Vijf jaar geleden had Paul Johnson nooit gedacht dat het voorspellen van aardbevingen ooit mogelijk zou zijn. Nu is hij niet zo zeker.
"Ik kan niet zeggen dat we dat zullen doen, maar ik hoop veel meer dat we binnen tientallen jaren veel vooruitgang gaan boeken, " zegt de seismoloog van het Los Alamos National Laboratory. "Ik ben nu hoopvoller dan ooit tevoren."
De belangrijkste reden voor die nieuwe hoop is een technologie die Johnson ongeveer vier jaar geleden begon te onderzoeken: machine learning. Veel van de geluiden en kleine bewegingen langs tektonische breuklijnen waar aardbevingen plaatsvinden, zijn lange tijd gedacht zinloos te zijn. Maar machine learning - computeralgoritmen trainen om grote hoeveelheden gegevens te analyseren om patronen of signalen te zoeken - suggereert dat sommige van de kleine seismische signalen er toch toe kunnen doen.
Zulke computermodellen kunnen zelfs de sleutel blijken te zijn om het vermogen om aardbevingen te voorspellen te ontgrendelen, een mogelijkheid op afstand die zo controversieel is dat veel seismologen er zelfs niet over praten.
Toen de theorie van de platentektoniek in de jaren zestig terrein won, dachten veel wetenschappers dat het voorspellen van aardbevingen slechts een kwestie van tijd was. Zodra kleine aardbevingen veroorzaakt door verschuivende platen konden worden gemodelleerd, dacht men, zou het mogelijk moeten zijn om dagen of zelfs weken van tevoren grotere aardbevingen te voorspellen. Maar een veelvoud aan factoren, van het gesteentetype tot de afstand van een foutafwijking, heeft invloed op de sterkte van een aardbeving en het werd al snel duidelijk dat modellen van kleinschalige tektonische activiteit geen betrouwbare manier konden zijn om grote aardbevingen te voorspellen. Misschien kunnen kleine verschuivingen en uitglijden, die honderden keren per dag plaatsvinden, wijzen op een lichte toename van de waarschijnlijkheid dat een grote aardbeving toeslaat, maar zelfs na een zwerm kleine tektonische activiteit is het nog steeds zeer onwaarschijnlijk dat een grote aardbeving zal plaatsvinden. Een beter signaal voor een inkomende aardbeving is nodig als voorspelling ooit werkelijkheid zal worden.
Machine learning gebruiken om een dergelijk signaal te vinden, is waarschijnlijk nog ver weg - als het zelfs maar mogelijk is. In een studie die eind vorig jaar werd gepubliceerd, stelden Johnson en zijn team voor dat er een eerder genegeerd seismisch signaal zou kunnen zijn dat een patroon zou kunnen bevatten dat onthult wanneer een grote aardbeving - zoals de beruchte en langverwachte Cascadia-aardbeving in de Pacific Northwest - zou kunnen toeslaan. Als de hypothese zich uitbreidt, kan dit de manier waarop aardbevingen worden voorspeld veranderen van seconden van tevoren naar, misschien een dag, tientallen jaren van tevoren.
De meest recente verbeteringen in de voorspelling van aardbevingen waren die kostbare seconden. Seismologen werken aan het verbeteren van systemen voor vroegtijdige waarschuwing zoals die in Japan en het ShakeAlert-systeem dat langs de westkust van de VS wordt uitgerold. Die systemen verzenden alleen waarschuwingen nadat een aardbeving al is begonnen, maar op tijd om dingen zoals liften of gasleidingen te sluiten en gemeenschappen verder van het epicentrum te waarschuwen.
De laag van de aarde waarop we leven is gebroken in een tiental tektonische die ten opzichte van elkaar bewegen. (USGS) Proberen te extrapoleren hoe groot een lopende aardbeving zal worden, waar het epicentrum zich bevindt en wat er zal worden beïnvloed, alles uit een paar seconden aan gegevens, is al een enorme uitdaging, zegt Johnson. Bestaande waarschuwingssystemen hebben grote aardbevingen verkeerd ingeschat en vals alarm gegeven aan anderen. Maar vóór 2007 hadden we niet eens een opzegtermijn. Waar zijn we misschien in 2027?
"We weten niet hoe goed seismologie het over tien jaar echt zal doen, " zegt Johnson. "Maar het zal veel beter zijn dan vandaag."
Vooruitgang in aardbevingsmonitoring zal waarschijnlijk afhangen van computers die zijn getraind om als deskundige seismologen op te treden. Met perfect geheugen, weinig vooropgezette ideeën en geen slaapbehoefte, kunnen machines een zee van gegevens verzamelen die worden verzameld als tektonische platen verschuiven. Al die informatie is vergelijkbaar met wat je zou horen in een drukke straat - de geluiden van auto's, mensen, dieren en het weer zijn allemaal gemengd. Onderzoekers doorzoeken die signalen, getranscribeerd als golven, in een poging te achterhalen of een van hen aangeeft dat er een aardbeving aan het gebeuren is of staat te gebeuren. De hoop is al lang dat, weggestopt in al dat lawaai, er misschien een soort voorloper is die kan worden gemeten of waargenomen om de tijdsduur tot de volgende grote aardbeving aan te geven.
