Rigorosa validazione walk-forward fuori tempo su 26 fold di test settimanali. Confronto empirico diretto e onesto del nostro ensemble ML informato dalla fisica rispetto ai baseline classici della sismologia statistica (Poisson stazionario, ETAS e USGS STEP / OAF).
Metriche su holdout fuori tempo, valutate rigorosamente dopo il verificarsi del dato reale.
Come EarthquakeLive si confronta con i modelli accademici e operativi di pericolosità sismica sugli stessi campioni di test.
| Modello e architettura | Classe | ROC-AUC | Brier Skill (BSS) | PR-AUC | Calibrazione ECE | Copertura globale | Frequenza di aggiornamento |
|---|---|---|---|---|---|---|---|
EarthquakeLive (ensemble LightGBM)Campione Gradient boosting multi-feature informato dalla fisica | ML informato dalla fisica | 0.814 | +0.354 | 0.452 | 4.2% | Globale (Uber H3 Res 4) | 15 min |
USGS STEP / UCERF3 (OAF) Modello fisico-statistico basato sulle faglie (USGS / CPEC) | Fisica delle faglie | 0.776 | +0.252 | 0.340 | 5.1% | Regionale (USA / California) | 60 min |
ETAS classico (Ogata 1988) Sequenza di repliche di tipo epidemico (processo puntuale stocastico) | point process | 0.732 | +0.181 | 0.285 | 6.5% | Globale (dipende dal catalogo) | Giornaliero / su richiesta |
Climatologia di Poisson stazionaria Tasso storico invariante nel tempo (baseline di riferimento CSEP) | statistical baseline | 0.528 | +0.000 | 0.041 | 8.9% | Globale | Statico (annuale) |
Prior uniforme casuale Baseline nulla non informativa (caso) | Baseline nulla | 0.500 | -1.622 | 0.012 | 45.0% | N/D | Istantaneo |
Gradient boosting multi-feature informato dalla fisica
P(Nucleation | X) = Ensemble(LightGBM_{12h..7d}, \vec{f}_{16}) \text{ with TreeSHAP}Modello fisico-statistico basato sulle faglie (USGS / CPEC)
\lambda(t) = \mu + \sum 10^{a + b(M - M_0)} (t + c)^{-p} + \Delta CFS / \tauSequenza di repliche di tipo epidemico (processo puntuale stocastico)
\lambda(t, x, y) = \mu(x,y) + \sum_{t_i < t} K e^{\alpha(M_i - M_0)} (t - t_i + c)^{-p} \cdot (r_i^2 + d^2)^{-q}Tasso storico invariante nel tempo (baseline di riferimento CSEP)
P(N \ge 1) = 1 - e^{-\lambda \Delta t}, \quad \lambda = N_{hist} / \Delta T_{hist}Addestramento a finestra espansiva: il modello alla settimana K è valutato rigorosamente sulla settimana K+1 futura, poi riaddestrato con i dati osservati.
| Fold n. | Finestra di test fuori tempo | Campioni di test | ROC-AUC | Punteggio di Brier | Precisione | Richiamo |
|---|---|---|---|---|---|---|
| #26 | 2026-03-09 to 2026-03-16 | 49,764 | 0.788 | 0.173 | 3.5% | 86.2% |
| #25 | 2026-03-16 to 2026-03-23 | 49,814 | 0.795 | 0.086 | 6.6% | 56.7% |
| #24 | 2026-03-23 to 2026-03-30 | 49,807 | 0.819 | 0.092 | 6.9% | 68.7% |
| #23 | 2026-03-30 to 2026-04-06 | 49,138 | 0.828 | 0.103 | 6.2% | 73.3% |
| #22 | 2026-04-06 to 2026-04-13 | 48,524 | 0.821 | 0.097 | 5.6% | 68.7% |
| #21 | 2026-04-13 to 2026-04-20 | 47,411 | 0.797 | 0.104 | 5.7% | 61.6% |
| #20 | 2026-04-20 to 2026-04-27 | 46,192 | 0.800 | 0.101 | 5.7% | 64.6% |
| #19 | 2026-04-27 to 2026-05-04 | 45,383 | 0.785 | 0.108 | 5.0% | 66.1% |
| #18 | 2026-05-04 to 2026-05-11 | 44,864 | 0.806 | 0.106 | 4.3% | 68.3% |
| #17 | 2026-05-11 to 2026-05-18 | 44,623 | 0.802 | 0.113 | 4.3% | 73.0% |
| #16 | 2026-05-18 to 2026-05-25 | 44,453 | 0.792 | 0.110 | 5.3% | 69.5% |
| #15 | 2026-05-25 to 2026-06-01 | 45,256 | 0.750 | 0.118 | 4.2% | 63.2% |
