Koneoppiminen paljastaa pienten järistysten ennakot

Tuhansia pieniä tärähdyksiä. Kohinaa kokemattoman silmälle. Hiljainen kuiskaus viasta, joka on heräämässä. Siinä signaali kätkeytyy.

Kun pienet järistykset eivät enää ole satunnaisia

Seismologit ovat pitkään kohdanneet karun ongelman: dataa on runsaasti, mutta merkitys on epämääräinen. Katalogit paisuvat pienistä maanjäristyksistä, parvista ja jälkijäristyksistä. Suurin osa on rutiinia. Joskus näennäisen tavanomainen ryhmä osoittautuu esipuheeksi paljon suuremmalle murtumalle. Kohinan erottaminen todellisesta valmistelusignaalista on haaste, jonka GFZ Helmholtz Geotieteiden keskus -tiimi on ottanut ratkaistavakseen dataohjatulla lähestymistavalla.

Sen sijaan, että tietokonetta ohjattaisiin etsimään ennalta määriteltyä mallia, tutkijat antoivat datan päättää mallista. Tämä on valvomaton koneoppiminen: algoritmeja, jotka löytävät rakennetta raakainformaation sisältä ilman ihmisten antamia etikettejä tai ennakko-odotusten tarkistuslistaa. Lähestymistapa on jo osoittautunut hyödylliseksi muissa georiskeissä, kuten maaliikunnoissa ja vulkaanisessa levottomuudessa.

Työskennellen muiden tutkijoiden, muun muassa tohtori Sadegh Karimpoulin ja professori Patricia Martínez-Garzónin, kanssa GFZ:n ryhmä rakensi putkiston, joka ryhmittelee maanjäristykset toisiinsa liittyviin klustereihin eli "perheisiin" ja kuvailee näitä perheitä fysikaalisilla ja tilastollisilla sormenjäljillä. Algoritmi järjestää perheet kategorioihin, jotka vastaavat erilaisia seismisen käyttäytymisen tiloja. Kun alue siirtyy tavanomaisista taustaluokista kriittiseen kategoriaan, muutos voi merkitä järjestelmän ajautumista lähemmäs pettämistä.

Seismisten perheiden luokittelu ennen vuoden 2023 Mw 7.8 Kahramanmaraşin (keltainen tähti) maanjäristystä. Karttanäkymä, joka näyttää tapahtumaperheiden jäsenten maantieteellisen jakautumisen värikoodattuna vastaavien kategorioiden mukaan. Taustatapahtumat on esitetty harmaalla. 

Muuttamalla katalogit vuorovaikuttaviksi perheiksi

Perinteiset maanjäristyskatalogit käsittelevät jokaista tapahtumaa erillisenä pisteenä avaruudessa ja ajassa. Se on hyödyllistä, mutta epätäydellistä. Luonnossa maanjäristykset kommunikoivat keskenään. Pieni murtuma muuttaa paikallista jännitystilaa ja työntää muiden kuoren alueiden kohtia lähemmäs tai kauemmas pettämistä. Tuo vuorovaikutus saadaan talteen ryhmittämällä tapahtumat läheisyyden perusteella tilassa, ajassa ja magnitudissa. Tuloksena on joukko perheitä: yhtenäisiä tapahtumaryhmiä, jotka heijastavat vuorovaikuttavaa jännityksen ja liukumisen mosaiikkia.

Jokainen perhe kuvataan useiden mittareiden kautta. Kuinka tiiviisti tapahtumat ovat ryhmittyneet? Keskittyvätkö ne kapealle alueelle vai leviävätkö laajalle? Kiihtyykö seismisen jännityksen purkautuminen vai jähmettyykö se? Mikä on magnitudien aikajärjestys? Nämä kuvaajat syötetään valvottomaan malliin, joka järjestää perheet toistuviin kategorioihin, joiden on havaittu vastaavan jännityksen kehitysvaiheita.

