Die Möglichkeiten Zur Vorhersage Der Nachbebenintensität Wurden Verbessert. Nature Veröffentlichte Einen Artikel, Der Bescheinigt, Dass Die Leistung Des Auf Neuronalen Netzwerken Basierenden Modells Besser Ist Als Die Des Herkömmlichen Modells
Autor: Li Baozhu
Herausgeber: Li Weidong, xixi, Sanyang
Das Auftreten von Erdbeben ist von vielen Variablen abhängig und ihre „Vorhersage“ ist eine Herausforderung. Dennoch wurden bei der Vorhersage der Anzahl und Intensität von Nachbeben erhebliche Fortschritte erzielt.
Am 18. Dezember 2023 um 23:59 Uhr ereignete sich im Kreis Jishishan, Präfektur Linxia, Provinz Gansu, ein Erdbeben der Stärke 6,2 mit einer Herdtiefe von 10 Kilometern. Bis 06:00 Uhr am 19. wurden vor Ort 275 Nachbeben registriert. Zufällig ereignete sich am Nachmittag des 1. Januar 2024 auf der Noto-Halbinsel in der Präfektur Ishikawa in Japan ein Erdbeben der Stärke 7,6. Bis 6:00 Uhr Ortszeit des 2. Januar gab es 129 Nachbeben mit einer Intensität von über 2 Grad.
(Eine 2 auf der Erdbebenintensitätsskala Japans bedeutet, dass viele Menschen in ruhigen Gebäuden das Beben spüren könnten.)
Obwohl die Kraft von Nachbeben nicht so heftig ist wie die des plötzlichen Hauptbebens, sollte sie nicht unterschätzt werden. Einerseits sind die Nachbeben eines starken Erdbebens oft von großer Stärke; Andererseits können die durch Nachbeben verursachten Sekundärschäden bereits äußerst fragile Gebäude noch weiter zerstören und zu einem Einsturz noch größerer Flächen führen.
Darüber hinaus können häufige Nachbeben die Gebirgsstruktur instabil machen und bei Niederschlag auch sekundäre geologische Katastrophen wie Erdrutsche und Schlammlawinen auslösen. Allerdings sind Nachbeben auch oft unvorhersehbar, da sich nur schwer bestimmen lässt, wie das Hauptbeben in der kurzen Zeitspanne nach dem Erdbeben aus der Ferne Verwerfungszonen in anderen Gebieten auslösen wird.
Tatsächlich hat man nie aufgehört, nach Möglichkeiten zur Erdbebenvorhersage zu forschen. Dabei kommt insbesondere den Datenverarbeitungs- und Argumentationsfähigkeiten von Technologien wie KI und Big Data zugute, die flexiblere Ideen zur Problemlösung ermöglicht und erfreuliche Fortschritte gebracht haben. Die Nature-Reporterin Alexandra Witze hat zuvor in Nature einen Bericht veröffentlicht, in dem sie das Potenzial von Modellen des maschinellen Lernens bei der Vorhersage von Erdbebennachbeben und ihrer Intensität vorstellt.
Originallink:
https://www.nature.com/articles/d41586-023-02934-6
Innovation von Vorhersagemodellen auf Basis neuronaler Netzwerke
Katastrophen ereignen sich oft blitzartig und sind mit menschlicher Kraft nur schwer zu bekämpfen. Daher legen die Menschen großen Wert darauf, den Zeitpunkt eines Erdbebens vorherzusagen, um gefährliche Gebiete rechtzeitig evakuieren zu können. Obwohl es immer noch schwierig ist, ein Erdbeben mit einer bestimmten Zeit und einem bestimmten Ort vorherzusagen, ist die Vorhersage von Nachbeben mithilfe von Deep Learning möglich geworden, was zweifellos die Evakuierung nach einer Katastrophe erheblich erleichtern und die Zahl der Opfer verringern wird.
