所有文章 > 正文

突破!新算法可帮助地震学家预测地震

作者: Jansfer

时间: 2019-09-25 18:47

Johnson及其团队在本周在arxiv.org上发表的一篇论文中报告说,他们已经可以通过新算法提前几天预测地震。该项算法已在西北太平洋慢滑地震中进行了测试。

去年5月,华盛顿普吉特海湾(Puget Sound)发生了地震。地震始于奥林匹克山脉以下20多英里,并在几周内向西北漂移,到达加拿大的温哥华岛。然后,它在扭转了方向,又迁移回了美国边境之后,回归了平静。这场为期一个月的地震释放了大量的能量。这场地震所释放的能量使温哥华岛的南端向太平洋方向推进了近一个厘米。但是,由于地震在时间和空间上都很分散,因此可能没人会感受到。这些类型的地震发生在地下,比常规的快速地震更深,被称为“缓滑”。它们大约在太平洋西北地区每年发生一次,沿一段断层延伸。自2003年以来,该地区庞大的地震台站网络已经发现了十多个缓慢的滑动。在过去的一年半中,这些缓滑一直是地球物理学家Paul Johnson进行地震预报的重点。

Johnson的团队是少数几个使用机器学习来试图弄清楚即将发生地震的警告信号的小组之一 。现在,Johnson及其团队在本周在arxiv.org上发表的一篇论文中报告说,他们已经在西北太平洋慢滑地震中测试了其算法。该论文尚未经过同行评审,但外界专家称结果令人鼓舞。根据Johnson的说法,他们表示该算法可以将“缓慢滑移地震的开始”预测为“几天之内,甚至可能更好”。莱斯大学的地震学家Maarten de Hoop表示:“这是令人振奋的发展 。我认为这是第一次,我们确实在地震预测方面取得了进展”。斯坦福大学的地球物理学家Mostafa Mousavi称新结果“有趣且令人鼓舞”。de Hoop和其他领域的研究人员强调,机器学习在可靠地预测灾难性地震之前还有很长的路要走,其中有些障碍可能很难克服,即使不是不可能。尽管如此,在一个科学家奋斗了数十年,几乎看不到希望的领域中,机器学习可能是他们的最佳选择。

十多年前,约翰逊开始研究“实验室地震”,这种地震是由被细颗粒材料层隔开的滑块组成的。类似于构造板,这些块体不能平滑滑动,但可以顺畅地滑动:它们通常一次粘在一起几秒钟,通过摩擦力保持在适当的位置,直到剪切应力增大到足以使其突然滑动的程度。该滑移(地震的实验室版本)释放了应力,然后粘滑循环重新开始。科学家们共同制定了一个计划。他们将在每个实验运行过程中花费大约五分钟的音频记录,这其中包括大约20个粘滑周期,并将其切成许多小段。对于每个片段,研究人员计算了80多个统计特征,包括均值信号,该均值的变异以及有关该片段是否包含前兆事件的信息。因为研究人员是事后分析数据,所以他们也知道每个声音片段与随后的实验室故障之间已经经过了多少时间。

借助这些训练数据,他们使用了所谓的“随机森林”机器学习算法来系统地查找与故障之前剩余时间密切相关的功能组合。在看到了几分钟的实验数据之后,该算法可以开始仅基于声发射的特征来预测故障时间。Johnson和他的同事选择采用随机森林算法来预测下一次滑行之前的时间,部分原因是与神经网络和其他流行的机器学习算法相比,随机森林相对易于解释。该算法基本上像决策树一样工作,其中每个分支根据某种统计特征对数据集进行拆分。因此,该树保留了用于进行预测的算法的哪些特征的记录,以及每个特征在帮助算法得出这些预测的相对重要性方面的记录。经过长时间的研究,科研人员发现这实际上是一种信号如何围绕均值波动的一种度量,并且在整个粘滑周期中进行了广播,而不仅仅是在发生故障之前的那一刻。方差开始时很小,然后在上升到地震期间逐渐攀升,大概是由于块之间的晶粒在安装剪应力作用下彼此之间越来越不规则。只要知道了这种变化,该算法就可以对何时会发生滑动做出合理的猜测。有关前兆事件的信息有助于完善这些猜测。

但是,对于约翰逊而言,对于慢滑的研究还有另一个原因:因为它们会产生大量数据。为了进行比较,在过去的12年中,普吉特海湾和温哥华岛之间的断裂带没有发生重大的快速地震。而在同一时间跨度中,断层却产生了十几个缓滑带,每个都记录在详细的地震目录中。该地震目录与Johnson实验室地震实验中的录音在现实世界中相对应。就像处理声音记录一样,约翰逊和他的同事们将地震数据切成小段,并通过一套统计功能来表征每个段。然后,他们将该训练数据以及有关过去的慢滑事件的时间信息一起提供给他们的机器学习算法。在接受了2007年至2013年的数据训练后,该算法能够基于每个事件发生前几个月记录的数据,对2013年至2018年之间发生的慢滑做出预测。关键特征是地震能量,在实验室实验中,该能量与声信号的方差密切相关。像方差一样,在每次缓慢滑动之前,地震能量都以特征方式爬升。卡斯卡迪亚的预报不如实验室地震的预报准确。与新的结果相比,表征预测与观察结果的相关性的相关系数要明显低于实验室研究中的相关系数。约翰逊说,尽管如此,该算法仍能够预测出发生在2013年至2018年之间的五个缓慢滑移中的一个,几乎可以准确地预测出开始时间。(这项研究未包括2019年8月发生的缓慢延误。)对于de Hoop而言,最大的收获是“ 机器学习技术为我们提供了一条走廊,这是进入数据搜索以寻找我们从未发现或从未见过的事物的入口。”但他警告说,还有更多工作要做。“迈出了重要的一步,这是极其重要的一步。但这就像朝着正确方向迈出了一小步。”

地震预报的目标从来都不是预测慢滑。而是要预测会对生命和肢体构成危险的突如其来的地震。对于机器学习方法,这似乎是一个悖论:地震学家最希望能够预言的最大地震恰恰也是最罕见的。机器学习算法将如何获得足够的训练数据来自信地预测它们?最近的研究表明,小地震之前的地震模式在统计上与大地震类似,并且在任何一天,单个断层上可能会发生数十次小地震。受过数千个小型颤振器训练的计算机可能具有足够的通用性,可以预测大型颤振器。机器学习算法也可能能够在快速地震的计算机模拟上进行训练,未来的有一天可能将其用作真实数据的代理。即便如此,科学家们仍将面对这个发人深省的事实:尽管将断层推向地震边缘的物理过程是可以预见的,但实际上是由地震引发的,从小的地震扰动到成熟的断层破裂的增长,大多数科学家认为至少包含随机性元素。假设是这样,无论机器的训练水平如何,它们可能永远无法预测地震,科学家也无法预测其他自然灾害。而在最佳情况下,对大地震的预测可能会有数周,数月或数年的时间范围。譬如说,这样的预测可能无法用于协调地震发生前夕的大规模撤离。但是,它们可以提高公众的防范能力,帮助公职人员针对改造不安全的建筑物的目标,并减轻灾难性地震的危害。

参考:https://www.aimlmarketplace.com/read-ai-ml-blogs/ai-helps-seismologists-predict-earthquakes

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多