Maskinlæring afdækker signaturen for langsomt glidende jordskælvs oprindelse i seismiske data

Gennemsøgning af historiske seismiske data, forskere, der bruger en maskinlæringsmodel, har afdækket distinkte statistiske træk, der markerer det formative stadie af langsom-glidende brud i jordskorpen måneder før rysten eller GPS-data opdagede et skred i de tektoniske plader. I betragtning af ligheden mellem slow-slip begivenheder og klassiske jordskælv, disse særskilte signaturer kan også hjælpe geofysikere med at forstå timingen af ​​de ødelæggende hurtigere jordskælv.

"Maskinlæringsmodellen fandt ud af, at tæt på slutningen af ​​den langsomme slip-cyklus, et øjebliksbillede af dataene er præget med grundlæggende oplysninger om den kommende fejl i systemet, " sagde Claudia Hulbert, en beregningsgeofysiker ved ENS og Los Alamos National Laboratory og hovedforfatter af undersøgelsen, offentliggjort i dag i Naturkommunikation . "Vores resultater tyder på, at brud med langsom glidning meget vel kan være forudsigelig, og fordi hændelser med langsom udskridning har meget til fælles med jordskælv, hændelser med langsom udskridning kan give en lettere måde at studere den fundamentale fysik af jordbrud."

Slow-slip hændelser er jordskælv, der blidt rasler jorden i dagevis, måneder, eller endda år, udsender ikke seismiske bølger med stor amplitude, og går ofte ubemærket hen af ​​den gennemsnitlige person. De klassiske jordskælv, de fleste kender til, sprænger jorden på få minutter. I et givet område sker de også sjældnere, gør de større jordskælv sværere at studere med de data-hungrende maskinlæringsteknikker.

Holdet så på kontinuerlige seismiske bølger, der dækker perioden 2009 til 2018 fra Pacific Northwest Seismic Network, som sporer jordens bevægelser i Cascadia-regionen. I denne subduktionszone, under en langsom udskridning, den nordamerikanske plade slinger sydvest over Juan de Fuca-pladen cirka hver 14. måned. Datasættet egner sig godt til metoden med overvåget maskinlæring udviklet i laboratorie-jordskælvseksperimenter af Los Alamos-teamets samarbejdspartnere og brugt til denne undersøgelse.

Holdet beregnede en række statistiske funktioner forbundet med signalenergi i signaler med lav amplitude, frekvensbånd, deres tidligere arbejde identificeret som de mest informative om det geologiske systems adfærd. Den vigtigste funktion til at forudsige langsom slip i Cascadia-dataene er seismisk kraft, som svarer til seismisk energi, især frekvensbånd, der er forbundet med hændelser med langsom slip. Ifølge avisen, langsom slip begynder ofte med en eksponentiel acceleration på fejlen, en kraft så lille, at den undgår detektering af seismiske sensorer.

"For de fleste begivenheder, vi kan se signaturerne på forestående brud fra uger til måneder før bruddet, " sagde Hulbert. "De ligner hinanden nok fra den ene begivenhedscyklus til den næste, så en model trænet på tidligere data kan genkende signaturerne i data fra flere år senere. Men det er stadig et åbent spørgsmål, om det her holder over længere tid."

Forskerholdets hypotese om signalet, der indikerer dannelsen af ​​en hændelse med langsom glidning, stemmer overens med andet nyligt arbejde af Los Alamos og andre, der opdager forhåndschok med lille amplitude i Californien. Dette arbejde fandt ud af, at prognoser i gennemsnit kan observeres to uger før de fleste jordskælv med en styrke på over 4.

Hulbert og hendes samarbejdspartneres overvågede maskinlæringsalgoritmer træner på de seismiske egenskaber beregnet ud fra den første halvdel af de seismiske data og forsøger at finde den bedste model, der kortlægger disse funktioner til den resterende tid før den næste langsom glidehændelse. Så anvender de det på anden halvdel af data, som den ikke har set.

Algoritmerne er gennemsigtige, hvilket betyder, at teamet kan se, hvilke funktioner maskinlæringen bruger til at forudsige, hvornår fejlen ville glide. Det giver også forskerne mulighed for at sammenligne disse funktioner med dem, der var vigtigst i laboratorieforsøg for at estimere fejltider. Disse algoritmer kan undersøges for at identificere, hvilke statistiske træk ved dataene, der er vigtige i modelforudsigelserne, og hvorfor.

"Ved at identificere de vigtige statistiske træk, vi kan sammenligne resultaterne med resultaterne fra laboratorieforsøg, som giver os et vindue til den underliggende fysik, " sagde Hulbert. "I betragtning af lighederne mellem de statistiske træk i dataene fra Cascadia og fra laboratorieeksperimenter, der synes at være fællestræk på tværs af friktionsfysikken, der ligger til grund for langsom glidebrud og kernedannelse. De samme årsager kan skalere fra det lille laboratoriesystem til det store omfang af Cascadia-subduktionszonen."

Los Alamos seismologihold, ledet af Paul Johnson, har udgivet adskillige artikler i de sidste par år, der er banebrydende i brugen af ​​maskinlæring til at udpakke fysikken bag jordskælv i laboratorieeksperimenter og seismiske data fra den virkelige verden.