So wie große Sprachmodelle mit Millionen von Wörtern, Sätzen, Absätzen usw. trainiert werden müssen, erfordert auch das Training von Erdbebenvorhersagemodellen eine große Menge an Daten zu vergangenen Erdbeben, um die Wahrscheinlichkeit von Nachbeben vorherzusagen. Forscher haben jedoch festgestellt, dass es in der Praxis nicht einfach ist, die für seltene große Erdbeben erforderlichen Erkennungsindikatoren eindeutig vorherzusagen. In den letzten Jahren haben Seismologen maschinelles Lernen eingesetzt, um kleine Erdbeben zu entdecken, die in früheren Erdbebenaufzeichnungen nie nachgewiesen wurden. Dadurch wurden vorhandene Daten angereichert und neues Material für die zweite Runde der maschinellen Lernanalyse bereitgestellt.
Das derzeit vom United States Geological Survey (USGS) verwendete Vorhersagemodell sagt mögliche Erdbeben auf Grundlage der Stärke und des Ortes vergangener Erdbeben voraus.Derzeit werden in drei Arbeiten Vorhersagemethoden auf Basis neuronaler Netzwerke angewendet, um die komplexen Gesetzmäßigkeiten der Erdbebenentstehung besser zu erfassen.
Erste,Kelian Dascher-Cousineau, Geophysikerin an der University of California in Berkeley, und ihre Kollegen testeten ihr Modell anhand von Daten von Tausenden von Erdbeben, die sich zwischen 2008 und 2021 in Südkalifornien ereigneten. Das Modell übertraf Standardmodelle bei der Vorhersage der Anzahl der Erdbeben, die sich über einen rollierenden Zwei-Wochen-Zeitraum ereignen würden. Darüber hinaus erfasst das Modell die Bandbreite möglicher Erdbebenstärken besser und verringert so die Wahrscheinlichkeit eines unerwartet großen Bebens.
Die derzeit in der Branche weit verbreitete Methode zur Simulation der Erdbebenentwicklung ist das ETAS-Modell (Epidemic-Type Aftershock Sequence).
Im Einzelnen wurden in der Studie die Eigenschaften des Hauptbebens untersucht sowie die Frage untersucht, wie sich Hintergrund (Tiefe, Plattengrenztyp usw.) und Quelle (abgestrahlte Energie, Quellengröße usw.) auf die Anzahl der Nachbeben auswirken. Außerdem wurde das neuronal-zeitliche Punktprozessmodell in das Standardrahmenwerk zur Erdbebenvorhersage eingeführt.
Quelle: Kelian Dascher-Cousineaus GitHub-Profil https://keliankaz.github.io/academic-profile/
Zweitens,Samuel Stockman, ein angewandter Statistiker an der University of Bristol im Vereinigten Königreich, hat ebenfalls ein auf neuronalen Punktprozessen basierendes Modell entwickelt, das beim Training mit Erdbebendaten aus Mittelitalien in den Jahren 2016–2017 gute Ergebnisse erzielte. Das maschinelle Lernmodell zeigte sogar noch bessere Ergebnisse, als die Forscher die Stärke der Erdbeben im Trainingssatz reduzierten.
Die Forschungsergebnisse wurden in Earth's Future veröffentlicht. Studien haben gezeigt, dass der Neural Point-Prozess bei Daten geringer Stärke eine bessere Vorhersageleistung aufweist als das statistische Erdbeben-Nachbebenmodell ETAS (Epidemic-Type Aftershock Sequence) und über eine schnelle Trainingsgeschwindigkeit verfügt.
Papieradresse:
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777
endlich,Yohai Bar-Sinai, ein Physiker an der Universität Tel Aviv in Israel, leitete ein Team, das ein Encoder-Decoder-basiertes Modell namens FERN (Forecasting Earthquake Rates with Neural networks) entwickelte. Auch bei Tests anhand von Erdbebendaten aus Japan über 30 Jahre schnitt das Modell besser ab als das Standardmodell.
