Ny teknologi finder længe skjulte jordskælv og mulige spor om, hvordan jordskælv udvikler sig

Målinger af Jordens vibrationer ziggede og zaggede hen over Mostafa Mousavis skærm en morgen i Memphis, Tenn. Som en del af sin ph.d. studier i geofysik, han sad og scannede jordskælvssignaler optaget natten før, at verificere, at årtier gamle algoritmer havde detekteret sande jordskælv snarere end rystelser genereret af almindelige ting som brusende bølger, forbipasserende lastbiler eller trampende fodboldfans.

"Jeg lavede alt dette kedelige arbejde i seks måneder, ser på løbende data, " Mousavi, nu forsker ved Stanford's School of Earth, Energi- og miljøvidenskab (Stanford Earth), husket for nylig. "Det var meningen, jeg tænkte, "Der skal være en meget bedre måde at gøre det her på."

Dette var i 2013. Håndholdte smartphones var allerede fyldt med algoritmer, der kunne nedbryde tale til lydbølger og komme med de mest sandsynlige ord i disse mønstre. Brug af kunstig intelligens, de kunne endda lære af tidligere optagelser for at blive mere nøjagtige over tid.

Seismiske bølger og lydbølger er ikke så forskellige. Man bevæger sig gennem sten og væske, den anden gennem luften. Men mens maskinlæring havde transformeret den måde, personlige computere behandler og interagerer med stemme og lyd, de algoritmer, der bruges til at detektere jordskælv i strømme af seismiske data, har næsten ikke ændret sig siden 1980'erne.

Det har efterladt en masse jordskælv uopdaget.

Store jordskælv er svære at gå glip af, men de er sjældne. I mellemtiden umærkeligt små skælv sker hele tiden. Forekommer på de samme fejl som større jordskælv - og involverer den samme fysik og de samme mekanismer - repræsenterer disse "mikroskælv" en cache af uudnyttet information om, hvordan jordskælv udvikler sig - men kun hvis videnskabsmænd kan finde dem.

I et nyligt papir offentliggjort i Naturkommunikation , Mousavi og medforfattere beskriver en ny metode til at bruge kunstig intelligens til at sætte fokus på millioner af disse subtile skift af Jorden. "Ved at forbedre vores evne til at opdage og lokalisere disse meget små jordskælv, vi kan få et klarere overblik over, hvordan jordskælv interagerer eller spreder sig langs forkastningen, hvordan de kommer i gang, selv hvordan de stopper, " sagde Stanford geofysiker Gregory Beroza, en af ​​avisens forfattere.

Fokus på det, der betyder noget

Mousavi begyndte at arbejde på teknologi til at automatisere jordskælvsdetektion kort efter hans ophold med at undersøge daglige seismogrammer i Memphis, men hans modeller kæmpede for at tune ud af støjen, der er forbundet med seismiske data. Et par år senere, efter at have sluttet sig til Berozas laboratorium i Stanford i 2017, han begyndte at tænke på, hvordan man løser dette problem ved hjælp af maskinlæring.

Koncernen har produceret en række stadig stærkere detektorer. En 2018-model kaldet PhaseNet, udviklet af Beroza og kandidatstuderende Weiqiang Zhu, tilpassede algoritmer fra medicinsk billedbehandling til at udmærke sig ved faseudvælgelse, som involverer at identificere den præcise start af to forskellige typer seismiske bølger. En anden maskinlæringsmodel, udgivet i 2019 og døbt CRED, var inspireret af stemme-trigger-algoritmer i virtuelle assistentsystemer og viste sig at være effektiv til detektion. Begge modeller lærte de grundlæggende mønstre af jordskælvssekvenser fra et relativt lille sæt seismogrammer, der kun er optaget i det nordlige Californien.

I den Naturkommunikation papir, Forfatterne rapporterer, at de har udviklet en ny model til at detektere meget små jordskælv med svage signaler, som nuværende metoder normalt overser, og at udvælge den præcise timing af de seismiske faser ved hjælp af jordskælvsdata fra hele verden. De kalder det Earthquake Transformer.

Ifølge Mousavi, modellen bygger på PhaseNet og CRED, og "indlejrer den indsigt, jeg fik fra dengang, jeg gjorde alt dette manuelt." Specifikt, Earthquake Transformer efterligner den måde, menneskelige analytikere ser på sættet af vrikker som en helhed og derefter skærpe ind på en lille del af interesse.

Folk gør dette intuitivt i dagligdagen – tuner mindre vigtige detaljer ud for at fokusere mere intenst på det, der betyder noget. Dataloger kalder det en "opmærksomhedsmekanisme" og bruger det ofte til at forbedre tekstoversættelser. Men det er nyt inden for automatiseret jordskælvsdetektion, sagde Mousavi. "Jeg forestiller mig, at denne nye generation af detektorer og fasevælgere vil være normen for jordskælvsovervågning inden for det næste år eller to, " han sagde.

Teknologien kunne give analytikere mulighed for at fokusere på at udvinde indsigt fra et mere komplet katalog over jordskælv, frigøre deres tid til at tænke mere over, hvad jordskælvsmønsteret betyder, sagde Beroza, Wayne Loel professor i geovidenskab ved Stanford Earth.

