Utilizzare algoritmi di machine learning per riconoscere nei dati specifiche configurazioni dell’attività sismica e studiare come evolve l’attività delle faglie nel tempo. È questo l’obiettivo di uno studio recentemente pubblicato su Nature Communications, che ha coinvolto anche l’Istituto Nazionale di Oceanografia e di Geofisica Sperimentale – OGS, insieme all’Università degli Studi di Genova e ad altre realtà scientifiche internazionali. La ricerca si inserisce in uno dei campi più complessi della sismologia contemporanea: comprendere l’evoluzione dei sistemi di faglia e individuare, nei grandi archivi di dati sismici, eventuali configurazioni ricorrenti associate a variazioni temporanee della sismicità. Il lavoro non propone un metodo per prevedere i terremoti, ma mostra come strumenti avanzati di analisi dei dati possano contribuire a migliorare la conoscenza dei processi fisici che regolano l’attività sismica.
Machine learning e terremoti: l’obiettivo dello studio pubblicato su Nature Communications
Lo studio ha applicato tecniche di machine learning non supervisionato all’analisi di cataloghi sismici relativi a cinque grandi terremoti del passato. L’obiettivo era verificare se un algoritmo fosse in grado di riconoscere autonomamente strutture, similarità e configurazioni nei dati, senza istruzioni predefinite, e di distinguere pattern compatibili con fasi di sismicità transiente.
“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 co-autore dello studio. “Negli ultimi anni, però, 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”.
Il punto centrale della ricerca riguarda quindi la possibilità di usare il machine learning non come strumento di previsione, ma come metodo per leggere con maggiore profondità grandi quantità di dati sismologici e individuare configurazioni che potrebbero aiutare a ricostruire l’evoluzione dell’attività delle faglie.
I terremoti analizzati: Turchia, Italia, Cile e Giappone
Il gruppo di ricerca ha analizzato cinque grandi eventi sismici: il terremoto di Kahramanmaraş, in Turchia, del 2023; il terremoto dell’Aquila del 2009; il terremoto di Iquique, in Cile, del 2014; il terremoto di Amatrice del 2016; e il terremoto di Noto, in Giappone, del 2024.
In alcuni di questi casi erano state osservate variazioni transitorie dell’attività sismica nei mesi o nelle settimane precedenti al terremoto principale. Tra queste variazioni rientrano, per esempio, sciami sismici o aumenti della sismicità. In altri eventi, invece, segnali analoghi non erano evidenti oppure risultavano molto complessi da identificare.
La scelta di studiare terremoti con caratteristiche diverse ha permesso di verificare la capacità dell’algoritmo di distinguere situazioni nelle quali fenomeni transitori erano già stati documentati in letteratura da casi nei quali tali variazioni non risultavano chiaramente osservabili.
Cataloghi sismici e dati: come è stato applicato l’algoritmo
A partire dai cataloghi sismici disponibili, il gruppo di ricerca ha estratto diverse caratteristiche statistiche e sismologiche degli eventi. Queste informazioni sono state poi raggruppate in famiglie caratterizzate da proprietà simili in termini di spazio, tempo e comportamento sismico.
L’algoritmo è stato quindi testato per verificare se fosse in grado di distinguere autonomamente configurazioni compatibili con variazioni transitorie dell’attività sismica. Il metodo utilizzato non si basa su istruzioni predefinite, ma su un approccio non supervisionato, capace di individuare strutture e similarità nei dati.
Questa impostazione consente di affrontare grandi quantità di informazioni sismologiche con una logica diversa rispetto agli approcci tradizionali, lasciando che sia l’algoritmo a riconoscere eventuali raggruppamenti o pattern ricorrenti nei dati.
Sismicità transiente: i risultati ottenuti dallo studio
I risultati mostrano che il metodo è riuscito a identificare pattern associati a fasi di sismicità transiente nei casi in cui tali fenomeni erano già stati documentati in letteratura. Al contrario, non ha evidenziato segnali analoghi nei terremoti in cui tali variazioni non erano chiaramente osservabili.
Questo elemento rappresenta uno degli aspetti più rilevanti dello studio, perché indica che il machine learning non supervisionato può contribuire a riconoscere configurazioni dell’attività sismica coerenti con fenomeni già noti, senza che tali configurazioni vengano definite in anticipo.
“Questi risultati non rappresentano un metodo di previsione dei terremoti”, sottolinea Picozzi, “ma mostrano 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”.
Ricerca sismologica internazionale: il ruolo di OGS e degli altri istituti
Lo studio ha coinvolto l’Istituto Nazionale di Oceanografia e di Geofisica Sperimentale – OGS, l’Università degli Studi di Genova e diverse realtà scientifiche internazionali. Tra queste figurano l’Helmholtz Centre for Geosciences in Germania, la RWTH Aachen University, l’University of Potsdam, la Freie Universität Berlin e la Stanford University in California, negli Stati Uniti.
La collaborazione internazionale ha permesso di mettere insieme competenze diverse nel campo della sismologia, dell’analisi dei dati e dello studio dei sistemi di faglia. Il lavoro conferma il crescente interesse della comunità scientifica verso l’impiego di tecniche di machine learning per analizzare fenomeni complessi legati ai terremoti.
Perché lo studio non parla di previsione dei terremoti
Uno degli aspetti fondamentali della ricerca è la distinzione tra studio dell’evoluzione della sismicità e previsione dei terremoti. Il lavoro pubblicato su Nature Communications non afferma che sia possibile prevedere quando e dove avverrà un terremoto, né propone un sistema operativo di previsione.
La rilevanza dello studio sta invece nella possibilità di usare algoritmi di machine learning per analizzare grandi archivi di dati sismologici e individuare configurazioni utili a comprendere meglio i processi fisici che governano l’evoluzione delle faglie. In questo senso, la ricerca contribuisce ad ampliare gli strumenti disponibili per lo studio della sismicità nel tempo.
Il messaggio scientifico è chiaro: la previsione dei terremoti resta una sfida aperta, ma l’analisi avanzata dei dati può offrire nuove chiavi di lettura per interpretare fenomeni complessi, come sciami sismici, aumenti temporanei della sismicità e variazioni transitorie osservate prima di alcuni grandi eventi.
Machine learning e sismologia: nuove prospettive per lo studio delle faglie
L’applicazione del machine learning alla sismologia apre nuove prospettive nello studio dell’attività delle faglie. L’analisi automatica di grandi quantità di dati può aiutare a riconoscere configurazioni che, con metodi tradizionali, potrebbero risultare difficili da identificare, soprattutto quando i segnali sono deboli, complessi o distribuiti nello spazio e nel tempo.
Il valore dello studio risiede nella capacità dell’approccio di distinguere, nei casi analizzati, le situazioni in cui erano presenti pattern associati a sismicità transiente da quelle in cui tali segnali non risultavano evidenti. Questo non modifica lo stato attuale della previsione sismica, ma rafforza il ruolo delle tecniche avanzate di analisi dei dati nella comprensione dell’evoluzione dei sistemi di faglia.
La ricerca pubblicata su Nature Communications mostra quindi come l’integrazione tra dati sismologici, competenze geofisiche e algoritmi di machine learning non supervisionato possa contribuire a un’analisi più approfondita dell’attività sismica e delle sue variazioni nel tempo.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?