“Abbiamo davvero solo scalfito la superficie di ciò che l’elaborazione automatica può essere in grado di fare per la previsione delle scosse di assestamento”, dice Phoebe DeVries, sismologo dell’Università di Harvard a Cambridge, Massachusetts^{Lo sturio è stato pubblicao} il 29 agosto su Nature .

Le scosse di assestamento o repliche si verificano dopo il terremoto principale, e possono essere altrettanto dannose, o a volte anche di più, della mainshock iniziale. Un terremoto di magnitudo 7,1 con epicentro vicino a Christchurch, in Nuova Zelanda, nel settembre 2010 non ha provocato alcuna vittima, ma una scossa di magnitudo 6,3 , che è seguita più di 5 mesi dopo  con epicentro più vicino al centro della città, ha provocato poi 185 morti.

I sismologi possono generalmente prevedere le grandi scosse di assestamento, ma studiano alacremente per prevedere dove avverranno i terremoti. Fino ad ora, la maggior parte degli scienziati ha utilizzato una tecnica che calcola il modo in cui un terremoto modifica lo stress nelle rocce vicine e quindi predice in che misura il cambiamento potrebbe provocare una replica in una particolare posizione. Questo metodo di stress-failure può spiegare con successo i modelli di assestamento per molti terremoti di grandi dimensioni, ma non sempre funziona, come ^{spiegato in questo articolo} .

Ci sono grandi quantità di dati disponibili sui terremoti del passato e DeVries ei suoi colleghi hanno deciso di sfruttarli per ottenere un metodo di previsione migliore. “L’apprendimento automatico computerizzato è uno strumento così potente in questo tipo di scenario”, afferma DeVries.

Networking neurale

Gli scienziati hanno esaminato oltre 131.000 terremoti che hanno causato molti morti e le loro relative repliche o scosse di assestamento, tra cui alcuni degli eventi più potenti della storia recente, come il devastante terremoto di magnitudo 9.0 che ha colpito il Giappone nel marzo 2011. I ricercatori hanno usato questi dati per dare le infromazioni matematiche ad una rete neurale modellata su una griglia di celle di 5 chilometri di lato, che circonda ogni mainshock. Hanno poi fornito alla rete l’informazione che si è verificato un terremoto insieme ai dati su come lo stress è cambiato al centro di ogni cella della griglia. Quindi gli scienziati hanno chiesto di fornire la probabilità che ciascuna cella della griglia generasse una o più scosse di assestamento. La rete trattava ogni cellula come un suo piccolo problema isolato da risolvere, piuttosto che calcolare il modo in cui lo stress si propagava sequenzialmente attraverso le rocce.

Quando i ricercatori hanno testato il loro sistema su 30.000 eventi, la previsione della rete neurale prevedeva posizioni di after-shock più accurate rispetto al solito metodo di stress-failure. Forse ancora più importante, dice DeVries, è che la rete neurale ha anche accennato ad alcuni dei cambiamenti fisici che potrebbero essersi verificati nel terreno dopo lo shock principale. Sottolineava che alcuni parametri erano potenzialmente importanti tipo quelli che descrivono i cambiamenti di stress in materiali come i metalli, ma che i ricercatori non usano così frequentemente per studiare i terremoti.

I risultati sono un buon passo in avanti per esaminare le scosse di assestamento con occhi nuovi, afferma Daniel Trugman, un sismologo del Los Alamos National Laboratory nel New Mexico. “L’algoritmo di apprendimento automatico ci sta dicendo qualcosa di fondamentale sui complessi processi che riguardano l’attivazione di un terremoto”.

Questo ultimo studio non dice certamente l’ultima parola sulla previsione delle scosse di assestamento, dice Gregory Beroza, geofisico alla Stanford University in California. Ad esempio, non tiene conto di un tipo di cambiamento di stress che accade quando le onde sismiche viaggiano attraverso la Terra. Ma “questo documento dovrebbe essere visto come una nuova frontiera di studio delle scosse di assestamento”,  “Questo è importante e motivante.”