一天早上，在田纳西州孟菲斯，穆斯塔法·穆萨维的屏幕上出现了弯弯曲曲的地球震动测量。作为他的地球物理学博士研究的一部分，他坐在那里扫描了前一天晚上记录的地震信号，以证实几十年前的算法检测到了真实的地震，而不是由普通事物产生的震动，比如冲撞的海浪、经过的卡车或踩踏的球迷。
1989年10月发生在旧金山和蒙特雷湾地区的洛马普列塔地震主要发生在一个以前不为人知的断层上。(图片来源:J.K. Nakata，美国地质勘探局)
“我做了6个月这些乏味的工作，观察连续的数据，”穆萨维，现在是斯坦福大学地球、能源和amp学院的研究科学家。环境科学(斯坦福地球)最近回忆道。“这就是我想的重点，‘一定有更好的方法来做这些事情。’”
那是在2013年。手持智能手机已经安装了算法，可以将语音分解为声波，并以这些模式得出最有可能的单词。使用人工智能，它们甚至可以从过去的录音中学习，随着时间的推移，它们的准确率会越来越高。
地震波和声波并没有什么不同。一种通过岩石和流体，另一种通过空气。然而，尽管机器学习改变了个人电脑处理和与声音互动的方式，但自上世纪80年代以来，用于从地震数据流中检测地震的算法几乎没有改变。
这使得很多地震都没有被发现。
大地震是很难错过的，但也很罕见。与此同时，不知不觉的小地震一直在发生。这些“微震”与更大的地震发生在同样的断层上，涉及同样的物理原理和机制，这些“微震”代表了关于地震如何演变的尚未开发的信息——但前提是科学家能够找到它们。
在最近发表在《自然通讯》上的一篇论文中，穆萨维和他的合著者描述了一种利用人工智能聚焦地球上数百万微妙变化的新方法。“通过提高我们探测和定位这些非常小的地震的能力，我们可以更清楚地了解地震是如何相互作用或沿着断层扩散的，它们是如何开始的，甚至是如何停止的，”这篇论文的作者之一，斯坦福大学地球物理学家Gregory Beroza说。
关注重要的事情
穆萨维在孟菲斯做完每日地震记录的检查工作后不久，就开始研究自动化地震探测技术，但是他的模型很难排除地震数据固有的噪音。几年后，在2017年加入Beroza在斯坦福的实验室后，他开始思考如何使用机器学习来解决这个问题。
由地震变压器探测和定位鸟取县的地震。(图片来源:穆萨维等人，2020年自然通信)
该小组已经制造了一系列越来越强大的探测器。2018年，贝罗扎和研究生朱伟强开发了一个名为PhaseNet的模型，该模型改编了医学图像处理的算法，使其擅长于取相，取相涉及识别两种不同类型地震波的精确起始点。另一种机器学习模型于2019年发布，被称为CRED，其灵感来自于虚拟助理系统中的语音触发算法，并被证明在检测方面很有效。这两个模型都从仅在加州北部记录的一组相对较小的地震图中获取了地震序列的基本模式。
在《自然通讯》的论文中，这组作者报告说，他们已经开发了一种新的模型来探测带有微弱信号的非常小的地震，而目前的方法通常忽略了这些微弱信号，并且利用世界各地的地震数据来挑选出地震相的精确时间。他们叫它地震变压器。
根据穆萨维的说法，这个模型建立在PhaseNet和CRED的基础上，并且“嵌入了我手工做这些事情时得到的那些见解。”具体来说，《地震变形金刚》模拟了人类分析人员从整体上观察摆动的方式，然后再关注感兴趣的一小部分。
人们在日常生活中会凭直觉这样做——抛开不太重要的细节，更专注于重要的事情。计算机科学家称之为“注意机制”，并经常使用它来改善文本翻译。但穆萨维说，这对于自动地震探测领域来说是一种新技术。“我设想这种新一代的探测器和相位选择器将在未来一两年成为地震监测的标准，”他说。
这项技术可以让分析人员专注于从一个更完整的地震目录中提取洞察力，腾出时间来更多地思考地震的模式意味着什么，斯坦福地球科学韦恩·卢埃尔教授贝罗萨说。
隐而未现的过错
了解数十年或数百年小地震累积的模式，可能是在更大地震来袭时，将意外和损失最小化的关键。
1989年的洛马普列塔地震是美国历史上最具破坏性的地震灾害之一，也是上个世纪袭击加州北部的最大地震之一。这种区别并没有说明洛玛·普列塔地震的非凡威力，而是说明了在地震准备、危险地图和建筑规范方面的差距——以及大地震的极度罕见。
去网站看视频。
