PREDICCIÓN NEURONAL DE TERREMOTOS
01/Dic/2012
Después de un año de análisis por parte de científicos
de California, China, Japón, Australia, etc., nuestro Algoritmo
Neuronal de Predicción de Terremotos ha sido validado, como
lo demuestra el siguiente link.
Utilizando una base de datos de sismos chilenos del periodo 2001 a
2011, un equipo español-chileno, formado por científicos
de las Universidades de Sevilla y de TGT, desarrollaron y pusieron
a prueba un sistema de pronósticos de terremotos con una increíble
confiabilidad del orden de 75%. Nadie en el mundo ha logrado conseguir
algo igual. El sistema es capaz de emitir verdaderas predicciones
de terremotos al generar enunciados del siguiente tipo: "Para
la ciudad de Navidad se espera un sismo de magnitud entre 4.0 y 5.0
Ms, dentro de los próximos cinco días, con una probabilidad
de 75%".
Abstract
En este trabajo se presenta un novedoso sistema
de predicción de terremotos. Este método, basado en
la aplicación de Redes Neuronales artificiales, ha sido utilizado
para predecir los terremotos en Chile, uno de los países con
mayor actividad sísmica en el mundo. Los parámetros
de entrada están relacionados con la Ley de Gutenberg/Richter,
la Ley de Bath, y la Ley de Omori-Utsu, parámetros fuertemente
correlacionadas con la sismicidad, como se ha demostrado en sólidos
trabajos anteriores. En este estudio presentamos dos tipos de predicciones:
la probabilidad de que ocurra un terremoto de magnitud mayor que un
umbral, y la probabilidad de que ocurra un terremoto de magnitud ubicada
dentro de un específico intervalo, en ambos casos dentro de
los próximos 5 días en las áreas analizadas.
Para las cuatro regiones sísmicas de Chile examinadas se presenta
un prototipo de Red Neuronal con epicentros dentro de un área
que va desde 0.5° × 0.5° a 1° × 1° (máxima
incerteza espacial). Los prototipos predicen un terremoto cada vez
que la probabilidad de un sismo de magnitud mayor que un umbral es
suficientemente alta. Los valores del umbral se han ajustado con el
fin de obtener la mínima cantidad posible de falsos positivos.
La confiabilidad de nuestro método se ha corroborado con experimentos
retrospectivos por medio de pruebas estadísticas y mediante
la comparación con conocidos clasificadores de aprendizaje
automatizado. La alta tasa de éxito alcanzada apoya la idoneidad
de la aplicación de "Soft Computing" en el ámbito
de la Sismología y plantea nuevos desafíos a ser abordados.
Predicción
Científica de Terremotos| Encuesta
de Sismología
Monitor Sísmico
| Península
Ibérica |
|
EARTHQUAKE NEURAL PREDICTION
Dec-01-2012
After one year of analysis by scientists from California, China, Japan,
Australia, etc., our Neuronal Earthquake Prediction Algorithm has
been validated, as demonstrated by the following link.
Using a database of Chilean earthquakes of the period 2001-2011, a
Spanish-Chilean Team, composed by scientists from the Universities
of Seville and TGT, developed and tested an earthquake prediction
system with incredible confiability of the order of 75%. Nobody in
the world has managed to get something like. The system is able to
deliver real earthquake predictions to generate statements like the
following: "For the city of Navidad an earthquake of magnitude
between 4.0 and 5.0 Ms, within the next five days, with a probability
of 75% is expected.
Abstract
A new earthquake prediction system is presented in this work. This
method, based on the application of artificial neural networks, has
been used to predict earthquakes in Chile, one of the countries with
larger seismic activity. The input values are related to the b-value,
the Bath's law, and the Omori-Utsu's law, parameters that are strongly
correlated with seismicity, as shown in solid previous works. Two
kind of prediction are provided in this study: The probability that
an earthquake of magnitude larger than a threshold value happens,
and the probability that an earthquake of a limited magnitude interval
might occur, both during the next 5 days in the areas analyzed. For
the four Chile's seismic regions examined, with epicentres placed
on meshes with dimensions varying from 0.5°×0.5° to
1°×1°, a prototype of neuronal network is presented.
The prototypes predict an earthquake every time the probability of
an earthquake of magnitude larger than a threshold is sufficiently
high. The threshold values have been adjusted with the aim of obtaining
as few false positives as possible. The accuracy of the method has
been assessed in retrospective experiments by means of statistical
tests and compared with well-known machine learning classifiers. The
high success rate achieved supports the suitability of applying soft
computing in this field and poses new challenges to be addressed.