Een van die geluiden - wat Johnson een 'tremorachtig signaal' noemt - is al een aantal jaren geïdentificeerd en onderzocht. "Ik gooide alles wat ik in mijn gereedschapskist had erin en besloot dat er niets was", zegt hij.
Maar de algoritmen en computers die zijn team had opgezet, keken naar het signaal vanuit een iets ander perspectief, gericht op de energie. Die energie (geregistreerd als amplitude, een maat voor de grootte van seismische golven) groeide "ooit zo licht" tijdens de aardbevingscyclus, zegt Johnson. Zodra een aardbeving toesloeg, daalde de amplitude van het signaal en herstartte de cyclus van regelmatige groei totdat een andere aardbeving toesloeg.
Het was een patroon.
Dat eerder genegeerde signaal, zegt Johnson, "bevatte voorspellende informatie voor het voorspellen van de volgende aardbevingscyclus" minuten van tevoren in de versnelde modellen van fouten in het laboratorium, wat zich vertaalt naar tientallen jaren van tevoren in het echte leven. Maar resultaten in het lab en de echte wereld staan niet altijd op één lijn.
Op dit punt is machine learning niet bedoeld om te helpen bij het voorspellen van aardbevingen, maar eerder om aardbevingen te begrijpen die al zijn begonnen of aardbevingsdynamiek in het algemeen. Maar vorderingen in het lokaliseren van aardbevingen, het schatten van magnitudes en het sorteren door middel van "lawaai" verbeteren allemaal ons begrip van hoe aardbevingen werken, inclusief wanneer ze kunnen toeslaan.
“Ik wil duidelijk maken dat wat we doen anders is dan voorspelling. Maar ja, al deze dingen houden indirect verband met elkaar ”, zegt Mostafa Moustavi, een seismoloog van Stanford die machine learning gebruikt om achtergrondgeluid te sorteren om kleine aardbevingen te detecteren.
Men-Andrin Meier, een seismoloog bij Caltech, zegt dat zijn "beste gok is dat aardbevingen inherent onvoorspelbaar zijn." potentieel aardbevingsprognoses verbeteren. Betere kaarten van fouten en een beter begrip van aardbevingsprocessen, trends en cycli kunnen allemaal bijdragen aan het verbeteren van voorspellingen, zegt Moustafa.
Toch denken sommige seismologen dat 'voorspelling' een fantasie is. Robert Geller, seismoloog aan de Universiteit van Tokio, staat bekend om zijn pessimisme over de voorspelling van aardbevingen.
"Aardbeving voorspelling onderzoek is niet echt een ding, " zegt hij via e-mail. “Het bestaat gewoon uit het verzamelen van veel gegevens in de hoop dat een betrouwbare 'voorloper' kan worden gevonden. Tot op heden is er nog nooit een gevonden. '
Volgens Geller kunnen alle laboratoriumresultaten met betrekking tot aardbevingssignalen worden genegeerd totdat ze consistent worden gereproduceerd in de echte wereld. “Ik twijfel er niet aan dat ze veel zichtbare patronen kunnen vinden in de gegevens over het voorkomen van aardbevingen die achteruit kijken. Maar ik zie geen reden om te denken dat dergelijke patronen in de loop van de tijd zullen werken ', zegt Geller.
De Cascadia-fout voor de kust van Vancouver Island glijdt langzaam de hele tijd uit, produceert een lage seismiciteit die je niet kunt voelen en komt dan ongeveer een keer per jaar terug op zijn plaats. De zeer kleine verplaatsing van het aardoppervlak door dat uitglijden kan worden gevolgd, dus Johnson's team probeerde te zien of het nieuwe signaal dat hun machine learning-algoritmen identificeerden, de beweging kon voorspellen.
"En zie, het is in kaart gebracht aan de verplaatsing, " zegt Johnson.
De vraag is nu hoe het signaal zich kan verhouden tot het vergrendelen van de fout - de in elkaar grijpende rotsen die ervoor hebben gezorgd dat de tektonische platen niet drastisch zijn uitgegleden en ongeveer 300 jaar lang een grote aardbeving hebben veroorzaakt. Uiteindelijk zal de vergrendeling van de fout breken en zal een enorme aardbeving toeslaan. Misschien kan het signaal dat Johnson's team bestudeert, of een ander nog niet ontdekt signaal, een idee geven wanneer dat zal gebeuren - als dergelijke signalen überhaupt verband houden met grote aardbevingen.