每年全球地震传感器检测到的大约50万次地震中，只有五分之一的地震产生了足以引起人们注意的震动。在一个典型的年份里，大约100次地震会造成破坏。
在20世纪80年代末，计算机已经开始分析数字记录的地震数据，并在几分钟内确定像洛马普列塔这样的地震的发生和位置。然而，由于计算机和波形数据的限制，许多小地震未被探测到，许多大地震仅部分测量到。
在洛马普列塔地震的惨痛教训之后，许多加州社区开始依赖显示断层带和地震可能造成最大破坏的地区的地图。充实的记录过去的地震与地震变压器和其他工具可以使这些地图更准确,有助于揭示断层,否则只光破坏之后,来自一个更大的地震,发生在1989年,洛马普列塔和里氏6.7级的北岭地震五年后在洛杉矶。
贝罗扎说:“通过改进对小地震的监测，我们可以获得更多关于深层三维断层结构的信息，我们就能更好地预测未来可能发生的地震。”
参见洛马普列塔地震中斯坦福大学受损的照片:
图片来源:Stacy H. Geiken
坠落的砖石损坏了纪念教堂的长椅。1989年洛马普列塔地震后，主四合院的许多拱门上都有支架。
地震损坏了纪念教堂的一个阳台栏杆。洛马普列塔地震破坏了绿色图书馆西大楼的室内穹顶和立柱。地震停止后，图书馆中有超过75万册图书需要重新上架，这项任务由工作人员和学生志愿者完成。在1989年的洛马普列塔地震中，校园里的书架像多米诺骨牌一样倒塌，成千上万册书被震倒在地。因地震而流离失所的学生涌进伯纳姆馆过夜。在洛马普列塔地震后，Beta宿舍的学生们在室外度过了第一个夜晚。图片来源:Ed Souza全屏
地震变压器
为了确定地震的位置和震级，现有的算法和人类专家都需要寻找两种波的到达时间。第一组波被称为初级波或P波，它们快速前进，在穿过地面时像弹簧一样推、拉和压缩地面。接下来是切变波或S波，它们的传播速度更慢，但当它们左右或上下移动地球时，破坏性更大。
为了测试地震变压器，该团队想看看它是如何处理那些不包括在训练数据中的地震的，这些数据是用来教算法一个真实的地震和它的地震相是什么样子的。培训数据包括100万份手工记录的地震记录，这些记录大多发生在过去20年间的全球范围内，其中不包括日本。为了进行测试，他们选择了日本20年前受6.6级鸟取县地震及其余震影响的地区连续5周的数据。
该模型探测并定位了21,092次
1地震，是人工挑选出的地震次数的2.5倍多，所用数据仅来自日本科学家最初用于研究地震序列的57个观测站中的18个。地震变压器被证明对微小地震特别有效，这些地震对人类来说更难识别，而且随着地震传感器的增多，大量的地震被记录下来。
“以前，人们设计的算法是为了寻找P波。这是一个相对简单的问题，”斯坦福大学地球物理学研究教授、合著者威廉·埃尔斯沃斯解释说。他说，要确定S波的起始点更为困难，因为它是在快速移动的P波最后不稳定的喘息中出现的。其他算法已经能够生成极其详细的地震目录，包括大量被分析人员遗漏的小地震——但它们的模式匹配算法只在提供训练数据的地区有效。
由于地震变压器在一台简单的计算机上运行，通常需要几个月的专家劳动才能完成的分析工作在20分钟内就完成了。这种速度之所以能够实现，是因为算法能够同时搜索地震是否存在和地震相的时间，利用从每次搜索中收集到的信息来缩小其他搜索的范围。
“地震变压器比其他方法遭受更多的地震，无论是人们坐在那里试图通过观察波形来分析东西，还是旧的计算机方法，”Ellsworth说。“我们对地震过程有了更深入的了解，而且做得更有效率、更准确。”
研究人员根据历史数据对地震变压器进行了训练和测试，但是这项技术已经准备好在发生微小地震时立即发出信号。Beroza说:“使用机器学习进行近实时地震监测的方法很快就会出现。”
贝罗扎是南加州地震中心(SCEC)的副主任，也是斯坦福诱发地震活动中心(SCITS)的副主任。安思华还是中国经济技术及信息化局的联席董事。合著者朱伟强是斯坦福地球研究所地球物理学研究生。合著者Lindsay Chuang就职于乔治亚理工学院。
这项研究得到了SCITS的支持。
要阅读所有关于斯坦福科学的报道，请订阅每两周一期的《斯坦福科学文摘》。
新闻旨在传播有益信息，英文原版地址：https://news.stanford.edu/2020/10/21/ai-detects-hidden-earthquakes/