Новая модель машинного обучения улучшает ранние предупреждения о цунами

Новое исследование Западного университета (Канада) объединило традиционную статистику с методами машинного обучения для тестирования моделей раннего предупреждения о цунами в Тофино (провинция Британская Колумбия). Модели показывают, что более длительное ожидание перед выпуском предупреждения позволяет более безопасно и организованно эвакуировать больше людей, чем короткое время реакции. Однако долгое ожидание может снизить эффективность предупреждений и сделать их более смертоносными.

Тофино находится в зоне высокого риска из-за близости к зоне субдукции Каскадия, способной генерировать землетрясения магнитудой более 9.0 и цунами высотой 20-30 метров. Локальные цунами могут достичь Тофино за 15-20 минут. Для разработки надежных моделей не хватает данных, так как на Тофино никогда не обрушивалось зарегистрированных цунами, поэтому ученые опираются на исторические случаи, такие как цунами в Тохоку (Япония) в 2011 году.

«Наши модели показывают, что при слишком коротком времени ожидания производительность моделей раннего предупреждения о цунами значительно варьируется с точки зрения успеха», — сказал профессор наук о Земле Кацуичиро Года. В исследовании, опубликованном в Coastal Engineering Journal, модель случайного леса (машинное обучение) оказалась наиболее точной по сравнению с нейронными сетями и традиционной множественной линейной регрессией. Однако для улучшения моделей, особенно «прожорливых» в плане данных ИИ-алгоритмов, необходимо больше данных. В отличие от Японии, где у побережья Тохоку развернуто более 150 датчиков, у побережья острова Ванкувер работает лишь четыре океанских донных датчика Ocean Networks Canada.