AI zlepšuje detekci zemětřesení na Svalbardu, nejlépe funguje kombinace senzorů

Výzkumníci z norské výzkumné nadace NORSAR zkoumají, jak umělá inteligence dokáže zlepšit detekci seismických signálů v jedné z nejnáročnějších oblastí světa – na souostroví Svalbard v Norsku. Studie, jejíž výsledky přinesl 2. července 2026 autor Saima May Sidik v odborném časopise Eos, porovnává různé metody trénování AI modelů a jejich schopnost rozpoznávat zemětřesení z dat nashromážděných za posledních třicet let.

Výzkum se zaměřil na tři odlišné přístupy k trénování umělé inteligence. V prvním případě byl model trénován výhradně na datech pocházejících z jediné seismické stanice. Druhý přístup spočíval v tom, že signály z více senzorů byly nejprve zkombinované a teprve poté použité k trénování modelu. Třetí metoda pak modelu předložila veškerá data ze všech dostupných stanic najednou a nechala samotný algoritmus rozhodnout, jak s nimi naložit a jakým způsobem je vzájemně propojit.

Nejpřesnějších výsledků dosáhla druhá metoda, tedy ta, při níž byly signály z více senzorů kombinovány ještě před samotným tréninkem modelu. Tento přístup prokázal největší schopnost spolehlivě identifikovat seismické signály a odlišit je od šumu. Třetí metoda, přestože se ukázala jako nejvíce výpočetně efektivní a mohla by být výhodná z hlediska provozních nákladů, dosáhla pouze střední přesnosti. Nabízí tedy určitý kompromis mezi výkonem a náročností na výpočetní zdroje, který může být za určitých okolností prakticky využitelný.

Výzkum nicméně odhalil i významné omezení, které bude třeba v budoucnu překonat. Modely trénovány na datech z konkrétní geografické oblasti se špatně generalizují na jiné lokality, pro něž nebyla data do tréninkového procesu zahrnuta. Jinými slovy, AI se naučí rozpoznávat specifické charakteristiky seismicity daného místa, ale tuto znalost nedokáže spolehlivě přenést jinam. To představuje praktický problém zejména v oblastech, kde jsou seismické stanice rozmístěny řídce nebo kde historická data jednoduše nejsou k dispozici v dostatečném rozsahu.

Výzkumníci zaznamenali rovněž rozdíly v tom, jak úspěšně modely detekují různé typy seismických vln. Zatímco detekce P vln, tedy primárních tlakových vln šířících se zemskou kůrou jako první, nečinila modelům výraznější potíže, S vlny – sekundární příčné vlny přicházející s určitým zpožděním – se ukázaly jako problematičtější. Právě S vlny přitom nesou důležité informace o charakteru zemětřesení a jejich přesná detekce je klíčová pro komplexní seismologickou analýzu.

Přes tato omezení výsledky studie naznačují, že umělá inteligence má reálný potenciál zlepšit seismické monitorování jako celek. Jedním z nejvýznamnějších přínosů je schopnost AI detekovat slabé seismické signály, které by tradičními metodami mohly snadno uniknout pozornosti. Právě záchyt slabých otřesů je přitom důležitý pro pochopení seismické aktivity v dané oblasti a pro zpřesnění modelů, které slouží k hodnocení seismického rizika.

Svalbard představuje pro podobný výzkum zajímavé prostředí. Souostroví leží v arktické oblasti a je vystaveno specifickým geologickým podmínkám, přičemž seismická aktivita v okolí Norska a v širším