花莲地震前 20 秒就已报警,地震精准预测不再遥远?

栏目: 编程工具 · 发布时间: 5年前

内容简介:使用深度学习、神经网络等机器学习技术,去分析和研究地震问题,能够分析出人们看不到的一些数据价值。在诸如余震、微地震的预测中,得到更高的准确率。4 月 18 日 13 时 01 分,台湾花莲突然发生 6.7 级地震。这是近 20 年来台湾地区最大的一次地震,靠近台湾海峡的多个地区都有震感。所幸,这次地震中只有几例意外受伤事件。据媒体消息,此次地震震感抵达之前,新北市就提前 20 秒收到了预警信息。前新北市「市长」朱立伦当时正在接受采访,采访画面也记录下了他收到预警的那一幕。

使用深度学习、神经网络等机器学习技术,去分析和研究地震问题,能够分析出人们看不到的一些数据价值。在诸如余震、微地震的预测中,得到更高的准确率。

4 月 18 日 13 时 01 分,台湾花莲突然发生 6.7 级地震。这是近 20 年来台湾地区最大的一次地震,靠近台湾海峡的多个地区都有震感。所幸,这次地震中只有几例意外受伤事件。

据媒体消息,此次地震震感抵达之前,新北市就提前 20 秒收到了预警信息。前新北市「市长」朱立伦当时正在接受采访,采访画面也记录下了他收到预警的那一幕。

视频中提前收到的消息,称为地震预警。它是指在地震发生之后,提前向远离震中的区域发送警报,通常提前几十秒。虽然这项技术已经成熟,但也只能帮助到震区边缘的地区,而震中区域只能听天由命了。

与地震预警不同,地震预报是在地震未发生时,就能准确预测出地震时间、位置和等级,然后能提前安排好对策。但因为地震成因复杂,数据稀少,直到今天,我们依然无法准确预报地震。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?
据中国地震台网公布,全球几乎每天都有地震发生

不过,令人欣慰的是,虽然对地震的预测问题没被攻克,但近年来,科学家们已经开始尝试使用深度学习、神经网络等机器学习技术,去分析和研究地震问题,在诸如余震,微地震等预报中,均取得了良好的预测效果。

哈佛与谷歌联手:机器学习预测余震

地震发生往往都不是单独事件,在「主震」(通常是新闻头条级别的事件)后往往伴随着一系列 「余震」。这些余震数量众多,大的余震会带来严重的重复伤害。典型的例子就是 5 · 12 汶川地震,主震之后发生余震上万次,对救援工作造成了很大的威胁。

所以对余震的检测也是地震预测中重要的一环。传统的方法下,对余震发生的时间和等级,有一些经验性判断规则和方法,但通常无法准确预测位置,而且在操作中也需要繁琐的程序。

哈佛大学与 Google 的机器学习专家合作,尝试用深度学习来预测余震发生的位置。他们的研究取得了突破性的进展,最终的结果发布在 2018 年 8 月的 Nature 上。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?
1992 年南加州兰德斯 7.3 级地震的直观表示,其中多色部分代表最初的地震,红色方框代表余震位置 

他们的数据库,包含了世界各地发生的至少 199 次的大地震的信息数据。根据这个数据库,他们应用神经网络模型,主要分析了主震和余震位置引起的静态应力变化之间的关系,该算法能够从数据信息中识别出有用的模式。

他们最终得到了最优的余震位置预报模型,虽然这个系统仍然有待完善,但是这意味着在这个方向又迈进了一步。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?
 预测兰德斯地震余震定位概率的分布。深红色表示预计会经历余震的区域。黑点是观察到的余震的位置,黄线表示在主震期间破裂的断层

这项研究还得到了一个意外的收获:它帮助该团队确定了地震中涉及的物理量,这对地震研究非常重要。人们将神经网络应用于数据集时,能够深入洞察出对预测至关重要的特定因素组合,而不仅仅是将预测结果视为表面上的数值。

团队成员之一 Meade 曾解释道:「传统的地震学家更像病理学家,他们研究灾难性地震事件后会发生什么。我们不想做这些,而是更想成为流行病学家,我们想了解这些事件的诱发因素、原因。」

期待在未来,机器学习可以揭开地震背后的奥秘,并减少它带来灾害。

从 550000  个地震样本中学会预测

在哈佛和谷歌提出的 AI 模型基础上,斯坦福大学研究人员也创建了一个人工智能模型,专注于检测和预报微地震,最终也得到了很高的准确率。

微地震或称低强度地震,是指瞬时震级在 2.0 或更小的震级,这种地震破坏性较小,但由于背景噪声,小事件和误报等因素,它们有时会被地震监测系统所遗漏。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?

