Tsunamii­nversion med djupa neurala representationer

Varför detta är viktigt för kystsäkerhet

Personer som bor vid havet är beroende av tidiga varningar för att undkomma inkommande tsunamier, men dagens system har fortfarande problem när en händelse är ovanlig eller sensorer går sönder. Den här studien visar hur idéer från modern artificiell intelligens kan hjälpa varningscentraler att tolka offshore­sensorernas vågor mer flexibelt och snabbare, med målet att ge klarare vägledning om vilka kuster som löper störst risk.

Från havsbottenstöt till kustvåg

När ett stort jordskalv, jordskred eller ett vulkanutbrott rubbar havsytan kan den resulterande tsunamin korsa hela bassänger. För att prognostisera var och hur hårt den slår till behöver forskarna känna till den initiala formen på det störda vattnet. Denna ”startbild” är förvånansvärt svår att rekonstruera. Den beror på osäkra detaljer i källan, havsbottnens form, tidvatten och till och med luckor eller klippning i sensorns data. Traditionella metoder antar ofta en viss typ av jordskalvsglidskiva och förberäknar enorma bibliotek av scenarier, vilket kräver stor lagringskapacitet och kan få problem när den verkliga händelsen inte stämmer med förväntningarna.

Lyssna på havet istället för på förkastningen

Författarna föreslår en annan infallsvinkel: snarare än att fokusera på hur havsbotten gled, fokuserar de direkt på hur havet svarar. De beskriver havet med ett verktyg som kallas Greens funktion, vilket enkelt svarar på frågan: ”Om vattnet kortvarigt höjdes vid denna punkt, vilka vågor skulle varje sensor då se?” I princip gör kombinationen av svar från många sådana punkter det möjligt att arbeta baklänges från uppmätta vågor vid offshore­sensorer till den ursprungliga ytan som höjts eller sänkts. Den ytan blir sedan startpunkten för detaljerade simuleringar som förutsäger hur tsunamin utvecklas mot kusten.

Komprimera havsbeteende med neurala nätverk

I praktiken ger en fin grid över ett realistiskt havsområde ett enormt antal möjliga källpunkter och sensorpositioner. Att lagra varje Greens funktion direkt skulle kräva hundratals gigabyte och sakta ner en brådskande prognos. För att undvika detta använder teamet djupa neurala nätverk som kompakta funktions”kompressorer”. Dessa nätverk tar in positionerna för en källa och en mottagare, tillsammans med små kartor över närliggande havsbotten, och ger ut den fullständiga vågsignalen som skulle färdas mellan dem. Genom att träna på många dator­simulerade tsunamier runt Japan lär sig nätverken att reproducera dessa signaler noggrant samtidigt som massiva datatabeller ersätts av en modell med bara några miljoner parametrar.

Arbeta baklänges från sensordata

Med denna kompakta havsmodell i handen tar forskarna itu med huvudproblemet: att härleda den initiala vattendröjningen från verkliga eller simulerade sensorregister. De bygger upp en iterativ sökning som justerar styrkan hos varje gridcels upplyft tills de predicerade vågorna vid sensorerna matchar de observerade så nära som möjligt. Samtidigt favoriserar metoden störningar som både är koncentrerade i yta och jämnt varierande, vilket speglar hur verkliga tsunamier ofta startar. Eftersom det neurala nätverket kan generera vågsvar för vilken sensorplats som helst i realtid kan samma tränade modell hantera olika kombinationer av fungerande och felande sensorer utan omlärning.

Testning med verkliga och fiktiva tsunamier

Författarna testar sitt tillvägagångssätt på många händelser hämtade från en välanvänd databas över tidigare jordbävningar nära Japan. Genom att använda data från Japans täta S-net havsbotten­sensorer visar de att deras metod kan rekonstruera det initiala vattenmönstret med hög korrelation mot den simulerade sanningen, även när bara en bråkdel av sensorerna är tillgängliga eller när sensorsbrus läggs till. De matar sedan det rekonstruerade mönstret in i ett andra neuralt nätverk för att förutsäga offshore-våghöjder nära kusten över flera timmar. Dessa prognoser är lika exakta som, eller bättre än, en befintlig maskininlärningsmetod samtidigt som de använder långt färre modellparametrar och inte är bundna till en fast sensorlayout. Slutligen visar de att samma ramverk kan hantera en hypotetisk vulkanisk tsunami, vilket illustrerar att det inte är begränsat till jordbävningar.

Vad detta innebär för framtida varningssystem

Studien visar att djupa neurala nätverk kan fungera som effektiva surrogat för tunga numeriska modeller, vilket möjliggör snabb, flexibel tsunamii­nversion som fokuserar på havets initialtillstånd snarare än detaljernas i förkastningen. Genom att minska osäkerheten i den startbilden och tolerera föränderliga sensornätverk kan sådana metoder hjälpa framtida varningscentraler att bättre bedöma vilka kuststräckor som sannolikt kommer att drabbas av farliga vågor, vilket köper dyrbar tid för evakuering och insats.

Citering: 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

Nyckelord: tsunamiprognoser, offshore­sensorer, neurala nätverk, havs vågor, tidig varning