AGI – Un sistema di machine learning è riuscito a riconoscere automaticamente configurazioni dell’attività sismica associate a variazioni transitorie osservate prima di alcuni grandi terremoti, offrendo un nuovo strumento per studiare l’evoluzione dei sistemi di faglia. E’ quanto emerge da uno studio pubblicato su Nature Communications e coordinato da un gruppo internazionale di ricercatori che ha coinvolto l’Istituto Nazionale di Oceanografia e di Geofisica Sperimentale (OGS), l’Università di Genova, l’Helmholtz Centre for Geosciences, la RWTH Aachen University, l’Università di Potsdam, la Freie Universitat Berlin e la Stanford University. I risultati mostrano come l’intelligenza artificiale possa contribuire alla comprensione dei processi che precedono alcuni terremoti, pur senza rappresentare un sistema di previsione sismica.
La previsione dei terremoti rimane una delle sfide più difficili delle geoscienze. Nonostante decenni di ricerche, la comunità scientifica non dispone ancora di strumenti affidabili per stabilire con precisione quando e dove avverrà un sisma distruttivo. Negli ultimi anni, tuttavia, l’applicazione delle tecniche di intelligenza artificiale all’analisi dei dati geofisici ha aperto nuove prospettive nello studio del comportamento delle faglie. “Prevedere i terremoti non è attualmente possibile e resta una delle principali sfide della ricerca sismologica”, spiega Matteo Picozzi, direttore del Centro di Ricerche Sismologiche dell’OGS e coautore dello studio.
“Negli ultimi anni, pero’, il Machine Learning ha aperto nuove opportunità per analizzare grandi quantità di dati sismologici e studiare l’evoluzione dei sistemi di faglia. In questo lavoro abbiamo utilizzato un approccio di machine learning non supervisionato, cioè un metodo che individua autonomamente strutture e similarità nei dati senza istruzioni predefinite”.
I cinque terremoti
La ricerca ha preso in esame cinque grandi terremoti che si sono verificati in diverse aree del pianeta: il sisma di Kahramanmara in Turchia del 2023, il terremoto dell’Aquila del 2009, il terremoto di Iquique in Cile del 2014, il sisma di Amatrice del 2016 e il terremoto di Noto, in Giappone, del 2024. Questi eventi rappresentano casi particolarmente interessanti perchè in alcuni erano stati osservati sciami sismici o aumenti dell’attività sismica nelle settimane o nei mesi precedenti al terremoto principale, mentre in altri tali fenomeni risultavano assenti o difficili da riconoscere.
Utilizzando i cataloghi sismici disponibili, il gruppo di ricerca ha estratto numerose caratteristiche statistiche e sismologiche degli eventi registrati. Queste informazioni sono state quindi elaborate dall’algoritmo che ha raggruppato i dati in differenti famiglie caratterizzate da proprietà simili dal punto di vista spaziale, temporale e dinamico. L’obiettivo era verificare se il sistema fosse in grado di identificare autonomamente schemi ricorrenti associati alle fasi di sismicità transiente già descritte in precedenti studi scientifici.
Cosa si è capito
Secondo gli autori, il metodo ha effettivamente riconosciuto configurazioni compatibili con tali fenomeni nei casi in cui la letteratura aveva già documentato variazioni significative dell’attività sismica prima del terremoto principale. Al contrario, nei terremoti per i quali non erano state osservate evidenze convincenti di sismicità anomala preliminare, l’algoritmo non ha individuato pattern comparabili. Questo risultato suggerisce che il sistema sia in grado di distinguere differenti modalità evolutive dei processi di faglia senza essere stato istruito preventivamente su quali segnali cercare.
“Questi risultati non rappresentano un metodo di previsione dei terremoti“, sottolinea Picozzi. “Mostrano pero’ come tecniche avanzate di analisi dei dati possano contribuire a migliorare lo studio dei processi fisici che governano l’evoluzione dei sistemi di faglia e delle variazioni della sismicità nel tempo”.
Secondo i ricercatori, l’interesse principale dello studio risiede proprio nella possibilità di utilizzare strumenti di apprendimento automatico per esplorare grandi quantità di dati sismologici e individuare comportamenti difficilmente riconoscibili attraverso le tradizionali tecniche di analisi.
Le applicazioni
Comprendere meglio come evolve la sismicità prima di alcuni eventi maggiori potrebbe infatti fornire nuove informazioni sui meccanismi fisici che regolano l’accumulo e il rilascio di energia lungo le faglie attive. Gli autori evidenziano che il lavoro non modifica lo stato attuale delle conoscenze sulla previsione sismica, che resta impossibile con gli strumenti oggi disponibili. Tuttavia, la capacità di identificare automaticamente configurazioni ricorrenti nei dati potrebbe contribuire allo sviluppo di modelli sempre più sofisticati per lo studio dei terremoti e dei processi geodinamici che li generano.
La ricerca conferma inoltre il crescente ruolo dell’intelligenza artificiale nelle scienze della Terra, dove tecniche di machine learning vengono sempre più spesso utilizzate per affrontare problemi complessi legati all’analisi di grandi quantità di dati osservativi e alla comprensione di fenomeni naturali ad alta variabilità.
