创新的购物网站建设,python做问卷调查的网站,做项目挣钱的网站,企业门户网站开发要多少钱作者#xff1a;李宝珠 编辑#xff1a;李玮栋、xixi#xff0c;三羊 地震的发生涉及诸多变量#xff0c;「预测」存在挑战#xff0c;但余震发生次数及强度的预测已取得重大进展。 2023 年 12 月 18 日 23 时 59 分#xff0c;甘肃省临夏州积石山县发生 6.2 级地震…
作者李宝珠 编辑李玮栋、xixi三羊 地震的发生涉及诸多变量「预测」存在挑战但余震发生次数及强度的预测已取得重大进展。 2023 年 12 月 18 日 23 时 59 分甘肃省临夏州积石山县发生 6.2 级地震震源深度 10 公里截至 19 日 06 时当地就已经监测到了 275 次余震。无独有偶日本石川县能登半岛于 2024 年 1 月 1 日下午发生 7.6 级地震截至当地时间 2 日 6 时地震烈度超 2 度的余震已发生 129 次。
日本地震强度分级中的 2 表示在建筑物中处于安静状态的人群中很多都能感觉到摇晃。
虽不似猝不及防的主震那般剧烈但余震的威力也同样不可小觑。一方面是因为强震的余震震级往往也不小另一方面余震带来的二次破坏可能会令原本已极为脆弱的建筑进一步被摧毁致使更大面积的坍塌。
此外频繁的余震可能导致山体结构不稳如遇降水还可能造成山体滑坡、泥石流等次生地质灾害。然而余震通常也是不可预测的因为在震后短时间内很难确定主震会如何远程触发其他区域的断裂带。
其实人们从未停止探索如何实现地震预测尤其是 AI、大数据等技术所展现出的数据处理与推理能力提供了更加灵活的解题思路也取得了喜人的进展。Nature 记者 Alexandra Witze 此前曾在 Nature 发布报道介绍了机器学习模型在预测地震余震及其强度方面的潜力。 原文链接
https://www.nature.com/articles/d41586-023-02934-6
神经网络加持下的预测模型创新
灾难往往发生在电光火石之间且难以凭借人力与之抗衡所以人们才更加迫切地想要预测地震何时发生从而提前撤离危险区域。虽然明确具体时间、地点的地震预测尚且很难实现但余震预测却在深度学习的加持下成为可能这无疑也将在很大程度上帮助灾后避难并减小伤亡。
就像大语言模型需要通过数百万的单词、语句、段落等进行训练一样训练地震预测模型也需要大量过往的地震数据以预测余震发生概率。但研究人员发现想要通过罕见的大地震明确预测所需要的检测指标在实践中并不容易。过去几年地震学家利用机器学习发现了过往地震记录中从未被发现过的小地震从而丰富了现有数据为第二轮机器学习分析提供了新的素材。
美国地质勘探局 (United States Geological Survey, USGS) 目前使用的预测模型是根据过往地震的震级和发生地点来预测可能发生的地震。而目前有三篇论文均采用了基于神经网络的预测方法更好的捕捉了地震发生的复杂规律。
首先加州大学伯克利分校的地球物理学家 Kelian Dascher-Cousineau 及同事在 2008 年至 2021 年间南加州发生的数千次地震数据中测试了他们的模型。在预测两周内滚动发生的地震次数方面该模型优于标准模型。此外该模型还能更好地捕捉到可能发生的地震震级范围从而减少发生意外大地震的几率。
目前业内广泛使用的地震演化模拟方法是 ETAS (epidemic-type aftershock sequence) 模型。
具体而言该研究测试了主震的属性以及背景深度、板块边界类型等和震源辐射能量、震源尺寸等如何影响余震的数量并将神经点过程模型 (neural-temporal point processes) 引入到标准地震预报框架中。 来源Kelian Dascher-Cousineau 的 GitHub 个人主页https://keliankaz.github.io/academic-profile/
