莱斯大学新算法生成了一个与地震前兆相关的波形图，这个图与震中的参考波形图相符。数据来自Nuugaatsiaq村滑坡发生前一天收集的三个地震图。 （图片来源：Nature Communications）
2017年，格陵兰岛发生了一场致命的滑坡。美国莱斯大学布朗工程学院的研究人员利用滑坡前收集的数据，在未来人类预测地震和火山爆发等地震事件中，展示出深度学习所能发挥的作用。
格陵兰岛峡湾发生大规模滑坡之前收集的地震数据，显示了一些微弱的信号，暗示那里即将有事发生，但没有人类分析家能及时将线索汇总预测。随之而来的海啸摧毁了Nuugaatsiaq村，造成4人死亡、9人受伤，11座建筑物被冲入海中。
Léonard Seydoux主导的一项研究中，他采用了莱斯工程师Maarten de Hoop和 Richard Baraniuk共同开发的技术。他曾是莱斯大学的访问学者，现任法国格勒诺布尔-阿尔卑斯大学助理教授。在《自然通讯》（Nature Communications）的开源报告里，他们展示了深度学习如何能快速处理地震工具提供的大量数据用以预测事件。
de Hoop在莱斯大学的地球、环境与行星科学系，擅长利用反演问题进行数学分析和深度学习。他说，人工智能（AI）的进步非常适合独立监视大量不断增加的地震数据。他说，AI除了处理数据之外，还有识别震群并检测背景噪声的能力，从而建立起专家可能因其模型偏差而无法识别的连接。
在Nuugaatsiaq村事件发生前几小时，附近的地震台站收集的数据中开始出现那些小信号。研究人员分析了2017年6月17日午夜到滑坡11:39pm前一分钟的数据，该滑坡体积达5100万立方米。
莱斯的这个算法显示出微弱但不断重复的波形，这是在原始地震记录中无法检测到的。这个信号约在事件发生前9小时开始，随着时间的推移而变强，最终发生了滑坡。
“我们的合著者来自法国格勒诺布尔大学的Piero Poli曾撰写过一篇前驱论文，用非AI的手段研究这个事件。”de Hoop说，“他们发现了一些他们认为我们也该了解的数据。由于该区域与许多其他噪声和构造活动是隔离的，所以这是我们可以用来试验我们想法的最原始的数据。”
图片来源：Pixabay
de Hoop准备继续分析哥斯达黎加（Costa Rica）的火山活动以测试该算法，还参与了NASA的InSight着陆器。该着陆器两年前就向火星表面提供了地震探测器。
“人们问我这项研究是否有意义，我的答案是非常有意义，这是向前迈出的重要一步。在此之后，我们才能预测到地震。我们还没有做好准备，但我认为这是最重要的方向之一，目前也很有前景。”
图片来源：Pixabay
五年前，de Hoop加入莱斯大学的时候，他带来了解决反演问题的专业知识，比如，反算数据寻找原因。Baraniuk是机器学习和压缩感知领域的专家，他可以从稀疏样本中提取有用的数据。他们一起组成了强有力的合作小组。
“这项研究最令人兴奋的不是当前结果，而是这一方法揭示了我们可以将机器学习应用在地球物理学上这一新的研究方向。”Baraniuk说。
de Hoop说：“我的专业背景在数学的深度学习上，而Rich在信号处理，这是两个截然相反的领域。但是在这项工作中，我们得以交汇。现在，我们给莱斯创造了极好的机会，使其可以应用自己的专业性，为地震学家搭建收集和整理碎片化信息的枢纽。现在我们有这么多数据，很难再有其他的处理方式。”
通过Simons Foundation Math + X Symposia，de Hoop希望提高莱斯大学在地震专业知识方面的声誉。该研讨会已经举办了几场有关太空探索和减轻火山和地震等自然灾害的活动。日期待定的第三项活动将研究深度学习在太阳系巨行星和系外行星上的应用。
翻译：周益安
审校：赵欢
引进来源：莱斯大学
京公网安备11010502039775号
