Studiuesit kanë zhvilluar një model të ri deep-learning të quajtur RECAST, që i tejkalon metodat tradicionale të parashikimit të pasgoditjeve të tërmeteve, veçanërisht me grupe të dhënash më të mëdha.
Ky përparim premton përmirësim të parashikimit të tërmeteve duke përdorur të dhëna gjithëpërfshirëse globale. Për më shumë se 30 vjet, modelet që studiuesit dhe agjencitë qeveritare përdorin për të parashikuar pasgoditjet e tërmeteve kanë mbetur kryesisht të pandryshuara. Ndërsa këto modele të vjetra funksionojnë mirë me të dhëna të kufizuara, ato nuk mund të analizojnë grupe të mëdha të të dhënave të sizmologjisë që janë tani në dispozicion.
Për të adresuar këtë kufizim, një ekip studiuesish në Universitetin e Kalifornisë, Santa Cruz dhe Universitetin Teknik të Mynihut krijuan një model të ri që përdor deep-learning për të parashikuar pasgoditjet: Recurrent Earthquake foreCAST (RECAST). Në një punim të botuar së fundmi në Geophysical Research Letters, shkencëtarët tregojnë se si RECAST është më fleksibël dhe më i shkallëzuar sesa modelet e parashikimit të tërmeteve të përdorura aktualisht.
Modeli i ri e tejkaloi saktësinë e modelit aktual, i njohur si Epidemic Type Aftershock Sequence (ETAS). “Qasja e modelit ETAS u projektua për vëzhgimet që kishim në vitet ’80 dhe ’90 kur po përpiqeshim të ndërtonim parashikime të besueshme bazuar në shumë pak vëzhgime,” tha Kelian Dascher-Cousineau, autori kryesor i punimit. “Jetojmë në një realitet shumë të ndryshëm sot. Tani, me pajisje më të ndjeshme dhe aftësi më të mëdha për ruajtjen e të dhënave, katalogët e tërmeteve janë shumë më të mëdhenj dhe më të detajuar.”