斯坦福大学构建的 AI 模型,被称为 Cnn-Rnn 地震探测器( CRED ),可以通过连续记录的历史数据,准确揪出微地震的信息。

这个系统由两种神经网络层组成: 卷积神经网络( CNN )和递归神经网络( RNN )。 CNN 从地震传感器中提取特征,而 RNN 可以结合记忆和输入数据,提高其预测的准确性,学习类似地震仪的序列特征。

这两者构成了一个 残差学习框架, 这么做是为了缓解多层神经网络会出现的过拟和等问题。通过这样的方式,神经网络既能够保持它们的准确性,又能够从数据集中学习更多详细特征。此外,会更容易优化。

为了训练和验证地震探测 AI 系统,研究人员采集了阿肯色州 Guy-Greenbrier ,在 2011 年的连续的记录数据,其中包含 3,788 个事件,此外还有北加州 889 个监测站,550,000 个 时长 30 秒,包含 3 个指标的地震图。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?
用于训练的数据集统计

550000 个数据中的 50000 个样本被用于评估性能。结果是无论地震等级大小,是否局部发生,有没有很强的背景噪声,网络模型都能够准确的识别出地震信号。更重要的是,AI 只需要部分记录就能检测地震。

当从 Guy-Greenbrier 数据集中获取连续数据时,该模型花费近一个小时在计算机上进行训练,检测到由水力压裂,废水注入和构造板块运动引起的 1,102 次微地震和大地震,其中包括 77 次并不曾被记录过的。

报告指出,在所有测试中,与两个广泛部署的地震系统相比,学习模型展现了「优越」的性能。因为计算机模型能分析出人们看不到的一些数据价值。

花莲地震前 20 秒就已报警,地震精准预测不再遥远?
使用不同算法检测事件的幅度 - 频率分布,CERD 展现了「优越」的性能

此外, 模型的可扩展性也得到了提升 他们写道,「通过训练,模型可以实时应用于地震数据流。而基于其光谱结构的地震信号,是一种高分辨率的建模方式,误报率很小。」

该团队认为,机器学习模型可以轻松扩展到多个传感器,可以在构造活动区域进行实时监控,也可以作为早期地震预警系统的基础。

如果对微小地震的判断足够精确,那么这对预报模型用在大地震的预测上,就有了重要的意义。

未来地震预报或可期

机器学习技术可以被大量地用于保存过去地震的模拟记录。随着记录这些数据的媒体逐渐退化,地震学家正在争分夺秒地保护这些有价值的信息。

一些研究人员正在使用机器学习算法筛选地震数据,以更好地识别地震余震,火山地震活动,并监测造成震动的预兆,这些震动标志着可能发生巨大地震的板块边界的变形。

还有一些研究员,使用机器学习技术来定位地震起源并将小地震与环境中的其他地震「噪声」区分开来。

很长的一段时间里,一部分学者都认为完全的预测地震是不可能的事情。但从目前研究结果看来,或许对地震的预测不再是「不可能」。通过对余震以及微地震的准确预测,也许在不远的将来,大地震的预报难题能够被攻克。

天灾不可控,只愿我们能借现代技术的力量,让天灾不再对任何人造成伤害。

期待那么一天,基于机器学习的预测会有助于部署紧急服务,并为有余震风险的地区提供疏散计划。


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

年入10万,17岁草根少年的网赚实战

年入10万,17岁草根少年的网赚实战

陶秋丰 / 重庆出版集团 / 2009-3 / 28.00元

《年入10万:17岁草根少年的网赚实战》以一个17岁的在校大学生的真实故事为大家讲述草根少年的网络赚钱之旅。随着网络的普及以及网上应用的日益增多,要在网络上谋生并不难,比如网上写稿、网上兼职、威客赚钱、网上开店等,然而要利用互联网赚大钱,并成就一番事业,那么创建并运营一个独立的网站就是一个绝佳的选择。本书的作者正是经历了“网上写稿一网上各类兼职一策划并创建网站一网站推广与运营一年入10万”这一过程......一起来看看 《年入10万,17岁草根少年的网赚实战》 这本书的介绍吧!

RGB转16进制工具
RGB转16进制工具

RGB HEX 互转工具

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码