Predviđanje tačne lokacije, vremena i jačine zemljotresa je prilično veliki izazov. Razlog tome je nedostatak specifičnih obrazaca na osnovu kojih se vrši predviđanje, što na kraju donosi netačne rezultate predviđanja. Tehnike zasnovane na veštačkoj inteligenciji (AI) popularne su zbog svoje sposobnosti da otkriju skrivene obrasce u podacima. Kada je u pitanju predviđanje zemljotresa, AI modeli bi trebalo da daju povoljne ishode.
Ključni izraz ovde je „trebalo bi“. U teoriji, AI algoritmi mogu predvideti da će se desiti zemljotres ili bilo koja druga prirodna nepogoda. U praksi, takvi algoritmi se zaista primenjuju za predviđanje. Međutim, postoji mala caka – ne mogu se svi zemljotresi predvideti.
Zašto je važno predvideti zemljotres?
Zemljotresi su prirodne katastrofe koje nastaju usled pomeranja tektonskih ploča. Ovi pokreti su uzrokovani oslobađanjem ogromne količine energije koja dolazi iz unutrašnjosti zemlje. Manji zemljotresi jačine 5 stepeni po Rihteru ili slabiji mogu da nanesu samo neznatnu štetu u blizini epicentra. Međutim, oni jačine od 6 ili više stepeni mogu ne samo da naprave ozbiljnu štetu u infrastrukturi koja iznosi milijarde dolara, već i da izazovu ogroman broj smrtnih slučajeva.
Predviđanje kada i gde bi se zemljotres mogao desiti moglo bi da svede razaranja na minimum. Potpuna procedura predviđanja zemljotresa treba da sadrži tri vrste informacija: lokaciju i vreme incidenta, kao i njegovu jačinu. Prema statistici, bilo je oko 40.000 zemljotresa jačine preko 5 stepeni po Rihteru samo u 21. veku. Pažljivom analizom podataka kao što je lokacija, moguće je utvrditi specifične obrasce. Oni mogu dalje pružiti stručnjacima šanse da preciznije predvide zemljotrese.
Zemljotres predstavlja jednu od prirodnih pojava na koji utiče mnogo faktora. Od osnovnih podataka beleže se lokacija, tačan datum i vreme, i magnituda potresa. Uprkos napretku seizmologije i tehnologija koje koristimo za beleženje novih podataka, nažalost, do danas nisu razvijeni modeli koji mogu da predvide potrese sa zadovoljavajućom sigurnošću. Glavni razlog tome je, kao što je već pomenuto, kompleksnost same pojave na koju utiču kretanja tektonskih ploča i mnogo drugih činilaca koji mogu imati uticaj na pomeranje i sleganje zemljišta.
Mladen Jovanović, Direktor sektora za analizu i obradu podataka u Entelu
Podela predviđanja
Proces predviđanja zemljotresa može se podeliti u dve kategorije: kratkoročna i dugoročna. Kratkoročno predviđanje je izuzetno komplikovano jer predviđa zemljotrese nekoliko nedelja ili dana pre nego što se dogode. Budući da su kratkoročna, takva predviđanja bi trebalo da budu tačnija, sa manje lažnih uzbuna i da se koriste za evakuaciju područja pre zemljotresa.
Sa druge strane, dugoročna predviđanja se rade prema periodičnim slučajevima zemljotresa. Zbog toga oni nude manje informacija od kratkoročnih. Međutim, oni mogu imati udela u postavljanju standarda za razvoj koda i kreiranje planova za reagovanje na katastrofe.
Još 2009. godine zemljotres jačine 5,9 stepeni Rihtera pogodio je grad L’Ankila u Italiji, kada je poginulo 308 građana. Katastrofa je mogla biti sprečena da italijanska Komisija za prognozu zemljotresa nije predvidela da štete neće biti. Na osnovu njihove pogrešne prognoze, stanovništvo nije bilo evakuisano. To je rezultiralo masovnim masakrom koji je odneo brojne živote i višestruko oštetio infrastrukturu. Kao posledica toga, naučnici odgovorni za prognoze zemljotresa kažnjeni su sa šest godina zatvora.
Šta je potrebno za predviđanje zemljotresa?
Modeli za prognozu zemljotresa funkcionišu prilično dobro sa zemljotresima male ili srednje jačine. Međutim, u slučaju jačih zemljotresa rezultati su prilično slabi. Upravo to izaziva veliku zabrinutost, jer zemljotresi većih magnitude nanose ogromnu i nepopravljivu štetu. Razlog tome je prilično logičan. Manje je zemljotresa velike magnitude u poređenju sa onim slabijim, pa nedostatak značajnih podataka otežava predviđanja.
