Prevedere gli eventi sismici costituisce una delle sfide più
complesse della sismologia moderna.
Il deep learning, grazie anche all’ormai enorme quantità di rilevazioni, suggerisce nuovi approcci all’identificazione e all’analisi delle anomalie sismiche; così, negli ultimi anni, si è passati dai metodi statistici tradizionali
all'adozione di algoritmi molto sofisticati basati sulle reti neurali.
Ho analizzato alcune possibili soluzioni all'identificazione di pattern anomali
implementabili con PyTorch come framework principale, ovviamente non definitive vista la complessità del problema.
Basandomi su dati reali di eventi sismici, ho testato una soluzione PoC che combina l'Isolation Forest con autoencoder LSTM.
Questi, in sintesi, i risultati dell’esperimento:
L'Isolation Forest:
- Sfruttando il principio dell'isolamento, individua le principali anomalie nei dati che poi vengono rimosse nel dataset di addestramento
- Riduce il rumore di fondo per successive analisi
- Ottimizza il pre-processing per metodi avanzati
L’autoencoder LSTM:
- Apprende la struttura temporale dei segnali sismici “canonici”
- Comprime l'informazione in rappresentazioni dense
- Rileva anche le minime anomalie utilizzando input ricostruiti (da confermare con ulteriori e più accurati test)
Il testing ha dimostrato la necessità di ripulire i tracciati record delle onde sismiche dalle principali anomalie mediante l'Isolation Forest per evitare che l'autoencoder possa riconoscere come “normali” anche i segnali che non lo sono.