Com uma riqueza crescente de dados sísmicos e poder de computação à sua disposição, sismólogos estão cada vez mais se voltando para uma disciplina chamada aprendizado de máquina para melhor compreender e prever padrões complicados na atividade de terremotos.

Em uma seção de foco publicada na revista Cartas de pesquisa sismológica , pesquisadores descrevem como estão usando métodos de aprendizado de máquina para aprimorar as previsões de atividade sísmica, identificar centros de terremotos, caracterizar diferentes tipos de ondas sísmicas e distinguir a atividade sísmica de outros tipos de "ruído" do solo.

O aprendizado de máquina se refere a um conjunto de algoritmos e modelos que permitem que os computadores identifiquem e extraiam padrões de informações de grandes conjuntos de dados. Os métodos de aprendizado de máquina muitas vezes descobrem esses padrões a partir dos próprios dados, sem referência ao mundo real, mecanismos físicos representados pelos dados. Os métodos têm sido usados ​​com sucesso em problemas como imagem digital e reconhecimento de fala, entre outras aplicações.

Mais sismólogos estão usando os métodos, impulsionado pelo "tamanho crescente dos conjuntos de dados sísmicos, melhorias no poder computacional, novos algoritmos e arquitetura e a disponibilidade de estruturas de aprendizado de máquina de código aberto fáceis de usar, "escrever os editores da seção de foco Karianne Bergen da Universidade de Harvard, Ting Cheng do Laboratório Nacional de Los Alamos, e Zefeng Li da Caltech.

Vários pesquisadores estão usando uma classe de métodos de aprendizado de máquina chamados redes neurais profundas, que pode aprender as relações complexas entre grandes quantidades de dados de entrada e sua saída prevista. Por exemplo, Farid Khosravikia e colegas da Universidade do Texas, Austin mostra como um tipo de rede neural profunda pode ser usado para desenvolver modelos de movimento do solo para terremotos naturais e induzidos em Oklahoma, Kansas e Texas. A natureza incomum do número crescente de terremotos causados ​​pelo descarte de águas residuais de petróleo na região torna essencial prever o movimento do solo para futuros terremotos e, possivelmente, mitigar seu impacto.

As técnicas de aprendizado de máquina podem ser usadas cada vez mais em um futuro próximo para preservar os registros analógicos de terremotos anteriores. À medida que a mídia na qual esses dados são gravados se degrada gradualmente, sismólogos estão em uma corrida contra o tempo para proteger esses valiosos registros. Métodos de aprendizado de máquina que podem identificar e categorizar imagens podem ser usados ​​para capturar esses dados de maneira econômica, de acordo com Kaiwen Wang da Universidade de Stanford e colegas, que testou as possibilidades no filme de sismógrafo analógico do experimento de controle de terremoto Rangely do U.S. Geological Survey.

Métodos de aprendizado de máquina também já existem em aplicativos como o MyShake, para coletar e analisar dados da rede sísmica global de smartphones crowdsourced, de acordo com Qingkai Kong da Universidade da Califórnia, Berkeley e colegas.

Outros pesquisadores estão usando algoritmos de aprendizado de máquina para filtrar os dados sísmicos e identificar melhor as réplicas do terremoto, atividade sísmica vulcânica e para monitorar o tremor tectônico que marca a deformação nos limites das placas, onde podem ocorrer terremotos de megaterrita. Alguns estudos usam técnicas de aprendizado de máquina para localizar as origens dos terremotos e distinguir pequenos terremotos de outros "ruídos" sísmicos no ambiente.