Modellarchitektur
Wie in der obigen Abbildung gezeigt, wird der Modell-Input vom neuronalen Netzwerk codiert, um eine latente Darstellung des konstruierten Zustands zu generieren, die dann an das Decoder-Netzwerk übergeben wird. Der Vorteil dieses Ansatzes besteht darin, dass verschiedene Datenquellen und Muster auf natürliche Weise integriert und durch datenquellenspezifische Encoder zum Modell hinzugefügt werden können. Darüber hinaus kann derselbe Kodierungszustand als Eingabe für mehrere Vorhersageköpfe (Decoder) für unterschiedliche Vorhersageaufgaben verwendet werden. Die Forschungsergebnisse wurden in Nature veröffentlicht.
Papieradresse:
https://www.nature.com/articles/s41598-023-38033-9
Smart Earthquake – KI-basiertes Echtzeit-Erdbebenüberwachungssystem
Die Erwartung der Menschen, Katastrophen zu verhindern, bevor sie eintreten, ist eine große Triebkraft für die kontinuierliche Verbesserung der Erdbeben-Frühwarnsysteme. Doch zunächst müssen wir klarstellen, dassWas bereits in Betrieb genommen wurde und ständig weiterentwickelt wird, ist das Erdbeben-Frühwarnsystem, nicht die Erdbebenvorhersage.
Obwohl zwischen den beiden nur ein Buchstabe Unterschied besteht, sind die technischen Schwierigkeiten und die tatsächlichen Auswirkungen sehr unterschiedlich.Erdbeben-Frühwarnung,Das bedeutet, dass nach einem Erdbeben, bevor sich die seismischen Wellen auf das befestigte Gebiet ausbreiten, mehrere Sekunden bis Dutzende von Sekunden im Voraus ein Alarm ausgelöst wird, um die Menschen zu informieren und sie zu Notfallmaßnahmen zu animieren. Dadurch werden die Opferzahlen verringert.Erdbebenvorhersage,Es handelt sich dabei um die Vorhersage von Erdbebenereignissen, die noch nicht eingetreten sind, aber eintreten können.
Bildquelle: Weibo @冲鋒号角
Von der Zusammensetzung des Bodens in verschiedenen Gebieten bis hin zu den Wechselwirkungen zwischen seismischen Platten und der Art und Weise, wie sich seismische Wellen durch die Erde ausbreiten, spielen bei der Beurteilung eines Erdbebens so viele Variablen eine Rolle, dass man sie alle vollständig verstehen muss, um eine genaue Beurteilung vornehmen zu können. Eine „Vorhersage“ ist also nicht einfach, eine „Frühwarnung“ hingegen schon.
Betrachtet man die „Erdbebenfrühwarnung“ aus der Perspektive des Modells, müssen wir zunächst die rechtzeitige Eingabe von Erdbebendaten sicherstellen, dann die Daten der auftretenden Erdbeben schnell und genau verarbeiten, daraus auf die Richtung und Geschwindigkeit des Verwerfungsbruchs schließen und diese schließlich in Echtzeit über Kommunikationsmittel an das betroffene Gebiet übermitteln. Dieser Vorgang ist wie ein Wettlauf gegen den Tod und man kann sich nur wenige Sekunden Zeit verschaffen, um zu entkommen. Daten zeigen, dass sich die Zahl der Opfer bei einem Erdbeben um 14% verringert, wenn Erdbebenwarnungen 3 Sekunden im Voraus empfangen werden. Wenn es 10 Sekunden im Voraus empfangen werden kann, werden die Verluste um 39% reduziert.