Za predviđanje potresa koriste se istorijski podaci u koje spadaju energija, dubinu, lokaciju i magnitudu zemljotresa. Prema veličini vrednosti kompletnosti, izračunavaju se parametri zemljotresa specifični za to područje. I tu se pojavljuju AI modeli.
Algoritmi mašinskog učenja (machine learning – ML) izračunavaju seizmičke indikatore – energiju zemljotresa, vremensko kašnjenje, srednju magnitudu, itd. Modeli zasnovani na dubokom učenju (deep learning – DL), s druge strane, izračunavaju mnoštvo sofisticiranih karakteristika. S obzirom na činjenicu da su i modeli mašinskog i dubokog učenja zasnovani na podacima, a masovni zemljotresi se dešavaju u nekoliko slučajeva, njihovo predviđanje prema istorijskim podacima može biti priličan izazov.
Potrebno je razumeti i odgovornost pravljenja jednog takvog sistema u budućnosti i grešaka prilikom predikcije. Primer su situacije kada se predvidi zemljotres za jednu regiju i ništa se ne desi, i okolnosti kada sistem nije nagovestio ništa, a dogodi se velika katastrofa. Povećanjem osetljivosti sistema diže se i prag lažne uzbune, Svakako, sa napretkom mogućnosti veštačke inteligencije i saradnji sa stručnjacima za proučavanje zemljotresa nadamo se napretku u ovoj oblasti u skorijoj budućnosti.
Mladen Jovanović, Direktor sektora za analizu i obradu podataka u Entelu
Potencijalne zamke
Jedan od načina da se uspešno predvide zemljotresi je otkrivanje prethodnih jakih zemljotresa. Indikatori pokazuju promene u prirodnim elementima pre nego što zapravo dođe do zemljotresa. Ilustracije radi, naučnici sugerišu da bi čudno formiranje oblaka, varijacije u zemljinim elektromagnetnim poljima, vlažnost, promena strukture kore, temperatura tla i koncentracija gasa radona, između ostalog, mogli biti potencijalni kandidati za indikatore.
Međutim, ovde je neophodno biti oprezan jer ovakve generalizacije mogu biti pogrešne. Naime, slični prethodnici mogu se pojaviti bez nagoveštaja zemljotresa. Na žalost, bilo je incidenata tokom kojih nije bilo indikatora na vidiku. Dakle, nije moguće tvrditi da su takvi vesnici siguran dokaz predviđanja zemljotresa. Iz tog razloga je uključivanje metoda zasnovanih na veštačkoj inteligenciji ključno za predviđanje zemljotresa.
Da biste procenili metod predviđanja zemljotresa, od vitalnog je značaja uključiti specifične metrike. Samo neke od njih su osetljivost i specifičnost, stopa lažnih alarma i tačnost. Caka je u tome što modeli zemljotresa zavise od oblasti u kojoj se podaci prikupljaju. Iz tog razloga, neophodno je uspostaviti standardni skup podataka o zemljotresu prema kojem istraživači mogu izračunati metriku evaluacije i zatim uporediti modele sa prethodnim studijama.
Algoritmi veštačke inteligencije
Veštačka inteligencija je širok pojam, mnogo širi od onog što je nama laicima poznato: chatbotovi, ChatGPT, NLP, NLU, itd. Čitav pojam veštačke inteligencije obuhvata čitav niz algoritama, kao što su:
- Pristupi zasnovani na pravilima (Rule-based approaches), koji uključuju fuzzy logiku (fuzzy logic) i fuzzy neuronsku mrežu (fuzzy neural network);
- Plitko mašinsko učenje (shallow machine learning), gde spadaju podrška za vektorsku mašinu (support vector machine – SVM), vektor podrške u regresiji (support vector regression – SVR), algoritam k-najbližeg suseda (k-nearest neighbor algorithm – KNN), algoritam slučajne šume (random forest algorithm RF), algoritam stabla odlučivanja (decision-tree algorithm), klasterizacija metodom k-srednjih vrednosti (k-means clustering), hijerarhijska klaster analiza (hierarchical clustering) , veštačka neuronska mreža (artificiaf neural network – ANN), mreža sa funkcijama radijalne baze (radial basis function neural network – RBFNN), i probabilistička neuronska mreža (probabilistic neural network – PNN);
- Duboko mašinsko učenje (deep machine learning), koje obuhvata duboku neuronsku mrežu (deep neural network – DNN), rekurentnu neuronsku mrežu (recurrent neural network – RNN), dugu kratkotrajnu memoriju (long short-term memory – LSTM);
Ne ulazeći u detalje o ovim algoritmima, svaki od njih daje specifične rezultate kada je u pitanju predviđanje potresa. Ipak, sa specifičnim problemima kao što je nezadovoljavajuća praksa prikupljanja podataka i stoga njihova oskudica, odsustvo obrazaca i promenljive performanse istog modela u različitim geološkim okruženjima, istraživanje zemljotresa je izuzetno izazovno. Shodno tome, to može i utiče na performanse modela.