Skjulte fejl

At forstå mønstre i akkumulering af små rystelser gennem årtier eller århundreder kan være nøglen til at minimere overraskelser - og skader - når et større jordskælv rammer.

Loma Prieta-skælvet i 1989 rangerer som en af ​​de mest ødelæggende jordskælvskatastrofer i amerikansk historie, og som en af ​​de største, der har ramt det nordlige Californien i det seneste århundrede. Det er en sondring, der taler mindre om ekstraordinær magt i tilfældet med Loma Prieta end til huller i jordskælvsberedskab, farekortlægning og byggekoder – og til den ekstreme sjældenhed af store jordskælv.

Kun omkring hver femte af de omkring 500, 000 jordskælv detekteret globalt af seismiske sensorer hvert år producerer rystelser kraftige nok til, at folk kan lægge mærke til det. I et typisk år, måske 100 jordskælv vil forårsage skade.

I slutningen af ​​1980'erne, computere var allerede i gang med at analysere digitalt registrerede seismiske data, og de bestemte forekomsten og placeringen af ​​jordskælv som Loma Prieta inden for få minutter. Begrænsninger i både computere og bølgeformsdata, imidlertid, efterlod mange små jordskælv uopdagede og mange større jordskælv kun delvist målt.

Efter den barske lektion af Loma Prieta, mange lokalsamfund i Californien er kommet til at stole på kort, der viser fejlzoner og de områder, hvor jordskælv sandsynligvis vil gøre mest skade. At udfylde optegnelsen over tidligere jordskælv med Earthquake Transformer og andre værktøjer kunne gøre disse kort mere nøjagtige og hjælpe med at afsløre fejl, der ellers kun ville komme frem i kølvandet på ødelæggelsen fra et større jordskælv, som det skete med Loma Prieta i 1989, og med Northridge-jordskælvet på 6,7 i Los Angeles fem år senere.

"Jo mere information vi kan få om dybet, tredimensionel forkastningsstruktur gennem forbedret overvågning af små jordskælv, jo bedre kan vi forudse jordskælv, der lurer i fremtiden, " sagde Beroza.

Jordskælvs transformator

For at bestemme et jordskælvs placering og størrelse, eksisterende algoritmer og menneskelige eksperter ser efter ankomsttiden for to typer bølger. Det første sæt, kendt som primære eller P-bølger, gå hurtigt frem - skubbe, trækker og komprimerer jorden som en Slinky, mens de bevæger sig igennem den. Dernæst kommer forskydning eller S-bølger, som rejser langsommere, men kan være mere ødelæggende, da de flytter Jorden fra side til side eller op og ned.

For at teste Earthquake Transformer, holdet ønskede at se, hvordan det fungerede med jordskælv, der ikke er inkluderet i træningsdata, der bruges til at lære algoritmerne, hvordan et sandt jordskælv og dets seismiske faser ser ud. Træningsdataene inkluderede en million håndmærkede seismogrammer optaget for det meste over de sidste to årtier, hvor jordskælv sker globalt, undtagen Japan. Til testen, de udvalgte fem ugers kontinuerlige data registreret i Japan-regionen, der blev rystet for 20 år siden af ​​Tottori-jordskælvet med en styrke på 6,6 og dets efterskælv.

Modellen opdagede og lokaliserede 21, 092 hændelser - mere end to en halv gange antallet af jordskælv, der er udvalgt manuelt, ved hjælp af data fra kun 18 af de 57 stationer, som japanske videnskabsmænd oprindeligt brugte til at studere sekvensen. Jordskælvstransformer viste sig at være særlig effektiv til de små jordskælv, der er sværere for mennesker at udvælge og bliver registreret i overvældende antal, når seismiske sensorer formerer sig.

"Tidligere folk havde designet algoritmer for at sige, find P-bølgen. Det er et relativt simpelt problem, " forklarede medforfatter William Ellsworth, en forskningsprofessor i geofysik ved Stanford. Det er sværere at udpege starten på S-bølgen, han sagde, fordi den kommer frem fra de uberegnelige sidste gisp fra de hurtigt bevægende P-bølger. Andre algoritmer har været i stand til at producere ekstremt detaljerede jordskælvskataloger, inklusive et stort antal små jordskælv, som analytikere savner - men deres mønstermatchende algoritmer virker kun i den region, der leverer træningsdataene.

Med Earthquake Transformer kørende på en simpel computer, analyse, der normalt ville tage måneders ekspertarbejde, blev gennemført inden for 20 minutter. Denne hastighed er muliggjort af algoritmer, der søger efter eksistensen af ​​et jordskælv og timingen af ​​de seismiske faser i tandem, ved hjælp af information indsamlet fra hver søgning til at indsnævre løsningen for de andre.

"Earthquake Transformer får mange flere jordskælv end andre metoder, om det er folk, der sidder og prøver at analysere ting ved at se på bølgeformerne, eller ældre computermetoder, " sagde Ellsworth. "Vi får et meget dybere blik på jordskælvsprocessen, og vi gør det mere effektivt og præcist."

Forskerne trænede og testede Earthquake Transformer på historiske data, men teknologien er klar til at markere små jordskælv næsten lige så snart de sker. Ifølge Beroza, "Jordskælvsovervågning ved hjælp af maskinlæring i næsten realtid kommer meget snart."