斯坦福AI技术检测隐藏的地震 - 可能会提供大Quakes的警告

地震瓦砾

来自斯坦福大学的科学家们的新技术发现了长期隐藏的地震,以及地震如何演变的可能线索。

地球最外层的微小运动可以为罗萨蒂石来解密,用于解密大Quakes的物理和警告标志。新的算法稍像人类视力一样,现在正在检测到越来越多的地震数据山中的这些长隐微型品。

Measures of Earth’s vibrations zigged and zagged across Mostafa Mousavi’s screen one morning in Memphis, Tenn. As part of his PhD studies in geophysics, he sat scanning earthquake signals recorded the night before, verifying that decades-old algorithms had detected true earthquakes rather than tremors generated by ordinary things like crashing waves, passing trucks or stomping football fans.

“我已经做了六个月的繁琐工作,看着连续数据,”Mousavi,现在是斯坦福地球,能源与环境科学学院(斯坦福地球)的研究科学家,最近召回。“这是我想的那一点,”必须有更好的方法来做这件事。“

这是2013年。手持智能手机已经装满了可能将言语分解为声波的算法,并在这些模式中提出最有可能的单词。使用人工智能,他们甚至可以从过去的记录中学习,随着时间的推移变得更加准确。

地震波和声波并不是如此不同。一个通过岩石和流体,另一个通过空气移动。然而,虽然机器学习改造了个人计算机的过程和与语音和声音相互作用的方式,但用于检测地震数据流中地震的算法几乎没有改变20世纪80年代。

这留下了很多地震未被发现。

大地震很难错过,但它们很少见。与此同时,一直都是不知不觉的小火箭。在与大地震相同的缺点上发生 - 并涉及相同的物理和相同的机制 - 这些“微型品”代表了有关地震如何发展的未开发信息的缓存 - 但只有科学家可以找到它们。

在最近发表的一篇论文中自然通信,Mousavi和共同作者描述了一种利用人工智能的新方法,以重点对着地球的微妙转变。“通过改善我们的检测和定位这些非常小地震的能力,我们可以更清楚地了解地震如何互动或沿着故障传播,即使它们是如何停止的,”斯坦福地球物理学家格雷戈里·贝罗萨说the paper’s authors.

“通过改善我们的检测和定位这些非常小地震的能力,我们可以更清楚地了解地震如何互动或沿着故障传播,即使它们是如何停止的。”-Greg Beroza,韦恩洛尔地球科学教授

关注重要的事情

Mousavi开始致力于在他在孟菲斯的日常地震图之后很快努力自动化地震检测,但他的模特努力调整抗震数据固有的噪音。几年后,在2017年加入了斯坦福斯坦福德的实验室之后,他开始考虑如何使用机器学习解决这个问题。

该小组已经制造了一系列越来越强大的探测器。2018年,Beroza和研究生朱维强开发了一个名为PhaseNet的模型,它采用了医学图像处理中的算法,以在相位拾取方面表现出色,其中包括识别两种不同类型地震波的精确起始点。另一种机器学习模型,于2019年发布并命名为信誉,通过虚拟助理系统中的语音触发算法灵感,并证明了在检测中有效。两种型号从北加州录制的相对较小的地震图中了解了地震序列的基本模式。

自然通信论文,作者报告他们开发了一种新模型,以检测非常小的地震,目前的方法通常忽略了弱信号,并使用来自世界各地的地震数据挑选地震阶段的精确时间。他们称之为地震变压器。

根据穆萨维的说法,该模型建立在PhaseNet和CRED的基础上,并“嵌入了我在手工操作时得到的那些见解。”具体来说,《地震变压器》模拟了人类分析人员将波动作为一个整体来看待,然后专注于感兴趣的一小部分。

人们在日常生活中本能地这样做——忽略不重要的细节,更专注于重要的事情。计算机科学家称之为“注意力机制”,并经常使用它来改进文本翻译。但穆萨维说,这对自动地震检测领域来说是新技术。他说:“我预计,在未来一两年内,这种新一代探测器和选相器将成为地震监测的标准。”

斯坦福地球研究所(Stanford Earth)的地球科学韦恩·洛尔(Wayne Loel)教授贝罗扎(Beroza)说,这项技术可以让分析人员专注于从更完整的地震目录中提取见解,从而腾出时间更多地思考地震模式意味着什么。

