Nella camera da letto dei miei genitori vi era un piccolo crocefisso. Quando ero un bambino molto piccolo ne ero un po’ turbato perché non era su una croce, ma montato su un pannello con uno sfondo rosso e, altra apparente stranezza, gli mancava completamente una mano. Divenuto più grande me ne fu spiegata  la provenienza e tutto divenne più chiaro. Era stato raccolto, divelto dalla sua croce e con una mano dispersa, da un mio bisnonno tra le macerie della Messina distrutta dal terremoto del 28 Dicembre 1908.

Come quasi tutti coloro che siamo nati in questa città, ho un rapporto molto particolare con i terremoti pur avendo avuto la fortuna di non averne mai vissuto di importanti in prima persona. I racconti, diretti o indiretti, di quel tragico momento della storia di Messina sono stati sempre presenti nella mia infanzia, come pure è vivido il ricordo dei rudimenti che ci vennero impartiti fin dalla scuola elementare su come comportarsi in caso di terremoto.

Sfide della Previsione Sismica

Inutile dire che il tema della prevedibilità degli eventi sismici mi ha sempre molto affascinato e negli anni, pur non avendolo mai affrontato con studi specifici, ho sempre letto con molto interesse gli articoli di divulgazione che facevano il punto sull’avanzamento della ricerca in questo campo.

La previsione dei terremoti è stata a lungo considerata quasi impossibile a causa delle innumerevoli variabili e dell’interazione di diversi fattori geologici. Il comportamento delle faglie, influenzato da variabili come lo stress accumulato, la presenza di fluidi e la composizione geologica, rende ogni terremoto un evento unico. Questa complessità intrinseca è ciò che rende i terremoti sistemi caotici, ovvero fenomeni con una complessità tale da non poter essere modellizzati, che superano le capacità dei metodi tradizionali di previsione.

Il possibile Contributo del Machine Learning

Un importante contributo potrebbe però venire dall’utilizzo del machine learning. Questa tecnologia offre un nuovo approccio nell’analizzare dati sismici complessi, permettendo di identificare pattern e correlazioni nascoste che i metodi tradizionali potrebbero non rilevare. Un esempio significativo è l’uso del machine learning per prevedere la magnitudine dei terremoti a partire da dati raccolti da stazioni sismiche isolate, migliorando così l’efficacia dei sistemi di allarme precoce.

Il machine learning si rivela utile anche nell’analisi di segnali di bassa ampiezza nei dati GPS, che possono segnalare movimenti imminenti lungo le faglie. Inoltre, lo studio degli eventi sismici lenti, noti come “slow earthquakes”, emerge come un campo promettente. Questi eventi possono precedere terremoti di maggior entità e servire da indicatori per raffinare le previsioni. 

Previsione Tramite Comportamento Animale

Un ulteriore approccio si basa sull’osservazione che alcuni animali domestici, come cani, mucche e pecore, che mostrano segni di agitazione prima di eventi sismici. I ricercatori hanno attaccato sensori di movimento agli animali per raccogliere dati sul loro comportamento. Utilizzando algoritmi di machine learning per analizzare questi dati, hanno rilevato cambiamenti significativi nel comportamento degli animali che precedono i terremoti. Questo metodo offre un modo innovativo e potenzialmente efficace per anticipare i terremoti, integrando le tecniche sismologiche tradizionali con una fonte di informazioni completamente nuova. Se validato ulteriormente, questo approccio potrebbe fornire preziosi minuti di preavviso aggiuntivi in caso di terremoti imminenti, migliorando così le misure di sicurezza e prevenzione.

Sebbene il machine learning sia ancora in una fase iniziale nel suo impiego per la previsione dei terremoti, le sue potenzialità suggeriscono un cambiamento significativo nella nostra capacità di anticipare e prepararci a questi catastrofici eventi naturali​.

Approfondimenti e Ricerche Correlate

Per chi volesse approfondire:

• How machine learning might unlock earthquake prediction
• The precursory phase of large earthquakes
• A Machine-Learning Approach for Earthquake Magnitude Estimation
• Deep learning of aftershock patterns following large earthquakes