Seismisten perheiden luokittelu ennen vuoden 2023 Mw 7.8 Kahramanmaraşin maanjäristystä suurilla siirrosliikkeellä olevalla laattarajalla. Vasen: Värit edustavat kronologista järjestystä. Oikea: Värit edustavat uusia tapahtumaperheiden kategorioita.

Kehitys perhepohjaiseen analyysiin on merkittävä, koska se muuttaa kysymyksen muotoa. Sen sijaan, että etsittäisiin yhtä ennakkoiskun tunnusmerkkiä, tutkijat kysyvät, muuttuuko vuorovaikuttavien tapahtumien kollektiivinen käyttäytyminen suuntaan, joka viittaa kasvavaan epävakauteen. Menetelmä kalibroitiin ensin laboratorion tartu-liu'u -kokeissa, joissa siirtofysiikkaa voidaan tarkkailla kontrolloiduissa olosuhteissa. Suuri testi kuitenkin oli: toimiiko lähestymistapa sotkuisessa, todellisessa seismisyydessä, jossa instrumentit eivät ole täydellisiä ja viat paljon monimutkaisempia?

Seismisten perheiden luokittelu ennen vuoden 2014 Mw 8.1 Iquiquen (Chile) maanjäristystä alityöntövyöhykkeellä. Vasen: Värit edustavat kronologista järjestystä. Oikea: Värit edustavat uusia tapahtumaperheiden kategorioita.

Malleja, jotka ilmenivät ennen useita suuria järistyksiä

Vastatakseen tähän kysymykseen tutkimusryhmä sovelsi menetelmää retrospektiivisesti useisiin hyvin dokumentoituihin sarjoihin eri tektonisissa ympäristöissä. Listalla ovat vuoden 2023 Mw 7.8 Kahramanmaraşin järistys Turkissa, vuoden 2014 Mw 8.1 Iquiquen tapahtuma Chilessä ja vuoden 2009 Mw 6.1 L’Aquilan järistys Italiassa. Jokaisessa tapauksessa algoritmi havaitsi erottuvan siirtymän seismisessä käyttäytymisessä viikkoja tai kuukausia ennen pääiskua.

Tuo valmistelusignatuuri ei ollut yksittäinen selitysmerkki. Sen sijaan se yhdisti kolme taipumusta: kasvavan klusteroitumisen ja vuorovaikutuksen tapahtumien välillä, vahvemman lokalisaation ajassa ja tilassa sekä vapautuneen seismisen jännityksen lisääntymisen. Toisin sanoen seismisyys järjestäytyi. Taustavärähtelyt, jotka olivat aiemmin hajallaan ja episodisia, alkoivat yhdistyä ennustettavampaan, keskittyneempään muotoon. Tutkijat tulkitsevat tätä fault-järjestelmän kehittymiseksi kriittiseen tilaan.

"Havaitsimme siirtymän suhteellisen hajanaisesta taustatoiminnasta kohti strukturoitunutta, kriittistä tilaa ennen murtumaa", sanoo tohtori Karimpouli. "Analysoimissamme sarjoissa tämä uudelleenjärjestäytyminen ilmestyi viikkoja tai kuukausia ennen suurta tapahtumaa."

Seismisten perheiden luokittelu ennen vuoden 2009 Mw 6.1 L’Aquilan (Italia) tapahtumaa hajanaisilla normaalisiirroilla. Vasen: Värit edustavat kronologista järjestystä. Oikea: Värit edustavat uusia tapahtumaperheiden kategorioita. 

Kaikki järistykset eivät valmistele tapahtumaa näkyvästi

Yksi tutkimuksen tärkeimmistä tuloksista on negatiivinen todistus. Menetelmä ei löytänyt valmistelukategoriaa jokaiselle suurelle maanjäristykselle. Vuoden 2016 Amatricen järistykselle Italiassa ja vuoden 2024 Noton järistykselle Japanissa analyysi ei onnistunut tunnistamaan selkeää muutosta aikaisempaan toimintaan verrattuna. Näiden tapahtumien näyttäisi tapahtuneen ilman sitä erottuvaa seismistä uudelleenjärjestäytymistä, joka ilmeni muissa sarjoissa.