Ograničenja veštačke inteligencije pri predviđanju zemljotresa
Kao što smo već pomenuli, predviđanje zemljotresa jačine ispod 5 stepeni po Rihteru ne predstavlja problem. Međutim, zemljotresi jačine preko 6 stepeni Rihterove skale su izazov, uglavnom zato što se dešavaju retko. Usled nedostatka podataka, modeli zasnovani na veštačkoj inteligenciji ne funkcionišu najbolje kada se dogodi zemljotres jačine preko 6 stepeni.
Kako bi funkcionisali, bilo bi potrebno obučiti zasebne modele koristeći zemljotrese magnitude veće od 6. Međutim, opet smo u začaranom krugu – nemoguće je obezbediti podatke modelu, jer ih nije dovoljno prikupljeno. Pošto se zemljotresi retko dešavaju po predvidljivim obrascima, često je teško tačno predvideti kada će se desiti. Tipični opseg nepreciznosti za dugoročno predviđanje vremena zemljotresa je od 20 dana do 5 meseci.
Područje zemljine površine neposredno iznad mesta nastanka zemljotresa naziva se epicentar. Ovo je tačka koju potres najviše pogađa i izaziva najveća oštećenja. Kada je u pitanju predviđanje epicentra zemljotresa, obično postoji greška predviđanja od oko 113km. Shodno tome, prilično je teško predvideti kada će se zemljotres desiti.
Otrežnjujuća istina
Do sada je zaključeno da veštačka inteligencija može da predvidi manje zemljotrese. Ali to zapravo nikada nije bio cilj predviđanja zemljotresa. Umesto toga, treba predvideti iznenadne, katastrofalne potrese koji predstavljaju pretnju po život. U slučaju veštačke inteligencije, ovo je očigledan paradoks – najrazorniji zemljotresi koje bi naučnici i seizmolozi voleli da predvide su i najređi. Opet, dolazimo do pitanja kako AI algoritmi mogu i hoće li ikada dobiti dovoljno podataka da uspešno predvide takve zemljotrese?
Izvor: County News Center
Međutim, da li je prikupljanje takvih podataka neophodno? Naučnici iz laboratorije u Los Alamosu veruju da nije. Naime, neke studije ukazuju na to da su seizmički obrasci koji prethode manjim zemljotresima statistički slični onima kod većih. Samo je pitanje vremena kada bi se desetine manjih zemljotresa mogle desiti samo na jednom rasedu.
Mašina koja je obučena na osnovu bezbroj tako malih potresa mogla bi biti dovoljno raznovrsna da predvidi one velike. Algoritmi za mašinsko učenje veštačke inteligencije takođe bi mogli da se obuče na simulacijama brzih zemljotresa i na taj način služe kao proksi za stvarne podatke.
Ta prokleta slučajnost
Čak i ako nekada bude moguće predvideti katastrofalne zemljotrese na osnovu podataka prikupljenih iz manjih potresa, istraživači će se susresti sa još jednom neprijatnom istinom. Fizički procesi koji dovode rased do ivice zemljotresa mogu biti predvidljivi. Međutim, stvarni okidač zemljotresa – prerastanje sitnih seizmičkih podrhtavanja u potpunu pukotinu, kako naučnici veruju, još uvek sadrži neke nasumične elemente. Ovo implicira da, bez obzira na to koliko je dobro obučena, mašina neće moći da predvidi zemljotrese kao što je slučaj sa drugim prirodnim opasnostima.
U idealnom slučaju, predviđanje velikih zemljotresa ima vremensko ograničenje od nekoliko nedelja, meseci ili čak godina. Ova predviđanja verovatno neće biti sprovedena da bi se organizovala masovna evakuacija noć pre zemljotresa. Ipak, mogla bi da povećaju nivo svesti i pripremljenosti u zajednici, omoguće zvaničnicima da obezbede nebezbedne zgrade i tako umanje opasnosti od kataklizmičkih zemljotresa.
Na kraju krajeva, upravo je to cilj predviđanja zemljotresa – da se dovoljno rano izda upozorenje o mogućim štetnim potresima, omogući odgovarajući odgovor na katastrofu i svede broj smrtnih ishoda i materijalnu štetu na minimum. Mladen Jovanović, direktor sektora za analizu i obradu podataka u Entelu, veruje da će sa napretkom mogućnosti veštačke inteligencije, kao i saradnji sa stručnjacima za proučavanje zemljotresa to biti moguće u skorijoj budućnosti.
