(AGENPARL) - Roma, 27 Maggio 2026 - *Terremoti: nuovo studio sull'uso del machine learning per comprendere
l'evoluzione della sismicità*
*Una ricerca internazionale, che ha coinvolto anche l'OGS, ha testato un
approccio innovativo basato sul machine learning per identificare
variazioni nell'attività sismica osservate prima di alcuni grandi terremoti*
TRIESTE, 27 MAGGIO 2026 – Utilizzare algoritmi di machine learning per
riconoscere nei dati specifiche configurazioni dell'attività sismica e
studiare come evolve l'attività delle faglie nel tempo. È questo
l'obiettivo di uno studio recentemente pubblicato su *Nature Communications
*che ha coinvolto anche l'Istituto Nazionale di Oceanografia e di Geofisica
Sperimentale – OGS insieme all'Università degli Studi di Genova e ad altre
realtà scientifiche internazionali, tra cui l*'Helmholtz Centre for
Geosciences *(DE), la *RWTH Aachen University* (DE), l'*University of
Potsdam *(DE), la *Freie Universität Berlin *(DE) e la *Stanford University*
(CA, USA).
"Prevedere i terremoti non è attualmente possibile e resta una delle
principali sfide della ricerca sismologica", spiega Matteo Picozzi,
direttore del Centro di Ricerche Sismologiche dell'OGS e co-autore dello
studio. "Negli ultimi anni, però, il Machine Learning ha aperto nuove
opportunità per analizzare grandi quantità di dati sismologici e studiare
l'evoluzione dei sistemi di faglia. In questo lavoro abbiamo utilizzato un
approccio di machine learning non supervisionato, cioè un metodo che
individua autonomamente strutture e similarità nei dati senza istruzioni
predefinite".
Lo studio ha analizzato cinque grandi terremoti del passato: il terremoto
di Kahramanmaraş (Turchia) del 2023, il terremoto dell'Aquila del 2009, il
terremoto di Iquique (Cile) del 2014, il terremoto di Amatrice del 2016 e
il terremoto di Noto (Giappone) del 2024. In alcuni di questi eventi erano
state osservate variazioni transitorie dell'attività sismica, come per
esempio sciami sismici o aumenti di sismicità, nei mesi o nelle settimane
precedenti al terremoto principale, mentre in altri tali segnali non erano
evidenti o risultavano molto complessi da identificare.
A partire dai cataloghi sismici disponibili, il gruppo di ricerca ha
estratto diverse caratteristiche statistiche e sismologiche degli eventi,
raggruppandole in famiglie caratterizzate da proprietà simili in termini di
spazio, tempo e comportamento sismico. L'algoritmo è stato quindi testato
per verificare se fosse in grado di distinguere autonomamente
configurazioni compatibili con queste variazioni transitorie dell'attività
sismica.
I risultati mostrano che il metodo è riuscito a identificare pattern
associati a fasi di sismicità transiente nei casi in cui tali fenomeni
erano già stati documentati in letteratura, mentre non ha evidenziato
segnali analoghi nei terremoti in cui tali variazioni non erano chiaramente
osservabili. "Questi risultati non rappresentano un metodo di previsione
dei terremoti", sottolinea Picozzi, "ma mostrano come tecniche avanzate di
analisi dei dati possano contribuire a migliorare lo studio dei processi
fisici che governano l'evoluzione dei sistemi di faglia e delle variazioni
della sismicità nel tempo".
LINK: articolo scientifico originale:
FOTO: Angelo Giordano/Pixabay
