Tsunami-inversie met behulp van diepe neurale representaties

Waarom dit belangrijk is voor kustveiligheid

Mensen die dicht bij zee wonen zijn afhankelijk van vroege waarschuwingen om aan naderende tsunami’s te ontkomen, maar de systemen van vandaag hebben nog steeds moeite bij ongewone gebeurtenissen of bij uitval van sensoren. Deze studie laat zien hoe ideeën uit moderne kunstmatige intelligentie waarschuwingscentra kunnen helpen offshore-golven flexibeler en sneller te interpreteren, met als doel helderder advies te geven over welke kusten het meest risico lopen.

Van bodemschok naar kustgolf

Wanneer een zware aardbeving, aardverschuiving of vulkanische explosie het oceaanoppervlak verstoort, kan de resulterende tsunami hele bekkens doorkruisen. Om te voorspellen waar en hoe hard deze zal toeslaan, moeten wetenschappers de initiële vorm van het verstoorde water kennen. Die “beginsituatie” blijkt verrassend moeilijk te reconstrueren. Ze hangt af van onzekere details van de bron, de vorm van de zeebodem, getijden en zelfs gaten of afgeklemde waarden in de sensorregistraties. Traditionele methoden veronderstellen vaak een bepaald type breuk en berekenen vooraf enorme bibliotheken met scenario’s, wat veel opslag vereist en problemen geeft wanneer het echte evenement niet aan die verwachtingen voldoet.

Luisteren naar de oceaan in plaats van naar de breuk

De auteurs stellen een ander perspectief voor: in plaats van te focussen op hoe de zeebodem is weggeschoven, richten ze zich direct op hoe de oceaan reageert. Ze beschrijven de oceaan met een instrument dat een Green’s functie wordt genoemd, die simpelweg de vraag beantwoordt: "Als het water op dit ene punt kort omhoog werd getild, welke golven zouden dan door elke sensor worden waargenomen?" In principe maakt het combineren van de antwoorden van veel zulke punten het mogelijk om vanuit gemeten golven bij offshore-sensoren terug te werken naar het oorspronkelijke gebied van opgeheven of verlaagde waterstand. Dat gebied dient vervolgens als startpunt voor gedetailleerde simulaties die voorspellen hoe de tsunami zich naar de kust toe zal ontwikkelen.

Gedrag van de oceaan comprimeren met neurale netwerken

In de praktijk levert het afdekken van een realistische oceaanregio met een fijn raster een enorm aantal mogelijke bronpunten en sensorlocaties op. Het direct opslaan van elke Green’s functie zou honderden gigabytes vereisen en een urgente voorspelling vertragen. Om dit te vermijden gebruiken de onderzoekers diepe neurale netwerken als compacte functi"ecomressors". Deze netwerken nemen de posities van een bron en een ontvanger in, samen met kleine kaarten van de nabije zeebodem, en leveren het volledige golsignaal dat daartussen zou reizen. Door te trainen op vele computergesimuleerde tsunami’s rond Japan, leren de netwerken deze signalen nauwkeurig te reproduceren terwijl ze enorme datatabellen vervangen door een model met slechts een paar miljoen parameters.

Terugwerken vanuit sensordata

Met dit compacte oceaanmodel in handen pakken de onderzoekers het kernprobleem aan: het afleiden van de initiële waterverstoring uit echte of gesimuleerde sensorregistraties. Ze zetten een iteratieve zoekprocedure op die de sterkte van het optillen van elk rastercel aanpast totdat de voorspelde golven bij de sensoren zo goed mogelijk overeenkomen met de waargenomen golven. Tegelijkertijd geeft de methode de voorkeur aan verstoringen die zowel geconcentreerd in oppervlakte als zacht variërend zijn, wat overeenkomt met hoe echte tsunami’s gewoonlijk beginnen. Omdat het neurale netwerk golfresponsen voor elke sensorlocatie on-the-fly kan genereren, kan hetzelfde getrainde model omgaan met verschillende combinaties van werkende en uitgevallen sensoren zonder opnieuw te hoeven trainen.

Testen met echte en hypothetische tsunami’s

De auteurs testen hun aanpak op talrijke gebeurtenissen uit een veelgebruikte database van vroegere aardbevingen bij Japan. Met gegevens van Japan’s dichte S-net zeebodemsensoren tonen ze aan dat hun methode het initiële waterpatroon met hoge correlatie aan de gesimuleerde waarheid kan reconstrueren, zelfs wanneer slechts een fractie van de sensoren beschikbaar is of wanneer sensorgeluid wordt toegevoegd. Vervolgens voeren ze het gereconstrueerde patroon in een tweede neuraal netwerk om offshore-golfhoogten nabij de kust over enkele uren te voorspellen. Deze voorspellingen zijn even nauwkeurig als, of beter dan, een bestaande machine-learningmethode, terwijl ze veel minder modelparameters gebruiken en niet gebonden zijn aan een vaste sensoropstelling. Tenslotte tonen ze aan dat hetzelfde raamwerk een hypothetische vulkanische tsunami kan afhandelen, wat illustreert dat het niet beperkt is tot aardbevingen.

Wat dit betekent voor toekomstige waarschuwingssystemen

De studie toont aan dat diepe neurale netwerken kunnen dienen als efficiënte surrogaten voor zware numerieke modellen, waardoor snelle, flexibele tsunami-inversie mogelijk wordt die zich richt op de initiële staat van de oceaan in plaats van op de details van de breuk. Door de onzekerheid in die beginsituatie te verkleinen en veranderende sensornetwerken te tolereren, kunnen dergelijke methoden toekomstige waarschuwingscentra helpen beter te beoordelen welke kuststroken waarschijnlijk met gevaarlijke golven worden geconfronteerd, waardoor kostbare tijd voor evacuatie en respons wordt gewonnen.

Bronvermelding: Morssy, A., Teal, P.D. & Kleijn, W.B. Tsunami inversion using deep neural representations. Sci Rep 16, 15925 (2026). https://doi.org/10.1038/s41598-026-38002-y

Trefwoorden: tsunami-voorspelling, offshore-sensoren, neurale netwerken, oceaangolven, vroege waarschuwing