Das Modell könnte Leben retten. (Foto: Destina Design/Shutterstock)
Deep Learning trägt dazu bei, die Vorhersage von Erdbeben weltweit zu verbessern. Ein neues, von Wissenschaftlern der University of California und der Technischen Universität München entwickeltes Modell nutzt Deep Learning, um große Datensätze effektiver zu verarbeiten.
Im Zentrum dieser neuen Methode steht das sogenannte Recurrent Earthquake Forecast (Recast), ein Modell, welches sie in einem wissenschaftlichen Paper vorstellen. Bislang setzten die Forscher das Modell Epidemic Type Aftershock Sequence (ETAS) ein, das allerdings für Daten konzipiert war, die in den Achtziger- und Neunzigerjahren erfasst wurden, als es nur wenige Beobachtungen von Erdbeben gab.
Durch den Einsatz von Deep Learning und des Recast-Modells ist es nun möglich, die mittlerweile enorm gewachsenen Datenmengen effizient zu analysieren und dadurch die Erdbebenvorhersagen signifikant zu verbessern.
Das neue Modell performt besser bei großen Datensätzen
In der heutigen Zeit verfügen Erdbebenforscher über deutlich verbessertes Equipment, das umfangreichere Daten erheben kann. Hierfür soll das Recast-Modell zum Einsatz kommen. Die Wissenschaftler haben demonstriert, dass es bei Erdbebenkatalogen von 10.000 Events und mehr besser performt als das alte Modell.
Eine der größten Herausforderungen bei den Tests bestand darin, das alte Etas-Modell dazu zu bringen, die großen Datensätze zu verarbeiten, um einen adäquaten Vergleich zu erhalten.
„Wir haben begonnen, Kataloge mit Millionen von Erdbeben aufzubauen, und das alte Modell konnte einfach nicht mit dieser Datenmenge umgehen“, sagte Emily Brodsky, Professorin für Erd- und Planetenwissenschaften an der UC Santa Cruz und Co-Autorin des Papers Scitechdaily.
Das Recast-Modell besitzt die Fähigkeit, sich selbst das Lernen beizubringen, und zeigte bereits eine bessere Performance als das alte Modell, insbesondere bei größeren Datenmengen.
Recast ist flexibler bei der Vorhersage
Das neue Recast-Modell stellt im Vergleich zum alten Modell eine deutliche Flexibilitätssteigerung dar und eröffnet den Forschern neue Möglichkeiten. Beispielsweise kann es Daten aus erdbebenreichen Gebieten wie Japan, Kalifornien oder Neuseeland verarbeiten und diese Erkenntnisse auf Regionen anwenden, die traditionell eher weniger Daten produzieren, um auch dort Erdbeben vorherzusagen.
Darüber hinaus kann das Recast-Modell eine breitere Palette an Datentypen verarbeiten. Während momentan nur die Daten genutzt werden, die als Erdbeben klassifiziert werden, besitzt das neue Modell die Fähigkeit, auch mit anderen seismischen Daten zu arbeiten, um genauere Vorhersagen zu treffen.
