花蓮地震の20秒前に警報が鳴った 正確な地震予知はもう遠くない？

ディープラーニングやニューラルネットワークなどの機械学習テクノロジーを使用して地震問題を分析および研究すると、人間には見ることができない一部のデータ値を分析できます。余震や微小地震などの予測において、より高い精度が得られます。

4月18日13時1分、台湾の花蓮市でマグニチュード6.7の地震が突然発生した。これは台湾で過去20年間で最大の地震であり、台湾海峡に近い多くの地域で感じられた。幸いなことに、地震の際に偶発的な怪我は数件しかありませんでした。

報道によると、新北市は地震が感じられる20秒前に警報情報を受け取ったという。当時、元新北市「市長」朱立倫氏がインタビューを受けており、インタビュー画面には彼が早期警告を受けた時の様子も記録されていた。

映像内で事前に受信されるメッセージを地震速報といいます。地震発生後、通常は数十秒前に震源から遠く離れた地域に警報を発することを指します。この技術は成熟していますが、地震帯の端にある地域のみを助けることができ、震源地域は運命に委ねられます。

地震予測は緊急地震速報とは異なり、地震の発生前に時間、場所、規模を正確に予測し、事前に対策を講じることができます。しかし、地震の原因は複雑でデータも少ないため、今日に至るまで地震を正確に予測することはできません。

しかし、地震予知の問題はまだ解決されていないものの、近年、科学者がディープラーニングやニューラルネットワークなどの機械学習技術を使用して地震問題を分析、研究しようと試み始めており、良好な予知結果が出てきていることは喜ばしいことです。地震やその他の予測で達成されました。

ハーバード大学とグーグルが提携：機械学習で余震を予測

地震は、多くの場合、単独の地震ではなく、「本震」（通常はヘッドラインレベルの地震）の後に一連の「余震」が続きます。この余震は何度も発生しており、大きな余震は繰り返し大きな被害を引き起こす可能性があります。典型的な例は5月12日の汶川地震で、本震後に数万回の余震が発生し、救助活動に大きな脅威となった。

したがって、余震の検出も地震予知の重要な部分です。従来の方法では、余震の発生時期や規模を判断するための経験則や手法はいくつかありますが、正確な位置を予測することができず、運用にも煩雑な手順が必要となることが一般的でした。

ハーバード大学は、Google の機械学習の専門家と協力して、深層学習を使用して余震の位置を予測することを試みました。彼らの研究は画期的な進歩を遂げ、最終結果は2018年8月にNature誌に掲載されました。

彼らのデータベースには、世界中で発生した少なくとも 199 件の大地震に関する情報が含まれています。このデータベースに基づいて、彼らは主に本震と余震の位置によって引き起こされる静的応力変化の間の関係を分析するためにニューラル ネットワーク モデルを適用しました。このアルゴリズムにより、データ情報から有用なパターンを特定することができました。

彼らは最終的に最適な余震位置予測モデルを取得しました。このシステムはまだ改良の必要がありますが、これはこの方向へのさらなる前進を意味します。

この研究は、予期せぬ成果ももたらしました。それは、研究チームが地震研究にとって重要な、地震に関係する物理量を特定するのに役立ちました。ニューラル ネットワークをデータ セットに適用すると、予測を数値として受け取るのではなく、予測に重要な要素の特定の組み合わせについて洞察を得ることができます。

チームメンバーの一人であるミード氏はかつてこう説明した、「伝統的な地震学者はどちらかというと病理学者で、壊滅的な地震イベントの後に何が起こるかを研究している。私たちはそんなことはしたくないが、むしろ疫学者になりたいので、地震の引き金を理解したいと思っている」これらの出来事の要因と原因。」

将来的には、機械学習によって地震の背後にある謎が解明され、地震が引き起こす災害を軽減できることが期待されています。

550,000 の地震サンプルから予測する方法を学ぶ

ハーバード大学とグーグルが提案したAIモデルに基づいて、スタンフォード大学の研究者らも微小地震の検出と予測に焦点を当てた人工知能モデルを作成し、最終的に高い精度を達成しました。

