I terremoti, e gli tsunami che generano, hanno causato quasi un milione di vittime negli ultimi trent’anni. Sono stati sviluppati sistemi di allerta per limitare il costo umano e materiale di questi disastri naturali. Finora, però, questi sistemi hanno utilizzato le onde sismiche per avvisare la popolazione pochi secondi prima delle scosse. Gli tsunami si propagano più lentamente, dando più tempo per agire (decine di minuti). Tuttavia, i sistemi di allerta hanno difficoltà a stimare in modo rapido e accurato l’entità di terremoti molto grandi. Ad esempio, il sistema giapponese ha stimato un evento di magnitudo 8 invece di un evento di magnitudo 9 durante il terremoto del 2011 di Tohoku-Oki, e di conseguenza un’onda di 3 metri invece di 15 metri, un errore dalle conseguenze drammatiche a Fukushima.
Tracciare i segnali rapidi di elasto-gravità (PEGS), che viaggiano alla velocità della luce e sono il risultato di spostamenti improvvisi della roccia che causano cambiamenti di gravità, è una soluzione proposta per superare questo problema. I PEGS trasportano informazioni sui terremoti molto più velocemente delle onde sismiche, proprio come i fulmini avvertono di un tuono imminente. Tuttavia, non è ancora stato testato se i PEGS possano consentire la stima rapida e affidabile della posizione e della progressione di grandi terremoti mentre si verificano in tempo reale.
Mentre in linea di principio i PEGS potrebbero aiutare ad accelerare gli avvisi, la loro ampiezza molto debole ne ha impedito, finora, l’uso nei sistemi di allerta. I ricercatori hanno superato questa limitazione grazie a un algoritmo di intelligenza artificiale. Secondo un nuovo studio pubblicato sulla rivista Nature, infatti, l’evoluzione di grandi terremoti può essere stimata accuratamente in tempo reale utilizzando un modello di apprendimento automatico addestrato per valutare i segnali dei cambiamenti di gravità, che viaggiano alla velocità della luce.
Un gruppo di ricerca internazionale (IRD – CNRS – Université Côte d’Azur – Observatoire de la Côte d’Azur – Los Alamos National Laboratory – Kyoto University) ha addestrato un modello di apprendimento profondo (denominato PEGSNet) sui PEGS utilizzando 350.000 scenari di modellizzazione di terremoti che si sono verificati in 1.400 potenziali località sismiche in Giappone. I dati reali di uno dei terremoti più grandi e distruttivi mai registrati, il terremoto di Tohoku-Oki del 2011, sono stati quindi utilizzati per testare il modello.
Gli autori suggeriscono che PEGSNet è in grado di stimare con precisione la posizione dei terremoti, così come le loro dimensioni e come questo potrebbe cambiare nel tempo. È importante sottolineare che PEGSNet può fare tutto questo rapidamente, prima dell’arrivo delle onde sismiche. Gli autori concludono che PEGSNet potrebbe essere importante per il monitoraggio precoce dei grandi terremoti e del modo in cui si evolvono, dalla rottura della superficie ai possibili tsunami associati. Sebbene il modello sia specifico per il Giappone, gli autori sottolineano che potrebbe essere facilmente adattato ad altre regioni, con solo piccole modifiche necessarie per attuare questa strategia in tempo reale.
“Testato in Giappone, questo algoritmo si è dimostrato in grado di stimare la magnitudo del terremoto di Fukushima più velocemente e con maggiore precisione rispetto a qualsiasi sistema esistente, senza utilizzare onde sismiche”, ha affermato Andrea Licciardi, geofisico e principale autore dello studio. Quentin Bletery, che ha avviato il progetto, ha aggiunto: “resta da fare l’implementazione dell’algoritmo nei sistemi di allerta operativi, ma i nostri risultati indicano che i PEGS potrebbero migliorare significativamente i sistemi di allerta tsunami”.
