Bilim adamları, büyük bir depremin tam olarak ne süre ve nerede meydana geleceğini ve bunun ne kadar büyük olacağını anlamak için senelerdir büyük çaba gösteriyor. Şu anne kadar araştırmalar yetersiz kalmış olsa da, ümit verici gelişmeler yok değil.
New Mexico’daki Los Alamos Ulusal Laboratuvarı’nda bir jeofizikçi olan Dr. Paul Johnson, ekibinin zerzele tahminini düş olmaktan çıkartabilecek bir otomobil geliştirmesine öncülük ettiğini söylüyor. Günümüzdeki pek fazlaca bilimsel girişimde olduğu benzer biçimde, araştırma ekibinin yaklaşımı da makine öğrenimi (ML) biçimindeki suni zekayı (AI) en gerekli alıyor.
Sadece sismologlar için makine öğreniminin kullanımı hemen hemen başlangıç sürecinde. En yaygın zerzele vakaları olan tutma – bırakma depremleri için var olan olan nicel verilerin (zerzele büyüklükleri, sarsıntı şiddetleri benzer biçimde) olmaması ise zorluğu arttırıyor.
Büyük depremler, Dünya’nın tektonik plakaları arasındaki sınırlarda ya da sınırların yakınında jeolojik fayların hareketinden kaynaklanıyor ve araştırmacılar en gerekli olarak bu noktalarda degisecek arıyor. Sadece tutma – bırakma depremleri için, yıkıcı kaymadan daha evvelki süreç fazlaca uzun süre alıyor ve gerinim biriktikçe bir fay üstünde fazlaca azca devinim olabilmektedir. Araştırmacıların depremleri muntazam bir halde irdelemek araştırmak ve değerlendirmek için, gerçekleştikleri anda belgelemeleri gerekmektedir. Bunun zorluğundan dolayı, degisecek kümesi son derece sınırı olan kalıyor.
Dr. Johnson ise değişik türde bir sismik aktiviteye yöneliyor: Yavaş – kaymalı depremler. Benzemekte biçimde tektonik levhaların hareketinden meydana gelen bu vakalar, tutma – bırakma vakalarındaki saniyelerin aksine saatler, günler ve hatta haftalara yayılıyor. Bu olayların yavaşlığı, araştırmacılar için büyük bir gömü olabiliyor. Bu uzun süreçlerden, sinir ağını sismik aktiviteyi anlamak için daha iyi eğitebilecek bir takım degisecek noktası üretilmesi mümkün oldu.
Araştırma ekibinin makine öğrenimi sistemi, Kuzeybatı Pasifik’in Cascadia Batma Bölgesi’nde tahmine dayalı kabiliyetler gösterdi. Yavaş fay hareketlerinden yayılan 12 senelik sismik ses kaydını dinleyen sistem, onlardan evvel gelen sismik sinyallere dayalı olarak geçmiş yavaş kayma vakalarını yansıtmak (geçmiş vakaları tekrardan oluşturmak) için modeller arayabildi. Bu yansıtmayla, ekibin yedi gün kadar sonrasında nasıl biteceğini tahmin edebileceği yayınlandı.
Dr. Johnson’ın emek harcaması, makine öğrenimi tekniklerinin sismik vakalarda (yavaş kayma) hakikaten kullanılabilir bulunduğunu gösterse de, bu öngörüyü depremlere (tutma – bırakma) kadar genişletmek için degisecek eksikliğinin telafi edilmesi gerekecek. Araştırmacılar, bu eksiği gidermek amacıyla bir laboratuvarda tutma – bırakma vakalarını öykünmek yapmak eylemek amacıyla minyatür depremleri simüle ettiler. Toplanan veriler kullanılarak, laboratuvar depreminin ince ayarlı bir sayısal simülasyonu oluşturuldu ve sonrasında gerçek olaylardan alınan verilerle birleştirildi.
Netice itibariyle bir laboratuvar depreminin ne süre meydana geleceğini tahmin etmede etkili olan etkili bir makine öğrenimi modeli elde edildi.
Dr. Johnson’ın ekibi, zerzele tahminlerini gelecekte gerçek bir jeolojik faya, büyük ihtimalle San Andreas fayına uygulamayı planlıyor. Fayın sayısal simülasyonundan elde edilmiş veriler ile gerçek depremlerden elde edilmiş verilerin kombinasyonu, ML sistemlerini eğitmek için kullanılacak.
Modelin eğitim verilerinde yer almayan sismik vakaları anlamak için ne kadar doğrulukla kullanılabileceğini müşahade etmek için daha çok araştırma ve emek verme gerekecek. Sadece her şey yolunda giderse, sismologlar yakında depremleri evvelinde tahmin edecek kadar doğru araçlara haiz olabilir.
