Dos nuevos algoritmos podrían ayudar a que los sistemas de alerta temprana de terremotos le den unos segundos adicionales para agacharse, cubrirse y aguantar antes de que el suelo comience a temblar
Los científicos informáticos de la Universidad de California en Riverside han desarrollado dos algoritmos que mejorarán el monitoreo de terremotos y ayudarán a los agricultores a proteger sus cultivos de insectos peligrosos o monitorear la salud de los pollos y otros animales. Los algoritmos detectan patrones en enormes conjuntos de datos rápidamente, conmenos poder de cómputo y menor costo que otros métodos y se han utilizado para mejorar la detección de terremotos, monitorear el insecto vector psílido asiático de los cítricos y evaluar el comportamiento de alimentación de los pollos.
Big data, grandes problemas
Los sensores, como los sensores sísmicos, que registran automáticamente eventos que ocurren repetidamente durante un período de tiempo, tienen un problema. Recopilan tantos datos que es difícil detectar patrones. El análisis de series de tiempo soluciona esto buscando otros ejemplos desecuencia de muestra dentro de un conjunto de datos, generalmente usando unidades de procesamiento de gráficos o GPU. Pero para conjuntos de datos muy grandes, esto se vuelve poco práctico porque requiere demasiadas GPU, lo que aumenta el costo.
Zachary Zimmerman, estudiante de doctorado en ciencias de la computación en la Facultad de Ingeniería Marlan y Rosemary Bourns, basado en un algoritmo desarrollado previamente por el coautor y profesor de informática Eamonn Keogh para manejar conjuntos de datos extremadamente grandes y lo ejecutó en 40 GPU alojadasen la nube de Amazon Web Services.
El algoritmo, llamado SCAMP, clasificó casi dos años de registros sísmicos de la falla de Parkfield en California, un segmento de la falla de San Andreas ubicada cerca de la ciudad de Parkfield, en solo 10 horas, a un costo razonable de alrededor de $ 300, y descubrió 16veces más terremotos de los que se conocían anteriormente.
"Es difícil exagerar lo escalable que es este algoritmo", dijo Keogh. Para demostrar esto, hicimos un quintillón, es decir, 1 seguido de 18 ceros, comparaciones por pares de fragmentos de datos de terremotos. Nada más en la literaturaestá dentro de una décima parte de un porcentaje de ese tamaño ".
Identificar terremotos no siempre es fácil
"El problema más fundamental en sismología es identificar terremotos. Ha habido una serie de mejoras metodológicas por parte de los sismólogos que aplican estrategias de la informática para buscar patrones similares", dijo el coautor Gareth Funning, profesor asociado de sismología."El gran avance aquí es que el conjunto de datos que puede administrar es mucho, mucho más grande. Cuando miramos los datos sísmicos, solíamos pensar que lo estábamos haciendo bien comparando todo en una ventana de tiempo de dos meses".
Otros métodos de detección de terremotos requieren que el algoritmo encuentre secuencias que coincidan con un terremoto conocido. En cambio, el método UC Riverside compara todo dentro de un tiempo determinado y, por lo tanto, puede identificar terremotos que no necesariamente coinciden con uno dado como modelo.
Por ejemplo, su análisis de los datos de Parkfield descubrió terremotos sutiles de baja frecuencia debajo de la falla de San Andrés. Las secuencias de estos terremotos, también conocidos como temblores no volcánicos, acompañan a los movimientos lentos y profundos de las placas tectónicas.
Las ráfagas de terremotos de baja frecuencia han precedido ocasionalmente a terremotos masivos, como el de Japón hace 10 años. Una mejor detección de terremotos de baja frecuencia podría ayudar a mejorar los pronósticos de los terremotos más grandes y también ayudar a los científicos a monitorear mejor los movimientos de las placas tectónicas.
Desde terremotos hasta pollos y plagas de insectos
El algoritmo SCAMP también puede detectar plagas agrícolas dañinas. Keogh colocó sensores que registraron los movimientos de los insectos mientras chupaban el jugo de las hojas y usó el algoritmo para identificar el psílido asiático de los cítricos, el insecto responsable de devastar los cultivos de cítricos al propagar las bacterias quecausa Huanglongbing, o enfermedad del enverdecimiento de los cítricos. También utilizó el algoritmo para analizar un conjunto de datos de acelerómetros, que miden varios tipos de movimientos, adheridos a los pollos durante un período de días. Luego, SCAMP identificó patrones específicos relacionados con la alimentación y otros comportamientos.
SCAMP tiene una limitación, sin embargo.
"SCAMP requiere que tenga la serie de tiempo completa antes de realizar la búsqueda. En los casos de extracción de datos sismológicos históricos, tenemos eso. O en un estudio científico, podemos analizar el pollo durante 10 horas y analizar los datos después del hecho", dijo el coautor Philip Brisk, profesor asociado de ciencias de la computación y asesor doctoral de Zimmerman." Pero con la transmisión de datos directamente desde el sensor, no queremos esperar 10 horas. Queremos poder decir que algo está sucediendoahora."
Detección de terremotos en tiempo real más rápida
Zimmerman usó los mil millones de puntos de datos, llamados perfil de matriz, generados por el análisis de SCAMP de los datos de fallas de Parkfield para entrenar un algoritmo que llamó LAMP. LAMP compara los datos de transmisión con ejemplos que ha visto antes para seleccionar los datos más relevantes a medida que vienenfuera del sensor.
"Tener el perfil de matriz disponible para usted en el sensor significa que puede saber inmediatamente qué es importante y qué no. Puede hacer todas sus comprobaciones en tiempo real porque solo está mirando los bits importantes", dijo Zimmerman.
La capacidad de interpretar más rápidamente los datos sísmicos podría mejorar los sistemas de alerta de terremotos que ya existen.
"Con la alerta temprana de terremotos, está tratando de detectar cosas en las estaciones de monitoreo y luego reenviar la información a un sistema central que evalúa si es un gran terremoto o no", dijo Funning. "Una configuración como esta podría potencialmente hacer ungran parte de esa discriminación funciona antes de que se transmita al sistema. Podría reducir el tiempo de cálculo necesario para determinar que se está produciendo un evento dañino, lo que le da a las personas un par de segundos adicionales para agacharse, cubrirse y esperar ".
"Un par de segundos es enorme en la alerta temprana de terremotos", agregó.
Fuente de la historia :
Materiales proporcionado por Universidad de California - Riverside . Original escrito por Holly Ober. Nota: el contenido se puede editar por estilo y longitud.
cite esta página :