健康教育网
来自斯坦福科学家的新技术发现了长隐患的Quakes，以及有关地震如何发展的可能线索。
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。
地球振动的措施Zigged和Zagged在莫菲斯，Tenn的一天早晨，在孟菲斯，作为他在地球物理学博士学位研究的一部分，他坐在前一天晚上拍摄的扫描地震信号，验证了数十年的旧算法检测到真正的地震而不是震颤由崩溃的波浪，传递卡车或踩足球迷等普通物品产生。
“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载有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。
在最近发表于自然通信的一篇文章中，Mousavi和共同作者描述了一种使用人工智能的新方法，以聚焦了大量的地球上的这些细微的转变。“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·贝罗萨说论文的作者。
“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
专注于什么事
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。
本集团已生产一系列越来越强大的探测器。由Beroza和研究生Weiqiang Zhu开发的2018年型号称为PhaseNet，从医学图像处理的适应算法以阶段拣选，涉及识别两种不同类型的地震波的精确开始。2019年发布和被称为信誉的另一台机器学习模型是由虚拟助理系统中的语音触发算法启发，并证明有效地检测。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。
在自然通信论文中，作者报告他们开发了一种新模型，可以使用当前方法通常忽视的弱信号检测非常小的地震，并使用来自世界各地的地震数据来挑选地震阶段的精确时间。他们称之为地震变压器。
根据Mousavi的说法，模型在PhaseNet和Cred上建立，并“嵌入了从我手动完成所有这一切的那些见解。”具体而言，地震变压器模仿人类分析人员作为整体的一组摇摆，然后磨练了一小部分兴趣。
人们在日常生活中直观地做到这一点 - 调整较少的重要细节，以更专注于重要的事情。计算机科学家称之为“注意机制”，经常使用它来改善文本翻译。但是Mousavi说，它是自动地震检测领域的新手。“我想象，这个新一代的探测器和相位拾取器将是明年内部地震监测的标准，”他说。
该技术可以允许分析师专注于从更完整的地震目录中提取洞察力，避开他们的时间思考地震意味着什么，斯坦福地球地球科学的韦恩洛尔教授表示，贝诺·洛斯教授说。
隐藏的故障
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年洛马普里塔地震成为美国历史上最具破坏性的地震灾害之一，作为过去世纪北加州最大的地震灾害之一。在Loma Prieta的情况下，这是一个区分，在Loma Prieta的情况下略低于地震准备，危险测绘和建筑规范的差距 - 以及大地震的极度罕见。
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Loma Priota的苛刻课程之后，许多加州社区都依赖地依靠显示故障区和地震可能做出最大伤害的地区的地图。肉体与地震变压器和其他工具的过去地震的记录可以使这些地图更准确，并有助于揭示否则在较大的地震的破坏之后，否则在1989年发生的情况下，否则可能只能曝光的故障，以及1989年的洛马普里塔五年后，洛杉矶的大量6.7诺德里奇地震。
“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。
鸟取区的地震检测和位于地震区域。
确定地震的位置和幅度，现有算法和人类专家相似地寻找两种类型的波浪的到来。第一组，称为主要或P波，快速推动，推动，拉动和压缩地面，就像流过它一样。接下来来剪切或S波，这幅度慢得多，但它们可以更具破坏性，因为它们将地球移到侧或上下移动。
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，主要在过去的二十年中录制了大部分地震，不包括日本。对于考验，他们在日本地区举行的20年前选定了五周的连续数据，由凌乱 - 6.6托特尔地震及其余震。
检测到的模型和位于21,092场事件 - 两倍以上的地震人数，手工挑选的地震数量，使用日本科学家最初用于研究序列的57个站中只有18个。地震变压器对人类更加艰难地挑选的小地震而言证明是特别有效的，以压倒性的数字乘以抗震传感器。
“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。其他算法已经能够产生极其详细的地震目录，包括分析师错过的大量小地震 - 但它们的模式匹配算法仅在提供培训数据的区域中工作。
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。”
研究人员在历史数据上培训并测试了地震变压器，但该技术即将在发生的情况下立即向微小的地震标记。根据Beroza的说法，“在近实时机器学习的地震监测即将到来即将到来。”
参考：S. Mostafa Mousavi，William L. Ellsworth，Wieqiang Zhu，Lindsay Y. Cheroza，Lindsay Y.Beroza，Joereza，Joereza，Joereza，2020年8月7日，威廉L.·埃尔斯沃伊，威廉L.·Ellsworth，Wieqiang Zhu。 ：
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。
