Ahora toma alrededor de 30 minutos en una computadora estándar
Las predicciones detalladas sobre cómo un tsunami que se aproxima impactará en la costa noreste de Japón se pueden hacer en fracciones de segundo en lugar de media hora más o menos, lo que permite ganar un tiempo precioso para que las personas tomen las medidas adecuadas. Esta tecnología que puede salvar vidas explota la capacidad del aprendizaje automático.
El catastrófico tsunami que azotó el noreste de Japón el 11 de marzo de 2011 se cobró la vida de unas 18.500 personas. Se podrían haber salvado muchas vidas si la alerta temprana del inminente tsunami hubiera incluido predicciones precisas de qué tan alto alcanzaría el agua en diferentes puntos a lo largo de la costa y más hacia el interior.
La costa ahora cuenta con la red de sensores más grande del mundo para monitorear el movimiento del fondo del océano. Las 150 estaciones marinas que componen esta red proporcionan alertas tempranas de tsunamis. Pero para que sean significativos, los datos generados por los sensores deben convertirse en alturas y extensiones de tsunami a lo largo de la costa.
Esto generalmente requiere resolver numéricamente difíciles ecuaciones no lineales, lo que generalmente toma alrededor de 30 minutos en una computadora estándar. Pero el tsunami de 2011 golpeó algunas partes de la costa apenas 45 minutos después del terremoto.
Ahora, Iyan Mulia del Laboratorio de Ciencias de la Predicción de RIKEN y sus colaboradores han utilizado el aprendizaje automático para reducir el tiempo de cálculo a menos de un segundo.
Imagen: El esquema del método propuesto. Las ubicaciones de interés se muestran con la máxima extensión de inundación en el conjunto de entrenamiento. Los segmentos de la estación S-net están marcados con líneas de colores. Crédito: Nature Communications (2022). DOI: 10.1038/s41467-022-33253-5
"La principal ventaja de nuestro método es la velocidad de las predicciones, que es crucial para la alerta temprana", explica Mulia. "El modelo de tsunami convencional proporciona predicciones después de 30 minutos, que es demasiado tarde. Pero nuestro modelo puede hacer predicciones en segundos".
Dado que los tsunamis ocurren con poca frecuencia, el equipo entrenó su sistema de aprendizaje automático utilizando más de 3.000 eventos de tsunami generados por computadora. Luego lo probaron con otros 480 escenarios de tsunamis y tres tsunamis reales. Su modelo basado en el aprendizaje automático podría lograr una precisión comparable con solo el 1% del esfuerzo computacional.
Imagen: Escenarios hipotéticos de fuentes de tsunamis. a) Discretización de la interfaz de placa de la Fosa de Japón y fallas de elevación exterior (rectángulos blancos). Los contornos discontinuos representan la profundidad de la losa. b) Ejemplos de deslizamiento generado estocásticamente en la falla megathrust. Los contornos negros discontinuos y sólidos indican el hundimiento y el levantamiento cosísmico, respectivamente, con intervalos de 0,5 m para Mw 8,2, 1 m para Mw 8,5, 1,5 m para Mw 8,8 y 2,5 m para Mw 9,1. Crédito: Nature Communications (2022). DOI: 10.1038/s41467-022-33253-5
El mismo enfoque de aprendizaje profundo podría usarse para otros escenarios de desastres donde el tiempo es esencial. "El cielo es el límite: se puede aplicar este método a cualquier tipo de predicción de desastres donde la restricción de tiempo es muy limitada", dice Mulia, quien se interesó por primera vez en el estudio de los tsunamis después de que el tsunami del Océano Índico de 2004 devastara las regiones costeras en su país de origen, Indonesia. "Ahora estoy trabajando en una predicción de marejadas ciclónicas, también utilizando el aprendizaje automático".
Mulia señala que el método solo es preciso para grandes tsunamis que superan los 1,5 metros, por lo que él y su equipo ahora buscan mejorar su precisión para tsunamis más pequeños.
El trabajo se publica en la revista Nature Communications: Machine learning-based tsunami inundation prediction derived from offshore observations