Scientific
Prediction of Earthquakes | Seismological
Survey
Seismic Monitor
| Iberian
Peninsula |
|
|
... Una de las pruebas que los Revisores
nos solicitaron fue demostrar que nuestro modelo es mejor que el azar
("Contraste de Hipótesis a traves del p-value"). Por
ejemplo, cuando el grupo Quake Red Alert (QRA) afirma que en "el
Norte de Chile" ocurrirá un sismo fuerte, la probabilidad
de acertar por azar (sin algoritmo) es del orden del 95%, porque
"el Norte de Chile" corresponde a un rectángulo de
aproximadamente 300 Km de base y 1000 Km de altura (en un rectángulo
de 300 Km de base por 1000 Km de altura es evidente que obligatoriamente
debe ocurrir
un gran sismo). Por lo tanto, las "predicciones" de QRA
no son verdaderas predicciones porque se asemejan a "predecir"
que mañana va a salir el Sol. En nuestro caso, demostramos que
nuestras predicciones son unas 1000 veces superiores que el azar, debido
a que por primera vez en la historia de la Sismología, nuestro
grupo predice la ciudad donde ocurrirá el sismo (incerteza
espacial mínima).
... Al respecto, es conveniente considerar
lo que dijo el experto Felipe Dimer de Oliveira en el paper "¿Podemos
confiar en la prueba de detección de agrupaciones de sismos?":
"Otra consideración sobre los niveles
de significancia comúnmente utilizados en estadística:
nosotros hemos empleado el mágico número de 5%
[Mackay, 2003] como el valor estándar por excelencia para rechazar
la hipótesis nula. La Teoría Económica puede proporcionar
una base para justificar este valor al asociarlo con el costo monetario
de tomar una errónea decisión basada en un contraste de
hipótesis fallido [Merrill y Fox, 1970]. Pero cuando este
razonamiento se aplica a agrupaciones de terremotos, los argumentos
resultan ser ni honestos ni científicamente objetivos. Por
otro lado, sobre el inequívoco acuerdo de una afirmación
científica, el fijar cierto porcentaje de significancia debería
considerar las probabilidades que hemos derivado en este paper. Por
ejemplo, en la Figura 1 se observa que la probabilidad de obtener un
p-value sobre 20% es no trivial (>10%)."
"Para aclarar esta discusión, nosotros podemos regresar
a recientes estudios sobre detección de agrupaciones de terremotos.
El Test (a) corresponde al primer test de Michael [2011] que fue aplicado
al catálogo mundial con una magnitud de corte alta e igual a
9 Mw. Este valor corresponde a una frecuencia de 0.04 eventos/año
y el valor informado del p-value es tan bajo como 0.12. Sin embargo,
Michael sugiere que el resultado en ese nivel llega a ser inestable
debido al gap previo a 1952. Nosotros hemos demostrado que el mismo
test no sería confiable incluso cuando se utiliza una magnitud
de corte mucho menor, implicando una frecuencia de eventos de 0.1
a 0.2 por año (corresponde a umbrales entre 8.3 y 8.4 Mw). En
el caso de Shearer y Stark [2012], debemos considerar el test multinomial,
el cual se asemeja a nuestro test (c) (y al test de Michael, 2011, sobre
autocorrelación), considerado aquí como el test más
poderoso. En su trabajo el p-value reportado para Mw > 8 estuvo entre
35% a 25%, dependiendo del nivel de des-agrupamiento utilizado.
La frecuencia de estos eventos resulta ser mucho mayor que los aquí
analizados (0.8-07 eventos/año). Más relevante para nuestra
discusión es la siguiente afirmación de Shearer y Stark
[2012]: si la hipótesis nula consiste en creer que después
de la ocurrencia de un gran terremoto se desencadena un proceso homogéneo
de Poisson, entonces esa hipótesis no sería rechazada
por ninguno de los tests. De acuerdo con nuestro punto de vista,
el criterio para aceptar (o rechazar) una hipótesis, no tiene
un bien definido valor de corte y no debería ser considerado
con gran énfasis determinista".
|
... A test that Reviewers asked us was
to demonstrate that our model is better than sheer chance ("Statistical
Hypothesis Testing through the p-value"). For example, when the
group Quake Red Alert (QRA) states that in the "North of Chile"
strong earthquakes will occur, the probability of hitting by sheer
chance (without using an algorithm) is around 95%, because the "North
of Chile" corresponds to a rectangle of about 300 km of base and
1000 km of height (in a rectangle of 300 km by 1000 km base height is
evident that necessarily must
occur a great seism). Therefore, the "predictions" of
QRA are not true predictions because their statements are similar to
"predict" that tomorrow the Sun will come out. In our case,
we show that our predictions are about 1000 times higher than sheer
chance, because for the first time in the history of Seismology, our
group predicts the city where the earthquake will occur (minimum
spatial uncertainty).
