Maskinlæring udvides for at hjælpe med at forudsige og karakterisere jordskælv

Med et voksende væld af seismiske data og computerkraft til deres rådighed, Seismologer henvender sig i stigende grad til en disciplin kaldet maskinlæring for bedre at forstå og forudsige komplicerede mønstre i jordskælvsaktivitet.

I et fokusafsnit offentliggjort i tidsskriftet Seismologiske forskningsbreve , forskere beskriver, hvordan de bruger maskinlæringsmetoder til at finpudse forudsigelser af seismisk aktivitet, identificere jordskælvscentre, karakterisere forskellige typer af seismiske bølger og skelne seismisk aktivitet fra andre former for jordstøj.

Maskinlæring refererer til et sæt af algoritmer og modeller, der gør det muligt for computere at identificere og udtrække informationsmønstre fra store datasæt. Maskinlæringsmetoder opdager ofte disse mønstre fra selve dataene, uden reference til den virkelige verden, fysiske mekanismer repræsenteret af dataene. Metoderne er blevet brugt med succes på problemer som digital billed- og talegenkendelse, blandt andre applikationer.

Flere seismologer bruger metoderne, drevet af "den stigende størrelse af seismiske datasæt, forbedringer i regnekraft, nye algoritmer og arkitektur og tilgængeligheden af ​​letanvendelige open source maskinlæringsrammer, "skriv fokussektionsredaktører Karianne Bergen fra Harvard University, Ting Cheng fra Los Alamos National Laboratory, og Zefeng Li fra Caltech.

Adskillige forskere bruger en klasse af maskinlæringsmetoder kaldet dybe neurale netværk, som kan lære de komplekse sammenhænge mellem enorme mængder inputdata og deres forudsagte output. For eksempel, Farid Khosravikia og kolleger ved University of Texas, Austin viser, hvordan en slags dybt neuralt netværk kan bruges til at udvikle jordbevægelsesmodeller for naturlige og inducerede jordskælv i Oklahoma, Kansas og Texas. Den usædvanlige karakter af det stigende antal jordskælv forårsaget af bortskaffelse af oliespildevand i regionen gør det vigtigt at forudsige jordens bevægelse for fremtidige jordskælv og muligvis afbøde deres indvirkning.

Maskinlæringsteknikker kan bruges i stigende grad i den nærmeste fremtid for at bevare analoge optegnelser af tidligere jordskælv. Efterhånden som det medie, som disse data er optaget på, gradvist forringes, seismologer er i et kapløb med tiden for at beskytte disse værdifulde optegnelser. Maskinlæringsmetoder, der kan identificere og kategorisere billeder, kan bruges til at fange disse data på en omkostningseffektiv måde, ifølge Kaiwen Wang fra Stanford University og kolleger, der testede mulighederne på analog seismograffilm fra U.S. Geological Survey's Rangely jordskælvskontroleksperiment.

Maskinlæringsmetoder er også allerede på plads i applikationer som MyShake, at høste og analysere data fra det crowdsourcede globale smartphone seismiske netværk, ifølge Qingkai Kong fra University of California, Berkeley og kolleger.

Andre forskere bruger maskinlæringsalgoritmer til at gennemsøge seismiske data for bedre at identificere jordskælv efterskælv, vulkansk seismisk aktivitet og til at overvåge den tektoniske rysten, der markerer deformation ved pladegrænser, hvor megathrust jordskælv kan forekomme. Nogle undersøgelser bruger maskinlæringsteknikker til at lokalisere jordskælvets oprindelse og til at skelne små jordskælv fra anden seismisk "støj" i miljøet.