預測能力升級！機器學習模型有望“拿捏”難以捉摸的余震？

作者：李寶珠

編輯：李瑋棟、xixi，三羊

地震的發(fā)生涉及諸多變量，「預測」存在挑戰(zhàn)，但余震發(fā)生次數及強度的預測已取得重大進展。

2023 年 12 月 18 日 23 時 59 分，甘肅省臨夏州積石山縣發(fā)生 6.2 級地震，震源深度 10 公里，截至 19 日 06 時，當地就已經監(jiān)測到了 275 次余震。無獨有偶，日本石川縣能登半島于 2024 年 1 月 1 日下午發(fā)生 7.6 級地震，截至當地時間 2 日 6 時，地震烈度超 2 度的余震已發(fā)生 129 次。

（日本地震強度分級中的 2 表示：在建筑物中處于安靜狀態(tài)的人群中，很多都能感覺到搖晃。）

雖不似猝不及防的主震那般劇烈，但余震的威力也同樣不可小覷。一方面是因為強震的余震震級往往也不??；另一方面，余震帶來的二次破壞，可能會令原本已極為脆弱的建筑進一步被摧毀，致使更大面積的坍塌。

此外，頻繁的余震可能導致山體結構不穩(wěn)，如遇降水還可能造成山體滑坡、泥石流等次生地質災害。然而，余震通常也是不可預測的，因為在震后短時間內，很難確定主震會如何遠程觸發(fā)其他區(qū)域的斷裂帶。

其實，人們從未停止探索如何實現地震預測，尤其是 AI、大數據等技術所展現出的數據處理與推理能力，提供了更加靈活的解題思路，也取得了喜人的進展。Nature 記者 Alexandra Witze 此前曾在 Nature 發(fā)布報道，介紹了機器學習模型在預測地震余震及其強度方面的潛力。

原文鏈接：

https://www.nature.com/articles/d41586-023-02934-6

神經網絡加持下的預測模型創(chuàng)新

災難往往發(fā)生在電光火石之間，且難以憑借人力與之抗衡，所以人們才更加迫切地想要預測地震何時發(fā)生，從而提前撤離危險區(qū)域。雖然明確具體時間、地點的地震預測尚且很難實現，但余震預測卻在深度學習的加持下成為可能，這無疑也將在很大程度上幫助災后避難，并減小傷亡。

就像大語言模型需要通過數百萬的單詞、語句、段落等進行訓練一樣，訓練地震預測模型也需要大量過往的地震數據，以預測余震發(fā)生概率。但研究人員發(fā)現，想要通過罕見的大地震明確預測所需要的檢測指標，在實踐中并不容易。過去幾年，地震學家利用機器學習，發(fā)現了過往地震記錄中從未被發(fā)現過的小地震，從而豐富了現有數據，為第二輪機器學習分析提供了新的素材。

美國地質勘探局 (United States Geological Survey, USGS) 目前使用的預測模型，是根據過往地震的震級和發(fā)生地點來預測可能發(fā)生的地震。而目前有三篇論文均采用了基于神經網絡的預測方法，更好的捕捉了地震發(fā)生的復雜規(guī)律。

首先，加州大學伯克利分校的地球物理學家 Kelian Dascher-Cousineau 及同事，在 2008 年至 2021 年間南加州發(fā)生的數千次地震數據中測試了他們的模型。在預測兩周內滾動發(fā)生的地震次數方面，該模型優(yōu)于標準模型。此外，該模型還能更好地捕捉到可能發(fā)生的地震震級范圍，從而減少發(fā)生意外大地震的幾率。

目前，業(yè)內廣泛使用的地震演化模擬方法是 ETAS (epidemic-type aftershock sequence) 模型。

具體而言，該研究測試了主震的屬性，以及背景（深度、板塊邊界類型等）和震源（輻射能量、震源尺寸等）如何影響余震的數量，并將神經點過程模型 (neural-temporal point processes) 引入到標準地震預報框架中。

來源：Kelian Dascher-Cousineau 的 GitHub 個人主頁https://keliankaz.github.io/academic-profile/