... In this regard, it is worth to consider
what the expert Felipe Dimer de Oliveira said in the paper "Can
we trust earthquake cluster detection test?":
“Another consideration regards the levels of significance commonly
used in statistics. We have employed the magical number of 5%
[Mackay, 2003] as the par excellence standard in rejecting a hypothesis.
Economics can provide the basis for a rational approach to choosing
levels of significance by considering the costs of taking an erroneous
decision based on a failed test [Merrill and Fox, 1970]. In the case
of earthquake clusters, these arguments are neither straightforward
nor scientifically objective. Regarding the unequivocal establishment
of a scientific statement, the setting of a level of significance should
take into consideration the probabilities such as those we have derived
here. In Figure 1, for example, the probability of a p-value above 20%
is non-trivial (>10%)."
"In light of this discussion, we can return to the recent studies
of earthquake cluster detection. Test (a) corresponds to the first test
of Michael [2011] that was applied to the global catalogue at a large
cut-off magnitude of Mw = 9. This value corresponds to a frequency of
approximately 0.04 event/year, and he reports p-values as low as
0.12 – although he also suggests that the results at this level
become unstable for the gap prior 1952. We have shown that the same
test would not be accurate even at much lower magnitude cut-off
implying an event frequency of 0.1–0.2 event/year (corresponding
to magnitude thresholds between 8.4 and 8.3). In the case of Shearer
and Stark [2012], we are mostly interested in their multinomial test,
which is loosely similar to our test (c) (and Michael’s [2011]
self-correlation test), assessed here as the most powerful; in their
work, the p-values reported for a Mw > 8 magnitude cut-off range
between 35% to 25% depending on the de-clustering undertaken.
The average event rate for these magnitudes is well above any we have
analysed here (0.8–0.7 event/year). More relevant to our discussion
is the Shearer and Stark [2012] assertion that: (…) the null hypothesis
that times of large earthquakes follow a homogeneous Poisson process
would not be rejected by any of the tests. In our view, the criteria
to accept (or reject) a hypothesis is not clear-cut and should not
be stated with such deterministic emphasis.”
|
COMPARACIÓN ENTRE NUESTRO MODELO (Artificial Neural Networks)
CON OTROS MÉTODOS
Si bien no existe un método alternativo que haya sido aplicado
para realizar predicciones de terremotos en Chile, podemos comparar
el desempeño de nuestro modelo (ANN) con el desempeño
de otros modelos aplicados en otros lugares del mundo.
El paper "Risk and return: evaluating reverse tracing of precursors
earthquake predictions", de los autores JD Zechar y Jiancang
Zhuang incluye una lista de 29 RTP alarms (RTP = Reverse Tracing of
Precursors), las que fueron activadas en las siguientes zonas geográficas:
Japón, California, Mediterráneo Oriental, Italia y Pacífico
Norte.
La Tabla que se puede ver arriba compara el desempeño de los
modelos RTP con nuestro modelo neuronal aplicado a Chile. Claramente
nuestro modelo es superior. En dicha tabla se puede observar que nuestra
incerteza espacial es unas 2.6 veces menor que la incerteza espacial
de los modelos tradicionales. Por otro lado, la incerteza temporal
de las RTP Alarms fluctúa entre los 8 y los 10 meses, mientras
que nuestro modelo siempre tiene una incerteza temporal unas 55 veces
menor (apenas 5 días). Finalmente, las probabilidades de acierto
de los modelos convencionales son normalmente bajísimas (entre
0.96% y 29.12%). Es más, según Zechar & Zhuang,
de las 29 RTP Alarms, sólo 6 fueron exitosas. En nuestro caso,
la mínima probabilidad observada fue de un 42%. Observemos
que nuestra mínima probabilidad de éxito es 1.44 veces
mayor que la máxima probabilidad RTP (42% v/s 29.12%). Por
lo tanto, nuestro sistema genera muchísimas menos falsas alarmas
que los modelos convencionales.
|