Tuo vaihtelu korostaa kahta todellisuutta. Ensiksi kaikki siirrot eivät ilmoita pettämistään samalla tavalla. Vian geometria, ympäröivä jännitystila, tektonisen kuormituksen nopeus ja paikallinen reologia vaikuttavat kaikki siihen, ilmeneekö ja miten seisminen valmistautuminen näkyy. Toiseksi valvontakyky merkitsee. Hento valmistelusignaali ei ole havaittavissa, jos instrumentit ovat harvassa tai katalogin täydellisyys on heikko kyseisellä magnitudialueella.

"Jotkin viat voivat pettää ilman ilmeisiä seismisiä varoitusmerkkejä, mikä tekee ennakoinnista vaikeaa", huomauttaa professori Patricia Martínez-Garzón. "On ensiarvoisen tärkeää ymmärtää, millaiset tektoniset ympäristöt ja valvontakonfiguraatiot todennäköisimmin paljastavat valmistautumiskäyttäytymistä."

Käytännön ennakointi ja etukäteistestit

Retrospektiivinen havaitseminen on yksi asia. Operatiivinen ennakointi on toinen. Tutkiakseen menetelmän käytännön arvoa tutkijat ajattelivat lähestymistapaa eteenpäin historian sarjoissa. He käyttivät aiempaa aktiivisuutta määrittämään alueen tyypilliset kategoriat ja päivittivät luokituksen uusien tapahtumien saapuessa. Kun ilmestyi uusi kategoria, joka poikkesi vakiintuneesta taustasta, se toimi lipukkeena siitä, että järjestelmä siirtyi uuteen tilaan.

Tämä reaaliaikainen kehys ei tarjoa determinististä ennustusta. Kirjoittajat ovat tästä selkeitä. Sen sijaan menetelmä tarjoaa diagnostisen työkalun: tavan tunnistaa, milloin viallinen järjestelmä käyttäytyy poikkeavasti. Tämä tieto voitaisiin liittää operatiivisiin maanjäristysennakoinnin viitekehyksiin, joissa todennäköisyyspohjainen ohjaus on jo normi.

Tällaisten työkalujen integroiminen valvontakeskuksiin vaatisi kestäviä kynnysarvoja, huolellista väärien hälytysten analyysiä ja ymmärrystä siitä, mitkä signaalityypit ovat toiminnallisesti hyödyllisiä. Tutkimus kuitenkin osoittaa skaalautuvan tien. Koneoppimista voidaan käyttää paitsi yksittäisten ennakkoiskujen etsintään myös seuraamaan vuorovaikuttavien tuhansien pienten tapahtumien muuttuvia käyttäytymismalleja.

Asiantuntijan näkökulma

Tohtori Lena Ortiz, kuvitteellinen seismologi ja operatiivinen riskineuvoja, jolla on kahdenkymmenen vuoden kokemus seismisten verkkojen ylläpidosta, tiivistää potentiaalin ja rajoitukset ytimekkäästi: "Algoritmit, jotka korostavat muutoksia tapahtumien vuorovaikutuksessa, antavat meille uuden näkökulman viallisten järjestelmien käyttäytymiseen. Ne eivät ennusta vanhassa mielessä. Sen sijaan ne lisäävät tilannetietoisuutta. Se voi olla korvaamatonta hätähallinnolle, jos signaalit kalibroidaan oikein ja epävarmuus kommunikoidaan selkeästi."

