以最佳精度分析地震信号的挑战随着可用地震数据的量而增长

以最佳精度分析地震信号的挑战随着可用地震数据的量而增长。在卡尔斯鲁厄理工学院(KIT)，研究人员已经部署了一个神经网络来确定地震波的到达时间，从而精确定位地震的震中。他们在“ 地震学研究快报 ”杂志的报告中指出，人工智能能够以与经验丰富的地震学家相同的精度评估数据。

为了精确定位地震事件，确定地震台站大部分地震波的准确到达时间(所谓的相位到达)至关重要。没有这方面的知识，就不可能进行更准确的地震评估。这种评估对于预测余震有时非常有用，余震有时会造成比最初的主要地震更严重的破坏。通过精确定位震中，甚至可以更好地区分发生在地球深处的物理过程，这反过来又可以推断出地球内部的结构。“我们的研究结果表明，人工智能可以显着改善地震分析 - 不仅可以支持大量数据，而且只有有限的数据集可用，”

记录的地震图的评估，称为相位拾取，有助于确定各个阶段的到达时间。传统上，这是一个手动程序。手动相位拣选的精度可能受到负责地震学家的主观性的影响。然而，最值得注意的是，由于地震数据的增加和地震计网络密度的增加，人工评估同时需要不可接受的时间和人力资源。为了快速利用所有可用数据，自动评估已成为必要。实际上，到目前为止开发的相位拾取算法无法提供经验丰富的地震学家通过手动拾取实现的精度 - 由于地震的形成和传播的极端复杂性，许多物理过程 作用于地震波场。

然而，人工智能(AI)能够在评估该数据时匹配人的精确度。现在，GPI，利物浦大学和格拉纳达大学的科学家已经揭示了这一点。根据他们在地震研究快报杂志上的报告，研究人员使用卷积神经网络(CNN)来确定智利地震网络中的相位发生。CNN受到生物神经系统的启发，并被安排在不同层次的相互连接的人工神经元中。在所谓的深度学习中，这是机器学习方法之一，检测和学习的功能从一个层传递到下一个层，在此过程中越来越精细化。

在地震期间，不同类型的地震波在地球中传播。主要类型称为压缩波或主波(P波)和剪切或二次波(S波)。首先，较快的P波到达地震台站，然后是较慢的S波。地震波可以记录在地震图中。研究人员使用一个覆盖智利北部411个地震事件的相对较小的数据集对CNN进行了培训。然后，CNN确定未知P相和S相的到达时间，同时将精确度作为经验丰富的地震学家与手动拣选相匹配，或者甚至提供比经典拣选算法更高的精度。