Poate AI prezice cu exactitate cutremurele cu 72 de ore înainte pe baza datelor seismice și atmosferice ?

Ar putea progresele în inteligența artificială, antrenată pe date seismice și atmosferice, să prezică în mod fiabil cutremurele cu până la trei zile înainte de a se produce? Mizele sunt enorme — avertizările la timp ar putea transforma pregătirea pentru dezastre în întreaga lume. Totuși, ce spune de fapt știința despre această posibilitate?

Background

Predicția cutremurelor rămâne una dintre cele mai dificile probleme în știința Pământului. Metodele tradiționale se bazează pe analiza statistică a seismicității istorice, măsurători geodezice ale deformării crustale și semnale precursor precum cutremurele anterioare, însă niciuna nu a furnizat în mod constant prognoze fiabile pe termen scurt (de exemplu, zile până la săptămâni) înaintea evenimentelor majore (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

În ultimii ani, abordările bazate pe învățare automată (ML) au fost explorate pentru a detecta modele subtile, neliniare în datele seismice care ar putea preceda cutremurele. Studiile au folosit seturi mari de date provenite din rețele seismice dense pentru a antrena rețele neuronale profunde capabile să identifice anomalii în caracteristicile formelor de undă, precum clusterizarea temporală, conținutul spectral sau modificările valorii b (DeVries et al., 2018; Mignan et al., 2021). Unele modele raportează performanțe îmbunătățite în prognozarea secvențelor de replici sau detectarea semnalelor de avertizare timpurie la nivel regional (de exemplu, Perol et al., 2018; Zhang et al., 2021). Cu toate acestea, interpretabilitatea fizică a acestor anomalii rămâne subiect de dezbatere, iar validările prospective riguroase în diverse contexte tectonice sunt limitate (van der Elst et al., 2021).

Includerea datelor atmosferice — precum perturbațiile ionosferice (de exemplu, anomalii ale conținutului electronic total), emisiile de radon sau anomaliile în infraroșu termic — a fost sugerată ca potențiale indicatori precursori, pornind de la observații anecdotice și studii de caz (de exemplu, Pulinets & Ouzounov, 2011). Monitorizarea bazată pe sateliți (de exemplu, GOES, Swarm) a permis o acoperire spațială mai largă a unor astfel de semnale, iar unele modele ML au încercat să combine intrări seismice și atmosferice pentru a îmbunătăți abilitatea predictivă (de exemplu, Akhoondzadeh & Di Mauro, 2022). Cu toate acestea, mecanismele care leagă schimbările atmosferice de stresul tectonic rămân speculative, iar dovezi solide ale unor căi cauzale lipsesc (Thomas et al., 2017; Dautermann et al., 2007).

În pofida rapoartelor anecdotice și a analizelor izolate de caz, comunitatea geofizică mai largă menține că nu există nicio metodă validată pentru predicția momentului, locației și magnitudinii cutremurelor cu o precizie suficientă pentru a justifica avertismente publice (de exemplu, editorial Nature, 2018). USGS declară explicit că predicția fiabilă pe termen scurt nu este fezabilă cu înțelegerea și tehnologia actuale (USGS, 2023). Deși AI poate îmbunătăți detectarea modelelor subtile, scepticismul persistă cu privire la faptul dacă acestea reprezintă adevărate semnale precursor sau corelații spurious (de exemplu, Mignan, 2016). Astfel, frontiera constă în a distinge semnalul de zgomot — și în a asigura că orice semnal predictiv presupus poate fi validat prospectiv în condiții oarbe în multiple regimuri seismice.

Predicția cutremurelor pe termen scurt — definită ca anticiparea unui eveniment specific cu ore până la zile înainte — rămâne unul dintre cele mai dificile obiective ale seismologiei. Începând cu anii 1970, cercetătorii au investigat relațiile dintre semnalele geofizice și atmosferice (de exemplu, anomalii electromagnetice, emisiile de radon sau perturbațiile ionosferice) și tremurăturile iminente, însă seturile mari de date validate prospectiv care acoperă întreaga perioadă de 72 de ore sunt rare. Studiile statistice care pretind a avea abilități la această scară temporală deseori nu rezistă testelor riguroase pe eșantioane externe sau nu au fost replicate în multiple contexte tectonice. Modelele de învățare profundă care prelucrează fluxuri continue de date seismice și meteorologice au arătat promisiune pe seturi de date retrospective — uneori raportând câștiguri aparente în metricile de prognoză pe termen scurt — însă aceste progrese nu s-au tradus încă în sisteme operaționale aprobate de principalele agenții geologice. Lipsa unui mecanism fizic universal acceptat care să lege semnalele atmosferice de nucleația ruperii continuă să limiteze dezvoltarea unor predictori fiabili și generalizabili la orizontul de trei zile.

— Actualizat la 15 mai 2026