INRA-Transformer: A Multi-Scale Hybrid Vision Transformer for Precise Seismic Deformation Mapping of the 6.1 Mw Sındırgı Earthquake

De aarde verschuift voortdurend, soms met plotselinge, gewelddadige schokken die het landschap in seconden hervormen. Om deze bewegingen te begrijpen en ons voor te bereiden op toekomstige gevaren, moeten wetenschappers precies kunnen zien hoe de grond beweegt, tot op de breedte van een menselijk haar. Een van de krachtigste instrumenten voor deze taak is een techniek genaamd differentiële interferometrische synthetische aperture radar. Stel je een satelliet voor die rond de planeet cirkelt en radargolven uitzendt die van de grond weerkaatsen en terugkeren. Door de golven die vóór een aardbeving werden verzonden te vergelijken met die na afloop, kunnen wetenschappers de minuscule veranderingen in de afstand tussen de satelliet en het oppervlak meten. Dit creëert een kleurrijke kaart van de beweging van de grond, waarbij elke kleurband een specifieke hoeveelheid verschuiving vertegenwoordigt. Deze kaarten zijn echter vaak rommelig. De radarsignalen kunnen worden verstoord door de atmosfeer, door veranderingen in de textuur van de grond, of door de tijd die verstrijkt tussen de beelden, wat een statische ruis creëert die het ware verhaal van de aardbeving verbergt.

Jarenlang hebben onderzoekers geprobeerd computerprogramma's te gebruiken om deze kaarten op te schonen en de meest gevaarlijke gebieden te identificeren. Vroege methoden vertrouwden op eenvoudige statistische regels, die vaak niet het grotere plaatje zagen. Later werden meer geavanceerde computersystemen, bekend als convolutionele neurale netwerken, populair. Deze systemen zijn uitstekend in het herkennen van lokale patronen, zoals de textuur van een enkel stuk grond, maar ze hebben moeite met het verbinden van verre delen van de kaart. Ze missen vaak de lange, brede lijnen van beweging die het centrum van een aardbeving verbinden met de stabiele grond kilometers verderop. Een nieuwer type computermodel, de Vision Transformer, is ontworpen om dit op te lossen door naar de gehele afbeelding tegelijk te kijken en te begrijpen hoe elk deel met elk ander deel samenhangt. Toch missen zelfs deze krachtige modellen soms de kleine, cruciale details die nodig zijn om precies te zien waar de grond is gebroken.

In een recente studie gericht op een aardbeving van 6,1 op de schaal van Richter in de regio Sındırgı in Turkije, heeft een onderzoeker genaamd İlyas Aslan een nieuw soort computermodel ontwikkeld om deze kloof te overbruggen. Het doel was om een systeem te creëren dat zowel de brede, globale beweging van de aarde als de fijne, lokale details van de breuklijnen tegelijkertijd kon zien. Aslan creëerde een hybride architectuur genaamd de INRA-Transformer. Dit model combineert het beste van twee werelden: het gebruikt een gespecialiseerde startlaag die naar de grond kijkt door meerdere lenzen van verschillende groottes om zowel minuscule rimpelingen als grote verschuivingen op te vangen, en gebruikt vervolgens een globaal aandachtsysteem om te begrijpen hoe die verschuivingen zich over het hele landschap verbinden. Cruciaal is dat het model ook een mechanisme bevat dat de lokale details scherp houdt, waardoor ervoor wordt gezorgd dat de vloeiende, continue lijnen van de beweging van de aardbeving niet verloren gaan tijdens de verwerking.

De onderzoekers testten dit nieuwe model met echte gegevens van de Sındırgı-aardbeving, verzameld door een Europese satelliet. Ze voerden de rommelige, kleurrijke radar kaarten in de computer en vroegen het om de grond in vijf categorieën in te delen: stabiele gebieden, lage beweging, matige beweging, hoge beweging en zeer hoge beweging. De resultaten waren opmerkelijk. Het nieuwe model identificeerde het type grondbeweging in bijna 98 procent van de gevallen die het analyseerde. Wanneer er specif으로 gekeken werd naar de gevaarlijkste zones, waar de grond het meest bewoog, was het model in meer dan 99 procent van de gevallen correct. Dit is een significante verbetering ten opzichte van de standaardmodellen die momenteel in gebruik zijn, die vaak moeite hebben met het onderscheiden van matige en hoge beweging, of in de war raken door de atmosferische ruis die het radarsignaal vertroebelt.

Om er zeker van te zijn dat de computer niet simpelweg gokte of antwoorden uit het hoofd leerde, gebruikten de onderzoekers een techniek waarmee ze kunnen zien waar het model daadwerkelijk naar "kijkt" wanneer het een beslissing neemt. Ze ontdekten dat het model zijn aandacht precies richtte waar het hoorde: op de scherpe, fysieke lijnen waar de grond was verschoven. Het negeerde van nature de willekeurige ruis veroorzaakt door de atmosfeer of veranderingen in de bodem, en behandelde die gebieden als onbelangrijke achtergrond. Dit bewijst dat het model de werkelijke fysica van de aardbeving heeft geleerd in plaats van dat het kortere routes in de data vond. Door de vervorming van de 6,1 magnitude gebeurtenis met een dergelijke hoge precisie succesvol in kaart te brengen, laat de studie zien dat het combineren van lokale details met globale context de sleutel is tot het lezen van de bewegingen van de aarde. Deze aanpak biedt een duidelijkere, betrouwbaardere manier om seismische activiteit te monitoren, wat de nauwkeurige kaarten biedt die nodig zijn om gevaren in te schatten en de complexe mechanica van onze planeet te begrijpen.