微小地震、または低強度地震は、瞬間的なマグニチュードが 2.0 以下の地震です。これらの地震はそれほど破壊的ではありませんが、背景騒音、小さなイベント、誤った警報などの要因により、地震監視システムによって見逃されることがあります。

スタンフォード大学によって構築された Cnn-Rnn 地震検出器 (CRED) と呼ばれる AI モデルは、継続的に記録された履歴データを通じて微小地震情報を正確に抽出できます。

このシステムは 2 つのニューラル ネットワーク層で構成されています。畳み込みニューラル ネットワーク (CNN) とリカレント ニューラル ネットワーク (RNN)。 CNN は地震センサーから特徴を抽出しますが、RNN はメモリと入力データを組み合わせて予測の精度を向上させ、地震計のようなシーケンス特徴を学習します。

この 2 つが構成するのは、残りの学習フレームワーク、これは、多層ニューラル ネットワークで発生する可能性のある過剰適合などの問題を軽減するために行われます。このようにして、ニューラル ネットワークはデータセットからより詳細な特徴を学習しながら、精度を維持できます。さらに、最適化も容易になります。

地震検出 AI システムをトレーニングして検証するために、研究者らは 2011 年にアーカンソー州ガイ・グリーンブライアーから継続記録データを収集しました。これには、北カリフォルニアの 889 の監視ステーションに加えて、3,788 件のイベント、3 つの指標を備えた 550,000 件の 30 秒地震が含まれています。 。

550,000 データのうち 50,000 サンプルがパフォーマンスの評価に使用されます。その結果、地震の規模、局所的に発生するかどうか、または強い背景ノイズがあるかどうかに関係なく、ネットワーク モデルは地震信号を正確に識別できるようになります。さらに、AI が地震を検出するには部分的な記録のみが必要です。

Guy-Greenbrier データセットから連続データを取得し、コンピューターでトレーニングするのに 1 時間近くかかりましたが、このモデルは水圧破砕、廃水注入、プレートの動きによって引き起こされた 1,102 件の微小地震と大地震を検出しました。そのうち 77 件はこれまで記録されたことのないものでした。 。

報告書では、すべてのテストを通じて、学習モデルは広く導入されている 2 つの地震システムと比較して「優れた」パフォーマンスを示したと述べています。なぜなら、コンピューターモデルは人間には見ることができないいくつかのデータ値を分析できるからです。

また、モデルの拡張性も向上しました。彼らは、「トレーニング後、モデルは地震データ ストリームにリアルタイムで適用できます。スペクトル構造に基づく地震信号は、誤警報率が低い高解像度のモデリング方法です。」と書いています。

研究チームは、機械学習モデルは複数のセンサーに簡単に拡張でき、地殻活動が活発な地域をリアルタイムで監視できるほか、早期地震警報システムの基礎としても機能すると考えている。

小規模地震の判定が十分に正確であれば、その予測モデルが大地震の予測に活用される意義は大きい。

将来の地震予測は期待できるかもしれない

機械学習技術は、過去の地震のシミュレーション記録を保存するために幅広く使用できます。このデータを記録するメディアの劣化が進む中、地震学者はこの貴重な情報を保護するために時間との闘いに取り組んでいます。

研究者の中には、機械学習アルゴリズムを使用して地震データを精査し、地震の余震や火山の地震活動をより正確に特定し、巨大地震が発生する可能性のあるプレート境界の変形を示す微動の兆候を監視している人もいます。

また、機械学習技術を使用して地震の発生源を特定し、小規模な地震を環境内の他の地震「ノイズ」から区別している企業もいます。

長い間、一部の学者は地震を完全に予測することは不可能だと信じていました。しかし、現在の研究結果から判断すると、おそらく地震の予知はもはや「不可能」ではないのでしょう。余震や微小地震を正確に予測することで、おそらく近い将来、大地震の予測の問題は克服できるでしょう。

自然災害は制御できません。現代のテクノロジーの力を使って、自然災害が誰かに危害を与えるのを防ぐことができることを願うばかりです。

機械学習に基づく予測が、緊急サービスの展開や余震の危険がある地域への避難計画の提供に役立つ日を楽しみにしています。