其次英国布里斯托尔大学应用统计学家 Samuel Stockman也开发了基于神经点过程的模型在对 2016-2017 年意大利中部的地震数据进行训练时表现良好并且当研究人员降低训练集中的地震震级时该机器学习模型表现得更好。 该研究已经发表于 Earth’s Future。研究表明神经点过程对低震级数据的预测性能优于地震余震统计模型 ETAS (Epidemic-Type Aftershock Sequence)且训练速度快。
论文地址https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777
最后以色列特拉维夫大学物理学家 Yohai Bar-Sinai 领导团队开发了基于 encoder-decoder 的模型 FERN (Forecasting Earthquake Rates with Neural networks)在对日本 30 年的地震数据进行测试时该模型的表现也优于标准模型。 模型体系架构
如上图所示模型输入由神经网络编码生成构造状态的潜在表征然后传递给解码器网络。其思路的优势在于可以自然而然地纳入不同的数据源和模式并通过特定数据源编码器添加到模型中。此外同一编码状态可作为多个预测头解码器的输入用于不同的预测任务。该研究已发表于 Nature。
论文地址https://www.nature.com/articles/s41598-023-38033-9
智能地动——AI 地震实时监测系统
人们对「防患于未然」的期盼是推动地震预警系统持续升级的巨大动力但我们首先要明确的是目前已经落地应用并且持续迭代的是地震预警系统而非地震预测。
两者虽只是一字之差但技术难度与实际效果却迥然不同。地震预警是指在地震发生以后抢在地震波传播到设防区域前提前几秒至数十秒向其发出警报以告知人们采取应急措施从而减少伤亡地震预测则是指对尚未发生、但有可能发生的地震事件进行预告。 图源微博衝鋒号角
从不同区域的地面构成到地震板块之间的相互作用类型以及地震波通过地球传播的方式地震的评估涉及诸多变量人们需要全面理解所有因素才能做出准确的判断。所以「预测」并非易事但「预警」则不然。
带入模型的视角看待「地震预警」首先需要保障地震数据的及时输入其次是快速、准确地处理正在发生的地震数据进而推断断层的破裂方向、速度等最后再通过通信手段实时传送至受灾区域。这一过程堪比与死神赛跑也仅能争取到数秒的逃生时间。有数据显示当地震发生后如果能够提前3秒接收到地震预警信息伤亡就会减少 14%如果能提前 10 秒伤亡就会减少 39%。
目前全球多地都部署了地震预警系统但接收预警信息的时间大多在 3-10 分钟。日本 REIS 地震预警系统可在收到地震波信号 5 秒钟后计算出地震位置和震级约 2 分钟后估计出地震破裂的震源机制美国国家地质勘探局的自动速报系统需要 3-5 分钟报出地震信息我国则在 2021 年发布了世界首个人工智能地震「实时」监测系统——智能地动。
该系统由中国科学技术大学张捷教授团队与中国地震局合作研发可以在 1 秒钟内获得地震三要素——时发震时刻、空震源位置、强地震震级并获得震源机制即断层破裂方向、速度等信息从而实现地震信息的实时、自动检测与发布。 究其原理「智能地动」主要是基于深度学习能力根据数据库中汇集的上百万个地震资料结合地震学理论快速处理正在发生的地震数据。
而更重要的是在监测到地震数据后如何第一时间发出预警信息。
在本次甘肃地震中积石山县附近的西宁、成都等地均有用户收到了手机地震预警时间在 120 秒—240 秒不等不少网友都在感叹国产手机的强大但其实功劳更应该归功于成都高新减灾研究所与中国地震局联合建设的中国地震预警网提供了预警信息。其中预警网提前 12 秒向距震中 56 千米的临夏市发出预警提前 29 秒向距震中 110 千米的兰州市发出预警。
据成都高新减灾研究所所长王暾介绍地震预警技术的原理是电磁波的传播远快于地震波在地震横波到达预警目标区域之前利用传播速度更快的电磁波向可能受影响地区发出预警。目前华为、小米等国产手机均已接入中国地震预警网的地震预警功能这次也是中国地震预警网第 80 次预警破坏性地震。
人类在自然灾害面前何其渺小但随着 AI、大数据、物联网等技术的持续升级我们也在用科技武装自己、日益强大起来。伴随新兴技术的加速迭代人们也将不断优化地震预警系统并向着「预测地震」的目标努力
