DeepShake bruger maskinindlæring til hurtigt at estimere intensiteten af ​​jordskælvsrystelser

Et dybt spatiotemporalt neuralt netværk uddannet på mere end 36, 000 jordskælv tilbyder en ny måde til hurtigt at forudsige intensiteten af ​​jordrystelser, når et jordskælv er i gang, forskere rapporterer på Seismological Society of America (SSA) 's årlige møde i 2021.

DeepShake analyserer seismiske signaler i realtid og udsender avanceret advarsel om kraftig rystelse baseret på egenskaberne ved de tidligste detekterede bølger fra et jordskælv.

DeepShake blev udviklet af Daniel J. Wu, Avoy Datta, Weiqiang Zhu og William Ellsworth ved Stanford University.

Jordskælvsdataene, der blev brugt til at træne DeepShake -netværket, stammer fra seismiske optagelser af Ridgecrest i 2019, Californien sekvens. Da udviklerne testede DeepShakes potentiale ved hjælp af den faktiske omrystning af jordskælvet i Ridgecrest med størrelsesorden 7.1. det neurale netværk sendte simulerede advarsler mellem 7 og 13 sekunder før ankomsten af ​​højintensiv jordrystning til steder i Ridgecrest -området.

Forfatterne understregede nyheden ved at bruge dyb læring til hurtig tidlig advarsel og prognoser direkte fra seismiske optegnelser alene. "DeepShake er i stand til at opfange signaler i seismiske bølgeformer på tværs af rum og tids dimensioner, "forklarede Datta.

DeepShake demonstrerer potentialet i maskinlæringsmodeller til at forbedre hastigheden og nøjagtigheden af ​​jordskælvsvarslingssystemer, han tilføjede.

"DeepShake sigter mod at forbedre tidlige advarsler om jordskælv ved at lave sine rystelsesestimater direkte fra jordbevægelsesobservationer, afskære nogle af de mellemliggende trin, der bruges af mere traditionelle advarselssystemer, "sagde Wu.

Mange tidlige advarselssystemer bestemmer først jordskælvets placering og størrelse, og derefter beregne jordbevægelse for en placering baseret på jordbevægelsesforudsigelsesligninger, Wu forklarede.

"Hvert af disse trin kan indføre fejl, der kan forringe prognosen for jordrystelser, " han tilføjede.

For at løse dette, DeepShake -teamet henvendte sig til en tilgang til neuralt netværk. Serien af ​​algoritmer, der udgør et neuralt netværk, trænes uden at forskeren identificerer, hvilke signaler der er "vigtige" for netværket at bruge i sine forudsigelser. Netværket lærer, hvilke funktioner der optimalt forudsiger styrken ved fremtidig rysten direkte fra dataene.

"Vi har bemærket ved at bygge andre neurale netværk til brug i seismologi, at de kan lære alle mulige interessante ting, og derfor har de måske ikke brug for jordskælvets epicenter og størrelse for at lave en god prognose, "sagde Wu." DeepShake er uddannet på et forudvalgt netværk af seismiske stationer, så de lokale egenskaber ved disse stationer bliver en del af træningsdataene. "

"Når man træner en machine learning -model fra ende til anden, vi tror virkelig, at disse modeller er i stand til at udnytte disse yderligere oplysninger for at forbedre nøjagtigheden, " han sagde.

Wu, Datta og deres kolleger ser DeepShake som et supplement til Californiens operationelle ShakeAlert, tilføjelse til værktøjskassen til systemer til tidlig varsling af jordskælv. "Vi er virkelig begejstrede for at udvide DeepShake ud over Ridgecrest, og styrke vores arbejde for den virkelige verden, herunder fejlsager som f.eks. nedlagte stationer og høj netværksforsinkelse, "tilføjede Datta.