GNGTS 2018 - 37° Convegno Nazionale

GNGTS 2018 S essione 2.1 353 TERREMOTI E TRIGGER SOLARE V. Marchitelli 1 , P. Harabaglia 1 , G. De Natale 2 , C. Troise 2 1 Scuola di Ingegneria, Università della Basilicata, Italy 2 Istituto Nazionale di Geofisica e Vulcanologia, Italy  È certo che la distribuzione della sismicità mondiale non sia poissoniana (ad es Corral, 2005), neppure localmente (Vecchio et al. , 2008), sebbene il processo non sia mai stato modellato in modo soddisfacente in quanto non ben compreso. Recentemente Bendick e Bilham (2017) hanno suggerito che i terremoti possano essere causati da variazioni della velocità di rotazione terrestre. La letteratura che cerca di collegare i terremoti a variazioni di campo magnetico terrestre è molto vasta, citando a titolo d’esempio Florindo e Alfonsi (1995), Duma e Ruzhin (2003), Rabeh, Miranda e Hvozdara (2010) come altrettanto vasta è quella che cerca di collegare i sismi all’attività solare, a partire da Wolf (1853), per continuare con Simpson (1967), Huzaimy e Yumoto (2011) e Shestopalov e Kharin (2014), citando solo alcuni. Il nostro tuttavia è il primo lavoro che indaga in modo sistematico una correlazione fra vento solare e terremoti su un arco temporale di quasi 22 anni, considerando tutti i terremoti sopra una certa soglia. Il primo data set usato è relativo ai protoni rilevati dal satellite SOHO in orbita dal 1996 nel punto di Lagrange L1 . Il data set non è completo: vi sono dati per circa l’85% del tempo. I dati sono orari e noi ne abbiamo calcolato la media giornaliera. Il secondo data set è formato dai terremoti globali con magnitudo Mw>5.8 . Per questi usiamo i dati del catalogo ISC-GEM fino al 2014, integrandoli negli anni successivi con il catalogo GCMT. Abbiamo considerato 4 diverse possibili variabili: velocità dei protoni, densità, pressione dinamica e flusso. Al termine dell’analisi abbiamo ristretto la nostra analisi alla sola densità che risulta di gran lunga la più significativa. Prima di tutto, prendendo ad esmpio la densità, questa è stata comparata con il numero giornaliero di eventi che è preferibile in quanto il numero di processi è più importante del momento sismico che può estendersi su diversi ordini di grandezza. Per grandi numeri di eventi la relazione di Gutenberg e Richter (1944) è universalmente valida e, poiché i terremoti sono autosimilari, l’informazione che si ottiene è sostanzialmente equivalente. Abbiamo anche deciso di evitare il declustering in quanto Bak et al. (2002) hanno dimostrato come sia sbagliato distinguere fra eventi principali, repliche e sismicità di fondo. Infine bisogna precisare che se si creasse un catalogo poissoniano, si distruggerebbe la correlazione che stiamo cercando. Quindi, poiché il vento solare varia nel tempo, se una correlazione dovesse esistere, questa dovrebbe riflettersi in un differente tasso di sismicità, ad esempio distinguendo fra periodi di vento solare elevato e non o, scendendo nello specifico, verificando i tassi nell’ultimo giorno di anomalia o nel primo giorno che segue l’anomalia. Dato il grande numero di variabili e condizioni abbiamo adimensionalizzato il calcolo per facilitarne il confronto. Inizialmente si calcola il valore medio della variabile considerata nell’intervallo di tempo dei data set, ad esempio la densità protonica (D av ). Per l’adimensionalizzazione la esprimiamo D av_ad = (D av – D min ) / (D max -D min ) (1) approssimata alla seconda cifra significativa. Poi definiamo una soglia variabile come D T = D min + D step (D max -D min ) (2) dove D step varia da D av_ad ad 1 , con passi di 0.01 . Definita una condizione C, ad esempio il primo giorno dopo un’anomalia di vento solare D T, possiamo contare il numero Dy C che soddisfano tale condizione ed il corrispondente numero di eventi E C che si verificano in quei giorni. Dy e E sono rispettivamente il numero di giorni quando sono disponibili dati SOHO ed il numero totale di eventi che accadono in quei giorni. In tal modo per ciascun D T , possiamo semplicemente definire un tasso relativo di eventi