Jak umělá inteligence pomáhá seismologům slyšet slabší zemětřesení

Rozpoznávání zemětřesení začíná jako obtížný poslechový úkol. Seismometr zapisuje pohyb půdy, ale záznam je plný oceánského vlnění, dopravy, počasí, lomových odstřelů i šumu přístroje. Malé zemětřesení se může projevit jen jako slabý vzor, který dorazí na několik stanic s mírně odlišným načasováním. Právě proto se o umělou inteligenci zajímají seismologové: ne proto, že by předpovídala příští katastrofu, ale protože pomáhá hledat slabé signály už ukryté v datech.

Nedávný výzkumný přehled v oboru věd o Zemi a vesmíru popisuje práci Köhlera a kolegů s desetiletími záznamů ze seismických polí, mimo jiné z dat spravovaných norskou výzkumnou nadací NORSAR. Místo aby se jeden přístroj bral jako celý příběh, modely se učí spojovat signály z mnoha senzorů rozmístěných v určité oblasti. Geografie sítě je součástí metody. Skutečná seismická vlna by se měla na stanicích objevit ve fyzikálně smysluplném pořadí, zatímco náhodný šum obvykle ne.


Úkol strojového učení je rozpoznávání vzorů s pojistkami. Modely se trénují na archivních vlnových záznamech, u nichž analytici vědí, které výchylky odpovídaly zemětřesení nebo jiné seismické události. Poté procházejí nová či odložená data a hledají podobné příchody, někdy i události příliš malé, vzdálené nebo nečitelné pro starší automatické postupy. Lepší detekce může doplnit katalogy zemětřesení hlavně o malé otřesy, které ukazují, jak se zlomy chovají mezi většími událostmi.

Geograficky na tom záleží, protože seismické riziko vzniká z důkazů v konkrétním místě. Bohatší katalog může ukázat, kde se drobné otřesy shlukují, jak se napětí přesouvá zlomovou zónou nebo zda se mění oblast vulkanická, těžební či ovlivněná přehradou. V některých situacích může rychlejší detekce podpořit i varování poté, co otřesy začaly, a dát automatickým systémům několik sekund na zpomalení vlaků, zastavení zařízení nebo upozornění blízkých obcí. Tyto sekundy mají hodnotu jen tehdy, když je rozpoznání spolehlivé.


Tím se seismologie nestává méně místní. Naopak, nejlepší systémy potřebují znalost místa: které stanice stojí na pevném podloží, které leží u silnic či pobřeží, jak se v záznamech projevují zimní bouře a kde doly nebo průmysl vytvářejí opakované vibrace. Umělá inteligence dokáže kandidáty rychle seřadit, ale regionální odborníci stále vědí, které signály dávají smysl v pohoří, riftovém údolí, vulkanické oblasti nebo stabilním štítu.

Hranice jsou stejně důležité jako příslib. Umělá inteligence nenahrazuje hustou síť přístrojů, dobrou údržbu ani odbornou kontrolu. Model vycvičený v jedné oblasti může v jiné chybovat, pokud se liší geologie, rozestupy stanic nebo zdroje šumu. Falešné poplachy plýtvají pozorností a přehlédnuté signály mohou skrýt důležitou aktivitu. Proto se modely testují na nezávislých datech a porovnávají se zavedenými seismologickými metodami dřív, než se použijí v provozu.

Užitečný optimismus je zde střízlivý a praktický. Citlivější katalogy dělají podzemní mapu méně prázdnou. Pomáhají vědcům vidět drobné zlomy, série dotřesů i člověkem vyvolané vibrace v lepším rozlišení. Pro veřejnost to neznamená, že zemětřesení půjde předpovědět jako zítřejší déšť. Znamená to, že paměť země lze číst pečlivěji — a lepší čtení je tichým základem bezpečnějších staveb, rozumnějšího plánování a rychlejší reakce.