隐而未现的过错

几十年或几个世纪的小型震动积累的理解模式可能是最小化惊喜 - 和损坏的关键 - 当一个较大的地震罢工时。

1989年的洛马-普列塔地震是美国历史上最具破坏性的地震灾害之一,也是上个世纪袭击加州北部的最大地震之一。在洛马·普列塔的案例中,这种区别与其说是非凡的力量,不如说是地震防范、危险地图和建筑规范方面的差距——以及特大地震的极端罕见。

每年由地震传感器的全球检测到的大约500,000次地震中的五分之一只有大约一个震动,足以让人们注意到。在一个典型的一年里,也许100次会导致损坏。

在20世纪80年代后期,计算机已经在工作中分析了数字录制的地震数据,并且在几分钟内确定了Loma Prieta这样地震的发生和位置。然而,计算机和波形数据的限制留下了许多小地震未被发现,并且仅部分地震较大。

在洛马·普列塔的惨痛教训之后,加州的许多社区开始依赖显示断层带和地震可能造成最大破坏的地区的地图。充实的记录过去的地震与地震变压器和其他工具可以使这些地图更准确,有助于揭示断层,否则只光破坏之后,来自一个更大的地震,发生在1989年,洛马普列塔和里氏6.7级的北岭地震五年后在洛杉矶。

“通过改善对小地震的监测,我们可以获得深度,三维故障结构的更多信息,我们可以预测未来潜伏的地震,”Beroza说。

ai隐藏的地震

鸟取区的地震检测和位于地震区域。信用:Mousavi等人。,2020自然通信

地震变压器

为了确定地震的位置和震级,现有的算法和人类专家都在寻找两种地震波的到达时间。第一组被称为主波或P波,快速前进——像弹簧一样在穿过地面时推动、拉动和压缩地面。接下来是横波或横波,它们传播较慢,但在它们左右或上下移动地球时破坏力更大。

为了测试地震变压器,团队希望了解它如何与训练数据中未包含的地震一起使用,这些数据用于教授算法的真正地震和其地震阶段的样子。培训数据包括一百万手工标记的地震图主要是在过去二十年里记录的地震发生在除日本以外的全球各地。为了进行测试,他们选择了20年前发生的鸟取6.6级地震及其余震所记录的日本地区连续5周的数据。

该模型仅利用了日本科学家最初用来研究地震序列的57个观测站中的18个所提供的数据,探测并定位了21092个地震事件,是人工识别地震数量的2.5倍以上。地震变压器被证明对人类难以识别的微小地震特别有效,而且随着地震传感器的增加,记录下来的地震数量也越来越多。

“以前,人们已经设计了算法,找到了P波。这是一个相对简单的问题,“斯坦福地球物理学研究教授威廉·埃尔斯沃(William Ellswort)解释道。他说,针对S波的开始更加困难,因为它从快速移动的P波的不稳定的最后喘气中出现。其他算法已经能够生产非常详细地震目录,包括被分析人员遗漏的大量小地震——但是它们的模式匹配算法只在提供训练数据的地区有效。

随着在简单的计算机上运行的地震变压器,分析通常需要几个月的专家劳动力在20分钟内完成。通过算法可以通过从每个搜索中搜索存在地震和地震阶段的时序的算法来实现速度,以从每个搜索中收集到其他搜索的信息。

“地震变压器比其他方法变得更多的地震,无论是人们坐着,试图通过查看波形或旧的计算机方法来分析事物,”Ellsworth说。“我们正在深入了解地震过程,我们正在更有效准确地完成。”

研究人员利用历史数据对“地震变压器”进行了培训和测试,但这项技术几乎可以在小地震发生时立即标记出来。根据Beroza的说法,“使用接近实时的机器学习进行地震监测很快就会到来。”

参考文献:“地震变压器 - 同时地震检测和相位拣选的细心深学习模型”由S. Mostafa Mousavi,William L. Ellsworth,Wieqiang Zhu,Lindsay Y. Choge和Gregory C. Beroza,8月20日,自然通信
DOI: 10.1038 / s41467 - 020 - 17591 - w

Beroza是南加州地震中心(SCEC)的副主任,以及斯坦福州斯坦福中心的联合主管,诱发和触发地震性(SCITS)。Ellsworth也是一个Scits Co-Director。联合作者魏强朱是斯坦福地球的地球物理研究生。共同作者Lindsay Chuang与格鲁吉亚理工学院隶属。

该研究得到了SCITS的支持。

是第一个评论在“斯坦福AI技术检测隐藏地震 - 可能提供大Quakes的警告”

发表评论

电子邮件地址是可选的。如果提供的话,您的电子邮件不会发布或共享。