花莲地震前 20 秒就已报警,地震精准预测不再遥远?

使用深度学习、神经网络等机器学习技术,去分析和研究地震问题,能够分析出人们看不到的一些数据价值。在诸如余震、微地震的预测中,得到更高的准确率。

4 月 18 日 13 时 01 分,台湾花莲突然发生 6.7 级地震。这是近 20 年来台湾地区最大的一次地震,靠近台湾海峡的多个地区都有震感。所幸,这次地震中只有几例意外受伤事件。

据媒体消息,此次地震震感抵达之前,新北市就提前 20 秒收到了预警信息。前新北市「市长」朱立伦当时正在接受采访,采访画面也记录下了他收到预警的那一幕。

视频中提前收到的消息,称为地震预警。它是指在地震发生之后,提前向远离震中的区域发送警报,通常提前几十秒。虽然这项技术已经成熟,但也只能帮助到震区边缘的地区,而震中区域只能听天由命了。

与地震预警不同,地震预报是在地震未发生时,就能准确预测出地震时间、位置和等级,然后能提前安排好对策。但因为地震成因复杂,数据稀少,直到今天,我们依然无法准确预报地震。

据中国地震台网公布,全球几乎每天都有地震发生

不过,令人欣慰的是,虽然对地震的预测问题没被攻克,但近年来,科学家们已经开始尝试使用深度学习、神经网络等机器学习技术,去分析和研究地震问题,在诸如余震,微地震等预报中,均取得了良好的预测效果。

哈佛与谷歌联手:机器学习预测余震

地震发生往往都不是单独事件,在「主震」(通常是新闻头条级别的事件)后往往伴随着一系列「余震」。这些余震数量众多,大的余震会带来严重的重复伤害。典型的例子就是 5 · 12 汶川地震,主震之后发生余震上万次,对救援工作造成了很大的威胁。

所以对余震的检测也是地震预测中重要的一环。传统的方法下,对余震发生的时间和等级,有一些经验性判断规则和方法,但通常无法准确预测位置,而且在操作中也需要繁琐的程序。

哈佛大学与 Google 的机器学习专家合作,尝试用深度学习来预测余震发生的位置。他们的研究取得了突破性的进展,最终的结果发布在 2018 年 8 月的 Nature 上。

1992  年南加州兰德斯 7.3  级地震的直观表示,其中多色部分代表最初的地震,红色方框代表余震位置 

他们的数据库,包含了世界各地发生的至少 199 次的大地震的信息数据。根据这个数据库,他们应用神经网络模型,主要分析了主震和余震位置引起的静态应力变化之间的关系,该算法能够从数据信息中识别出有用的模式。

他们最终得到了最优的余震位置预报模型,虽然这个系统仍然有待完善,但是这意味着在这个方向又迈进了一步。

  预测兰德斯地震余震定位概率的分布。深红色表示预计会经历余震的区域。黑点是观察到的余震的位置,黄线表示在主震期间破裂的断层

这项研究还得到了一个意外的收获:它帮助该团队确定了地震中涉及的物理量,这对地震研究非常重要。人们将神经网络应用于数据集时,能够深入洞察出对预测至关重要的特定因素组合,而不仅仅是将预测结果视为表面上的数值。

团队成员之一 Meade 曾解释道:「传统的地震学家更像病理学家,他们研究灾难性地震事件后会发生什么。我们不想做这些,而是更想成为流行病学家,我们想了解这些事件的诱发因素、原因。」

期待在未来,机器学习可以揭开地震背后的奥秘,并减少它带来灾害。

从 550000   个地震样本中学会预测

在哈佛和谷歌提出的 AI 模型基础上,斯坦福大学研究人员也创建了一个人工智能模型,专注于检测和预报微地震,最终也得到了很高的准确率。

微地震或称低强度地震,是指瞬时震级在 2.0 或更小的震级,这种地震破坏性较小,但由于背景噪声,小事件和误报等因素,它们有时会被地震监测系统所遗漏。

斯坦福大学构建的 AI 模型,被称为 Cnn-Rnn 地震探测器(CRED),可以通过连续记录的历史数据,准确揪出微地震的信息。

这个系统由两种神经网络层组成:卷积神经网络(CNN)和递归神经网络(RNN)。CNN 从地震传感器中提取特征,而 RNN 可以结合记忆和输入数据,提高其预测的准确性,学习类似地震仪的序列特征。

这两者构成了一个残差学习框架,这么做是为了缓解多层神经网络会出现的过拟和等问题。通过这样的方式,神经网络既能够保持它们的准确性,又能够从数据集中学习更多详细特征。此外,会更容易优化。

为了训练和验证地震探测 AI 系统,研究人员采集了阿肯色州 Guy-Greenbrier ,在 2011 年的连续的记录数据,其中包含 3,788 个事件,此外还有北加州 889 个监测站,550,000 个 时长 30 秒,包含 3 个指标的地震图。

用于训练的数据集统计

550000 个数据中的 50000 个样本被用于评估性能。结果是无论地震等级大小,是否局部发生,有没有很强的背景噪声,网络模型都能够准确的识别出地震信号。更重要的是,AI 只需要部分记录就能检测地震。

当从 Guy-Greenbrier 数据集中获取连续数据时,该模型花费近一个小时在计算机上进行训练,检测到由水力压裂,废水注入和构造板块运动引起的 1,102 次微地震和大地震,其中包括 77 次并不曾被记录过的。

报告指出,在所有测试中,与两个广泛部署的地震系统相比,学习模型展现了「优越」的性能。因为计算机模型能分析出人们看不到的一些数据价值。

使用不同算法检测事件的幅度 – 频率分布,CERD 展现了「优越」的性能

此外,模型的可扩展性也得到了提升他们写道,「通过训练,模型可以实时应用于地震数据流。而基于其光谱结构的地震信号,是一种高分辨率的建模方式,误报率很小。」

该团队认为,机器学习模型可以轻松扩展到多个传感器,可以在构造活动区域进行实时监控,也可以作为早期地震预警系统的基础。

如果对微小地震的判断足够精确,那么这对预报模型用在大地震的预测上,就有了重要的意义。

未来地震预报或可期

机器学习技术可以被大量地用于保存过去地震的模拟记录。随着记录这些数据的媒体逐渐退化,地震学家正在争分夺秒地保护这些有价值的信息。

一些研究人员正在使用机器学习算法筛选地震数据,以更好地识别地震余震,火山地震活动,并监测造成震动的预兆,这些震动标志着可能发生巨大地震的板块边界的变形。

还有一些研究员,使用机器学习技术来定位地震起源并将小地震与环境中的其他地震「噪声」区分开来。

很长的一段时间里,一部分学者都认为完全的预测地震是不可能的事情。但从目前研究结果看来,或许对地震的预测不再是「不可能」。通过对余震以及微地震的准确预测,也许在不远的将来,大地震的预报难题能够被攻克。

天灾不可控,只愿我们能借现代技术的力量,让天灾不再对任何人造成伤害。

期待那么一天,基于机器学习的预测会有助于部署紧急服务,并为有余震风险的地区提供疏散计划。