| #14 | 2026-06-01 to 2026-06-08 | 46,074 | 0.774 | 0.116 | 4.1% | 67.4% |
| #13 | 2026-06-08 to 2026-06-15 | 46,778 | 0.764 | 0.121 | 4.5% | 65.3% |
| #12 | 2026-06-15 to 2026-06-22 | 47,301 | 0.803 | 0.123 | 5.9% | 76.6% |
| #11 | 2026-06-22 to 2026-06-29 | 48,227 | 0.827 | 0.125 | 5.3% | 79.6% |
| #10 | 2026-06-29 to 2026-07-06 | 48,916 | 0.805 | 0.127 | 4.6% | 76.6% |
| #9 | 2026-07-06 to 2026-07-13 | 49,154 | 0.786 | 0.124 | 4.7% | 73.3% |
| #8 | 2026-07-13 to 2026-07-20 | 49,445 | 0.804 | 0.126 | 5.5% | 77.3% |
| #7 | 2026-07-20 to 2026-07-27 | 50,160 | 0.789 | 0.125 | 4.8% | 72.3% |
| #6 | 2026-07-27 to 2026-08-03 | 49,834 | 0.817 | 0.128 | 6.0% | 77.3% |
| #5 | 2026-08-03 to 2026-08-10 | 49,358 | 0.798 | 0.128 | 5.4% | 74.9% |
| #4 | 2026-08-10 to 2026-08-17 | 50,756 | 0.771 | 0.132 | 4.3% | 70.3% |
| #3 | 2026-08-17 to 2026-08-24 | 51,653 | 0.815 | 0.125 | 4.2% | 72.4% |
| #2 | 2026-08-24 to 2026-08-31 | 52,365 | 0.785 | 0.124 | 3.9% | 73.8% |
| #1 | 2026-08-31 to 2026-09-06 | 45,685 | 0.794 | 0.114 | 4.1% | 71.1% |
Una previsione sismica ben calibrata significa che, quando il modello assegna una probabilità del 70%, circa il 70% di quelle celle spaziali nuclea fisicamente.
| Bin di rischio | P prevista | Frequenza osservata | Allineamento di affidabilità |
|---|---|---|---|
| 0-10% | 4.5% | 3.8% | Δ 0.7% (Calibrato) |
| 10-20% | 14.8% | 13.5% | Δ 1.3% (Calibrato) |
| 20-30% | 24.6% | 23.1% | Δ 1.5% (Calibrato) |
| 30-40% | 35.2% | 34.0% | Δ 1.2% (Calibrato) |
| 40-50% | 44.8% | 46.2% | Δ 1.4% (Calibrato) |
| 50-60% | 55.1% | 53.8% | Δ 1.3% (Calibrato) |
| 60-70% | 64.7% | 66.7% | Δ 2.0% (Calibrato) |
| 70-80% | 74.9% | 73.3% | Δ 1.6% (Calibrato) |
| 80-90% | 84.2% | 81.8% | Δ 2.4% (Calibrato) |
| 90-100% | 93.5% | 90.0% | Δ 3.5% (Tollerante) |
I classificatori di machine learning grezzi restituiscono spesso margini non calibrati (tendenti a 0 o a 1). In sismologia, l'eccesso di sicurezza genera falsi allarmi e «assuefazione all'allarme».
EarthquakeLive utilizza la regressione isotonica e lo scaling di Platt, addestrati sul registro delle previsioni, per mappare i logit grezzi direttamente su frequenze di rottura fisicamente significative.
• Calcola la pericolosità probabilistica di nucleazione della rottura su 6.033 celle esagonali H3 globali per orizzonti di 12h, 24h, 72h e 7 giorni.
• Invia allerte civili e di emergenza quando la densità degli sciami sismici a breve termine, la deformazione di Benioff e la prossimità alle faglie superano le soglie critiche di attivazione.
• Verifica di continuo le previsioni scadute rispetto ai cataloghi multi-agenzia entro la tolleranza del raggio fisico di rottura R(M) = 0,5 × 10^(0,43M − 1,0) km.
• Nessuna previsione deterministica al minuto o al secondo: per la meccanica non lineare del continuo, la nucleazione di un terremoto parte da microfratture soggette a caos deterministico.
• Nessuna garanzia sulla magnitudo esatta: se una cascata di nucleazione in corso si arresti a M 4.5 o degeneri in una rottura megathrust M 7.8 dipende dalle eterogeneità lungo il piano di faglia non ancora rotto.
• Integrità senza lookahead: tutti i benchmark rispettano gli standard CSEP — i modelli non si addestrano mai su dati successivi al timestamp della previsione né li osservano.
Protocolli scientifici, operativi e di emergenza verificati