Инверсия цунами с использованием глубоких нейронных представлений

Почему это важно для безопасности побережий

Люди, живущие у моря, зависят от ранних предупреждений, чтобы успеть уйти от приближающегося цунами, однако современные системы все еще работают с трудом при нетипичных событиях или отказах датчиков. В этом исследовании показано, как идеи из современной искусственной интеллекта могут помочь центрам предупреждения более гибко и быстро интерпретировать офшорные волны, с целью дать более ясные указания о том, какие участки побережья находятся в наибольшем риске.

От толчка на дне до прибрежной волны

Когда сильное землетрясение, оползень или извержение вулкана нарушает поверхность океана, возникающее цунами может пройти через целые бассейны. Для прогноза того, где и с какой силой оно ударит, ученым нужно знать начальную форму возмущенной воды. Эта «стартовая картина» удивительно трудно восстанавливается. Она зависит от неопределенных деталей источника, формы морского дна, приливов и даже разрывов или ограничений в записях датчиков. Традиционные методы часто предполагают определенный тип разлома и заранее вычисляют огромные библиотеки сценариев, которые требуют большого объема хранения и могут давать сбои, когда реальное событие не соответствует ожиданиям.

Слушая океан, а не разлом

Авторы предлагают иной подход: вместо того чтобы сосредотачиваться на том, как сместилось морское дно, они напрямую изучают реакцию океана. Они описывают океан с помощью инструмента, называемого функцией Грина, которая отвечает на вопрос: «Если в этой одной точке воды на мгновение приподнять, какие волны увидит каждый датчик?» В принципе, комбинация откликов от многих таких точек позволяет восстановить по измеренным волнам на офшорных датчиках исходный участок приподнятой или пониженной воды. Этот участок затем служит отправной точкой для детальных моделирований, предсказывающих, как цунами будет развиваться в направлении побережья.

Сжатие поведения океана с помощью нейронных сетей

На практике покрытие реалистичного района океана плотной сеткой порождает огромное число возможных точек-источников и местоположений датчиков. Хранение каждой функции Грина напрямую потребовало бы сотен гигабайт и замедлило бы срочный прогноз. Чтобы избежать этого, команда использует глубокие нейронные сети как компактные «компрессоры» функций. Эти сети принимают на вход координаты источника и приемника, а также небольшие карты близлежащего рельефа морского дна, и выдают полный сигнал волны, который прошел бы между ними. Обучаясь на множестве компьютерных симуляций цунами вокруг Японии, сети научились точно воспроизводить эти сигналы, заменив массивные таблицы данных моделью, содержащей лишь несколько миллионов параметров.

Работа в обратном направлении по данным датчиков

Имея под рукой этот компактный модель океана, исследователи решают основную задачу: восстановление начального возмущения воды по реальным или смоделированным записям датчиков. Они настраивают итеративный поиск, который корректирует интенсивность приподнятия для каждой ячейки сетки до тех пор, пока предсказанные волны на датчиках не будут максимально близки к наблюдаемым. При этом метод отдает предпочтение возмущениям, которые ограничены по площади и плавно меняются, что отражает характерные начальные формы реальных цунами. Поскольку нейронная сеть может генерировать отклики волн для любого местоположения датчика на лету, та же обученная модель способна работать с разными комбинациями действующих и вышедших из строя датчиков без дообучения.

Тестирование на реальных и гипотетических цунами

Авторы протестировали свой подход на многочисленных событиях из широко используемой базы данных прошлых землетрясений у берегов Японии. Используя данные с плотной сети S-net на дне моря, они показывают, что их метод способен восстановить начальный рисунок воды с высокой корреляцией с модельной «истиной», даже когда доступна лишь часть датчиков или когда добавлен шум. Затем они подают восстановленный рисунок во вторую нейронную сеть для прогнозирования высот волн у берега на несколько часов вперед. Эти прогнозы оказываются столь же точными или лучше существующего метода машинного обучения, при этом требуя гораздо меньше параметров модели и не будучи привязанными к фиксированной конфигурации датчиков. Наконец, они демонстрируют, что та же схема справляется с гипотетическим вулканическим цунами, показывая, что метод не ограничен землетрясениями.

Что это значит для будущих систем предупреждения

Исследование демонстрирует, что глубокие нейронные сети могут служить эффективными суррогатами тяжелых численных моделей, позволяя быстро и гибко выполнять инверсию цунами, фокусируясь на начальном состоянии океана, а не на деталях разлома. Снижая неопределенность в этой стартовой картине и терпимо относясь к изменяющимся сетям датчиков, такие методы могут помочь будущим центрам предупреждения точнее оценивать, какие участки побережья подвержены опасным волнам, выигрывая драгоценное время для эвакуации и реагирования.

Цитирование: 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

Ключевые слова: прогнозирование цунами, офшорные датчики, нейронные сети, океанские волны, раннее предупреждение