Derzeit sind an vielen Orten auf der Welt Erdbeben-Frühwarnsysteme im Einsatz, die Zeit bis zum Erhalt der Warninformationen beträgt jedoch meist 3–10 Minuten. Das japanische Erdbeben-Frühwarnsystem REIS kann fünf Sekunden nach Empfang des seismischen Wellensignals den Ort und die Stärke eines Erdbebens berechnen und etwa zwei Minuten später den Ursprungsmechanismus des Erdbebenbruchs abschätzen. Das automatische Schnellmeldesystem des United States Geological Survey benötigt 3–5 Minuten, um Erdbebeninformationen zu melden. mein Land hat 2021 das weltweit erste Erdbebenüberwachungssystem in Echtzeit auf Basis künstlicher Intelligenz eingeführt – Smart Earthquake.
Das System wurde vom Team von Professor Zhang Jie an der University of Science and Technology of China in Zusammenarbeit mit der China Earthquake Administration entwickelt. Es kann die drei Elemente eines Erdbebens – Zeit (Zeitpunkt des Erdbebenauftretens), Raum (Ort des Epizentrums) und Stärke (Stärke des Erdbebens) – innerhalb von 1 Sekunde erfassen und den Epizentrumsmechanismus ermitteln, d. h. die Richtung und Geschwindigkeit des Verwerfungsbruchs, wodurch eine automatische Erkennung und Veröffentlichung von Erdbebeninformationen in Echtzeit ermöglicht wird.
Vom Prinzip her basiert „Smart Earthquake“ vor allem auf Deep-Learning-Fähigkeiten. Es verwendet Millionen von in der Datenbank gesammelten Erdbebendaten und kombiniert sie mit der seismologischen Theorie, um Daten zu auftretenden Erdbeben schnell zu verarbeiten.
Wichtiger ist, wie nach der Überwachung der Erdbebendaten möglichst bald Frühwarninformationen herausgegeben werden können.
Bei diesem Erdbeben in Gansu erhielten Benutzer in Xining, Chengdu und anderen Orten in der Nähe des Kreises Jishishan mobile Erdbebenwarnungen mit einer Vorlaufzeit von 120 bis 240 Sekunden. Viele Internetnutzer beklagten die Macht der inländischen Mobiltelefone, doch eigentlich gebührt dem chinesischen Erdbeben-Frühwarnnetz, das gemeinsam vom Chengdu High-tech Disaster Reduction Research Institute und der chinesischen Erdbebenbehörde aufgebaut wurde und Frühwarninformationen lieferte, mehr Anerkennung. Unter anderem gab das Frühwarnnetz 12 Sekunden im Voraus eine Frühwarnung an die 56 Kilometer vom Epizentrum entfernte Stadt Linxia und 29 Sekunden im Voraus eine Frühwarnung an die 110 Kilometer vom Epizentrum entfernte Stadt Lanzhou heraus.
Laut Wang Tun, Direktor des Chengdu High-tech Disaster Reduction Research Institute, beruht das Prinzip der Erdbeben-Frühwarntechnologie darauf, dass sich elektromagnetische Wellen viel schneller ausbreiten als seismische Wellen. Bevor die seismischen Scherwellen das Warnzielgebiet erreichen, werden elektromagnetische Wellen mit schnellerer Ausbreitungsgeschwindigkeit verwendet, um Warnungen an möglicherweise betroffene Gebiete auszugeben. Derzeit sind inländische Mobiltelefone wie Huawei und Xiaomi mit der Erdbebenwarnfunktion des chinesischen Erdbeben-Frühwarnnetzwerks verbunden. Dies ist zugleich das 80. Mal, dass das chinesische Erdbeben-Frühwarnnetzwerk vor einem verheerenden Erdbeben gewarnt hat.
Angesichts von Naturkatastrophen sind die Menschen so unbedeutend, doch durch die kontinuierliche Weiterentwicklung von Technologien wie KI, Big Data und dem Internet der Dinge rüsten wir uns technologisch auf und werden immer mächtiger. Mit der beschleunigten Iteration neuer Technologien werden die Menschen das Erdbeben-Frühwarnsystem weiter optimieren und auf das Ziel hinarbeiten, „Erdbeben vorherzusagen“!