Se potessimo riconoscere uno schema che si ripete nei fenomeni che precedono un terremoto, avremmo un potente strumento per prevedere una delle catastrofi naturali più sfuggenti e pericolose per l’umanità. Questo non è ancora possibile ma una speranza arriva da un articolo pubblicato su Nature Scientific Reports dove ricercatori italiani spiegano come, con tecniche di deep learning, hanno realizzato una rete neurale che ha mostrato sorprendenti capacità di previsione dei terremoti, in particolare quelli indotti in aree geotermiche.
UN AIUTO DALLA MATEMATICA
La complessità dei fenomeni, la quantità delle variabili coinvolte e la limitata conoscenza dei sistemi con cui si confrontano i geologi rendono ancora impossibile la previsione deterministica dei terremoti. Per affrontare la questione servono molte competenze e questo è il motivo per cui lo studio ha coinvolto ricercatori dell’Ingv, fisici dell’università di Salerno e matematici del Modal, il gruppo di ricerca in Mathematical modelling and data analysis dell’università Federico II di Napoli. I ricercatori si sono concentrati sull’identificazione di precursori capaci di far capire se il sistema sta evolvendo verso uno stato critico o instabile. Il risultato è PreD-Net (Precursor detection network), un modello di deep learning che ha mostrato un’accuratezza del 98% nelle capacità previsionali e che costituisce il primo risultato tangibile del progetto D.I.R.E.C.T.I.O.N.S. che combina competenze geofisiche, sismologiche e informatiche.
ADDESTRAMENTO DI UN’IA
Tra i precursori di un sisma ritenuti più utili vi sono i foreshocks, piccoli terremoti solitamente non percepibili dalla popolazione che però hanno un grosso limite: sono difficilmente distinguibili dall’ordinaria attività sismica e lo sono tanto più quanto più bassa è la loro magnitudo. È qui che entra in gioco l’IA, usata per condurre avanzate analisi multiparametriche. I ricercatori hanno studiato una serie di caratteristiche considerate indicatrici della fase preparatoria del terremoto e hanno poi calcolato 16 variabili statistiche per i terremoti registrati nei cataloghi sismici di tre diverse aree con sismicità indotta: The Geysers (l’area geotermica più produttiva del mondo, a 120 km a nord di San Francisco), il campo geotermico di Cooper Basin in Australia meridionale e quello di Hengill nel sud-ovest dell’Islanda. In totale un database di oltre 488.000 eventi sismici con magnitudo compresa tra lo 0,6 e il 4,3 registrati tra 2003 e 2021. Il set di dati finale usato per addestrare PreD-Net è consistito in una raccolta di eventi sismici chiamati campioni, relativi ai 16 terremoti più grandi registrati nelle tre aree (ogni campione era un vettore composto dalle 16 variabili statistiche considerate come caratteristiche nel processo di identificazione dei precursori) con l’aggiunta dei dati relativi al campo geotermico svizzero di Basilea utilizzati, però, esclusivamente a scopo di verifica.
PRECURSORI VERI E FALSI POSITIVI
Alla fine del processo di apprendimento, la rete neurale ha dimostrato di essere in grado di distinguere efficacemente i veri precursori di un grande evento sismico dalla normale attività di fondo. Questo ne fa, in prospettiva, un potente strumento al servizio della prevenzione e della mitigazione del rischio che già ora ha permesso di delineare una possibile strategia di allarme in tempo reale. Sulla base delle previsioni di PreD-Net, infatti, i ricercatori hanno implementato un sistema di allarme probabilistico che funziona come un semaforo. A ogni colore è associato un diverso livello di allerta: verde nessun allarme, arancione allarme moderato e rosso allarme grave. È una strategia di allarme semplice che può fornire preavvisi preziosi, fino anche a ore prima del verificarsi di un terremoto potenzialmente grave.
