L’algoritmo di Deep-learning UrbanDenoiser contribuirà alla rilevazione dei terremoti filtrando il rumore dei grandi centri urbani
Nei centri urbani di grandi dimensioni, la continua attività di treni, macchinari e veicoli nel quotidiano può costituire un banale inconveniente, ma può rivelarsi un problema fatale nel momento in cui avviene il rilevamento di attività sismiche, poiché attraverso le metodologie e gli strumenti odierni, risulta ancora difficile discernere un terremoto in avvicinamento tra le vibrazioni generate dalle attività umane nelle grandi città.
I ricercatori di Stanford si sono quindi impegnati nella ricerca, sperimentazione e applicazione di un sistema che consentisse ai sismologi di ottenere un segnale più chiaro, creando così un algoritmo, descritto in un articolo di Science Advances, in grado di sostenere le migliori capacità di rilevamento delle reti di monitoraggio dei terremoti presso i grandi centri urbani e in altre aree edificate. Filtrando il rumore sismico di fondo, l’algoritmo può aumentare la qualità complessiva del segnale e recuperando inoltre le rilevazioni che in precedenza risultavano troppo deboli per essere registrate.
Questi algoritmi per il tracciamento e filtraggio dei segnali captati nella rilevazione di attività sismiche, potrebbero essere integrati negli attuali sistemi di monitoraggio installati presso le stazioni all’interno e nei dintorni di vivaci città sismiche in Sud America, Messico, Mediterraneo, Indonesia e Giappone.
UrbanDenoiser, addestramento e prime applicazioni
I terremoti sono monitorati da sensori sismici, noti anche come sismometri, che rilevano costantemente le onde sismiche dalle vibrazioni che si manifestano nel terreno. L’algoritmo di Deep learning del team di Stanford, chiamato UrbanDenoiser, è stato addestrato su set di dati di 80.000 campioni di rumori sismici urbani e 33.751 campioni di rilevazione dell’attività sismica. Sono stati raccolti in California sulla città di Long Beach lungo la costa del Pacifico degli Stati Uniti e nell’area rurale di San Jacinto, rispettivamente.
Quando applicato ai set di dati presi dalla zona di Long Beach, l’algoritmo ha rilevato sostanzialmente più terremoti e reso più chiara ed immediata la comprensione di come e dove questi abbiano avuto origine.
In particolare, quando l’algoritmo venne applicato ai dati di un terremoto del 2014 a La Habra, sempre in California, il team ha osservato fino a 4 volte più rilevamenti sismici nei dati “denoizzati” (indeterminati per cause esterne) rispetto al numero ufficialmente registrato.
L’integrazione dell’Intelligenza Artifciale nella rilevazione delle attività sismiche
Da annoverare il fatto che questo non costituisca l’unica applicazione dell’intelligenza artificiale nella rilevazione dei terremoti. I ricercatori di Penn State hanno addestrato algoritmi di deep-learning per prevedere con maggiore precisione come i cambiamenti nelle misurazioni potrebbero indicare prossimi terremoti, un compito che ha confuso gli esperti per secoli. E sempre i membri del team di Stanford avevano in precedenza addestrato modelli di AI per il prelievo di fase, e per la misurazione degli intervalli di tempo di arrivo delle onde sismiche all’interno di un segnale sismico, utilizzato per stimare l’area di manifestazione del terremoto.