temat mówi sama nauka?

Background

Przewidywanie trzęsień ziemi pozostaje jednym z najbardziej wymagających problemów w geofizyce. Tradycyjne metody opierają się na analizie statystycznej historycznej sejsmiczności, pomiarach geodezyjnych deformacji skorupy ziemskiej oraz sygnałach prekursorskich, takich jak wstrząsy poprzedzające, jednak żadna z nich nie zapewniła wiarygodnych prognoz krótkoterminowych (np. dni do tygodni) przed głównymi zdarzeniami (Jordan i in., 2011; Geller i in., 1997; Lomnitz, 1994).

W ostatnich latach podejmowane są próby wykorzystania metod uczenia maszynowego (ML) do wykrywania subtelnych, nieliniowych wzorców w danych sejsmicznych, które mogą poprzedzać trzęsienia ziemi. Badania wykorzystują duże zbiory danych z gęstych sieci sejsmicznych do trenowania głębokich sieci neuronowych zdolnych do identyfikowania anomalii w cechach fal sejsmicznych, takich jak grupowanie czasowe, zawartość spektralna lub zmiany współczynnika b (DeVries i in., 2018; Mignan i in., 2021). Niektóre modele raportują poprawę wyników w prognozowaniu sekwencji wstrząsów wtórnych lub wykrywaniu sygnałów wczesnego ostrzegania na poziomie regionalnym (np. Perol i in., 2018; Zhang i in., 2021). Jednak fizyczna interpretowalność tych anomalii pozostaje dyskusyjna, a rygorystyczne, prospektywne walidacje w różnych warunkach tektonicznych są ograniczone (van der Elst i in., 2021).

Uwzględnienie danych atmosferycznych — takich jak zaburzenia jonosferyczne (np. anomalie całkowitej zawartości elektronów), emisje radonu lub anomalie w podczerwieni — zostało zaproponowane jako potencjalne wskaźniki prekursorskie, bazując na anegdotycznych obserwacjach i analizach przypadków (np. Pulinets & Ouzounov, 2011). Monitorowanie satelitarne (np. GOES, Swarm) umożliwiło szersze pokrycie przestrzennie takich sygnałów, a niektóre modele ML próbowały łączyć dane sejsmiczne i atmosferyczne w celu zwiększenia umiejętności predykcyjnych (np. Akhoondzadeh & Di Mauro, 2022). Mimo to mechanizmy łączące zmiany atmosferyczne ze stresem tektonicznym pozostają spekulatywne, a solidne dowody na istnienie ścieżek przyczynowych są niewystarczające (Thomas i in., 2017; Dautermann i in., 2007).

Pomimo anegdotycznych doniesień i izolowanych analiz przypadków, szersza społeczność geofizyczna utrzymuje, że nie istnieje zweryfikowana metoda przewidywania czasu, miejsca i siły trzęsień ziemi z wystarczającą dokładnością, aby uzasadnić wydawanie publicznych ostrzeżeń (np. redakcja Nature, 2018). USGS jednoznacznie stwierdza, że niezawodne prognozowanie krótkoterminowe nie jest możliwe przy obecnym stanie wiedzy i technologii (USGS, 2023). Chociaż AI może poprawić wykrywanie subtelnych wzorców, sceptycyzm utrzymuje się co do tego, czy reprezentują one prawdziwe sygnały prekursorskie, czy przypadkowe korelacje (np. Mignan, 2016). Zatem granica badań leży w odróżnieniu sygnału od szumu — oraz w zapewnieniu, że ewentualne sygnały predykcyjne mogą zostać prospektywnie zweryfikowane w warunkach zaślepionych na wielu reżimach sejsmicznych.

---

Krótkoterminowe prognozowanie trzęsień ziemi — definiowane jako przewidywanie konkretnego zdarzenia z wyprzedzeniem od godzin do dni — pozostaje jednym z najtrudniejszych celów sejsmologii. Od lat 70. badacze badają związki między sygnałami geofizycznymi i atmosferycznymi (np. anomaliami elektromagnetycznymi, emisjami radonu lub zaburzeniami jonosferycznymi) a nadchodzącymi wstrząsami, jednak duże, prospektywnie zweryfikowane zbiory danych obejmujące pełne 72-godzinne okno są rzadkie. Badania statystyczne twierdzące o umiejętnościach na tym horyzoncie czasowym często nie wytrzymują rygorystycznych testów poza próbą lub nie zostały zreplikowane w różnych warunkach tektonicznych. Modele głębokiego uczenia, które przetwarzają ciągłe strumienie danych sejsmicznych i meteorologicznych, wykazały obiecujące wyniki na zbiorach retrospektywnych — czasami raportując pozorne postępy w metrykach prognozowania krótkoterminowego — jednak te postępy nie zostały jeszcze przełożone na systemy operacyjne zatwierdzone przez główne służby geologiczne. Brak powszechnie akceptowanego mechanizmu fizycznego łączącego sygnały atmosferyczne z inicjacją pęknięcia nadal ogranicza rozwój niezawodnych, uogólnialnych predyktorów w horyzoncie trzech dni.

— Wzbogacono 15 maja 2026