As cidades são lugares barulhentos. Afinal, tráfego, trens e máquinas geram muito barulho. Embora isso seja um mero inconveniente na maioria das vezes, pode se tornar um problema mortal quando se trata de detectar terremotos. Isso porque é difícil discernir um terremoto que se aproxima em meio a todas as vibrações comuns em cidades movimentadas.
Pesquisadores de Stanford (EUA) descobriram uma maneira de obter um sinal mais claro. Eles criaram um algoritmo, descrito em um artigo na Science Advances em abril, que supostamente melhora a capacidade de detecção das redes de monitoramento de terremotos em cidades e outras zonas urbanizadas. Ao filtrar o ruído sísmico de fundo, ele pode aumentar a qualidade geral do sinal e recuperar aqueles que antes eram muito fracos para serem registrados.
Algoritmos treinados para filtrar esses ruídos de fundo podem ser usados especialmente por estações de monitoramento dentro e ao redor de cidades barulhentas e propensas a terremotos na América do Sul, México, Mediterrâneo, Indonésia e Japão.
Os terremotos são monitorados por sensores sísmicos, também conhecidos como sismógrafos, que medem continuamente as ondas sísmicas a partir de vibrações no solo. O algoritmo de deep learning da equipe de Stanford, chamado UrbanDenoiser, foi treinado em conjuntos de dados de 80.000 amostras de ruído sísmico urbano e 33.751 amostras que indicam atividade sísmica. Elas foram coletadas na movimentada cidade de Long Beach e na zona rural de San Jacinto, no estado da Califórnia, EUA.
Quando os conjuntos de dados coletados da área de Long Beach foram aplicados, os algoritmos substancialmente detectaram mais terremotos e tornaram mais fácil descobrir como e onde eles começaram. Ao aplicarem os dados de um terremoto de 2014 em La Habra, também na Califórnia, a equipe observou quatro vezes mais detecções sísmicas nos dados filtrados em comparação com o número registrado oficialmente.
Este não é o único trabalho que aplica a Inteligência Artificial na busca por terremotos. Pesquisadores da Penn State estão treinando algoritmos de deep learning para prever com precisão como as mudanças nas medições podem indicar terremotos futuros, uma tarefa que confunde especialistas há séculos. E membros da equipe de Stanford já haviam treinado modelos para fazer a marcação dos tempos de chegada do sinal de ondas sísmicas em um terremoto (phase picking), que pode ser usado para estimar a localização dele.
Os algoritmos de deep learning são particularmente úteis para o monitoramento de terremotos porque podem aliviar o fardo dos sismólogos humanos, diz Paula Koelemeijer, sismóloga da Royal Holloway University de Londres, no Reino Unido, que não esteve envolvida neste estudo.
No passado, os sismólogos observavam gráficos produzidos por sensores que registram o movimento do solo durante um terremoto e identificavam padrões a olho nu. O deep learning pode tornar esse processo mais rápido e preciso, ajudando a reduzir grandes volumes de dados, diz Koelemeijer.
“Mostrar que [o algoritmo] funciona em um ambiente urbano barulhento é muito útil, porque o ruído em ambientes urbanos pode ser um pesadelo e muito desafiador”, diz ela.
MIT Technology Review