Miksi tämä on tärkeää maanjäristystieteelle ja yhteiskunnalle

Valmisteluvaiheiden havaitsemisen arvo ei ole pelkästään tieteellinen. Varhainen tunnistus siitä, että järjestelmä siirtyy epätavalliseen tilaan, voi vaikuttaa lyhyen aikavälin valmiuteen, resurssien kohdentamiseen ja julkiseen viestintään. Maat ja alueet, joilla on vahva seisminen seuranta ja nopeat datakanavat, ovat paremmin asemassa hyödyntämään tällaisia diagnostisia menetelmiä. Paikoissa, joissa instrumentointia on vähän, samat tekniikat voivat olla sokeita.

Tieteellisestä näkökulmasta tutkimus tarjoaa tavan testata teorioita maanjäristysten alkamisesta ja ketjuuntumisesta. Jos tietyt kategoriat esiintyvät johdonmukaisesti suurten murtumien edeltävinä, tutkijat voivat tutkia fysikaalisia olosuhteita, jotka tuottavat nuo kategoriat. Tämä palaute- ja oppimissilmukka datavetoisen mallin tunnistuksen ja fysikaalisen tulkinnan välillä on keskeinen. Koneoppiminen ehdottaa malleja; fysiikka selittää ne. Molempia tarvitaan.

Teknologisesti lähestymistavalla on laajempia vaikutuksia. Menetelmä riippuu korkealaatuisista, jatkuvista seismisistä katalogeista ja nopeista laskentatyönkuluista. Anturiverkkojen parannukset, tiheiden kokonaisuuksien tuottamat korkeamman resoluution katalogit ja pilvipohjaiset analytiikkaratkaisut tekevät näistä menetelmistä käytännöllisempiä. Poikkitieteellinen yhteistyö on välttämätöntä. Seismologit, data-analyytikot, riskianalyytikot ja hätävälineet täytyy saada toimimaan yhdessä, jotta algoritmien liput saadaan käännettyä tehokkaiksi toimenpiteiksi.

Yhteenveto

GFZ:n johtama tutkimus osoittaa, että valvomaton koneoppiminen yhdistettynä perhepohjaiseen näkemykseen seismisyydestä voi paljastaa hienovaraisia valmistautumiskäyttäytymisiä ennen joitain suuria maanjäristyksiä. Tekniikka tunnistaa tyypillisen uudelleenjärjestäytymisen: kasvavan klusteroitumisen, tiukemman lokalisaation ja suuremman seismisen jännityksen vapautumisen. Nämä piirteet eivät ole universaaleja, mutta siellä missä ne ilmenevät, ne voivat merkitä vian siirtymistä kohti epävakautta.

On ratkaisevan tärkeää ymmärtää, että menetelmä on diagnostinen työkalu, ei ennustuskeino. Se laajentaa operatiivisen ennakoinnin työkalupakkia tarjoamalla tavan seurata maanjäristysten kollektiivisen käyttäytymisen kehitystä. Seuraavat askeleet ovat selkeät: integroida nämä analyysit lähes reaaliaikaiseen valvontaan, testata niitä monipuolisemmissa tektonisissa ympäristöissä ja rakentaa operatiiviset viitekehykset, jotka mahdollistavat signaalien vastuullisen käytön. Jos ala pystyy tekemään tämän, katalogien kuiskaukset voivat muuttua hyödyllisiksi hälytyksiksi eivätkä pelkäksi taustakohinaksi.

Seismisten perheiden luokittelu ennen vuoden 2023 Mw 7.8 Kahramanmaraşin (keltainen tähti) maanjäristystä. Vasen: Karttanäkymä, joka näyttää tapahtumaperheiden jäsenten maantieteellisen jakautumisen värikoodattuna vastaavien kategorioiden mukaan. Taustatapahtumat on esitetty harmaalla. Oikea: Tapahtumaperheiden magnitudi-aikajakauma, jossa kaikkien (tausta- ja klusteroidut) tapahtumien kumulatiivinen määrä on esitetty yhtenäisillä viivoilla.