其次，英國布里斯托爾大學應用統計學家 Samuel Stockman，也開發(fā)了基于神經點過程的模型，在對 2016-2017 年意大利中部的地震數據進行訓練時表現良好，并且，當研究人員降低訓練集中的地震震級時，該機器學習模型表現得更好。

該研究已經發(fā)表于 Earth’s Future。研究表明，神經點過程對低震級數據的預測性能優(yōu)于地震余震統計模型 ETAS (Epidemic-Type Aftershock Sequence)，且訓練速度快。

論文地址：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777

最后，以色列特拉維夫大學物理學家 Yohai Bar-Sinai 領導團隊開發(fā)了基于 encoder-decoder 的模型 FERN (Forecasting Earthquake Rates with Neural networks)，在對日本 30 年的地震數據進行測試時，該模型的表現也優(yōu)于標準模型。

模型體系架構

如上圖所示，模型輸入由神經網絡編碼，生成構造狀態(tài)的潛在表征，然后傳遞給解碼器網絡。其思路的優(yōu)勢在于，可以自然而然地納入不同的數據源和模式，并通過特定數據源編碼器添加到模型中。此外，同一編碼狀態(tài)可作為多個預測頭（解碼器）的輸入，用于不同的預測任務。該研究已發(fā)表于 Nature。

論文地址：https://www.nature.com/articles/s41598-023-38033-9

智能地動——AI 地震實時監(jiān)測系統

人們對「防患于未然」的期盼是推動地震預警系統持續(xù)升級的巨大動力，但我們首先要明確的是，目前已經落地應用并且持續(xù)迭代的是地震預警系統，而非地震預測。

兩者雖只是一字之差，但技術難度與實際效果卻迥然不同。地震預警，是指在地震發(fā)生以后，搶在地震波傳播到設防區(qū)域前，提前幾秒至數十秒向其發(fā)出警報，以告知人們采取應急措施，從而減少傷亡；地震預測，則是指對尚未發(fā)生、但有可能發(fā)生的地震事件進行預告。

圖源：微博@衝鋒號角

從不同區(qū)域的地面構成到地震板塊之間的相互作用類型，以及地震波通過地球傳播的方式，地震的評估涉及諸多變量，人們需要全面理解所有因素才能做出準確的判斷。所以，「預測」并非易事，但「預警」則不然。

帶入模型的視角看待「地震預警」，首先需要保障地震數據的及時輸入，其次是快速、準確地處理正在發(fā)生的地震數據，進而推斷斷層的破裂方向、速度等，最后再通過通信手段實時傳送至受災區(qū)域。這一過程堪比與死神賽跑，也僅能爭取到數秒的逃生時間。有數據顯示，當地震發(fā)生后，如果能夠提前3秒接收到地震預警信息，傷亡就會減少 14%，如果能提前 10 秒，傷亡就會減少 39%。

目前，全球多地都部署了地震預警系統，但接收預警信息的時間大多在 3-10 分鐘。日本 REIS 地震預警系統，可在收到地震波信號 5 秒鐘后計算出地震位置和震級，約 2 分鐘后估計出地震破裂的震源機制；美國國家地質勘探局的自動速報系統需要 3-5 分鐘報出地震信息；我國則在 2021 年發(fā)布了世界首個人工智能地震「實時」監(jiān)測系統——智能地動。

該系統由中國科學技術大學張捷教授團隊與中國地震局合作研發(fā)，可以在 1 秒鐘內獲得地震三要素——時（發(fā)震時刻）、空（震源位置）、強（地震震級），并獲得震源機制，即斷層破裂方向、速度等信息，從而實現地震信息的實時、自動檢測與發(fā)布。

究其原理，「智能地動」主要是基于深度學習能力，根據數據庫中匯集的上百萬個地震資料，結合地震學理論，快速處理正在發(fā)生的地震數據。

而更重要的是，在監(jiān)測到地震數據后，如何第一時間發(fā)出預警信息。

在本次甘肅地震中，積石山縣附近的西寧、成都等地均有用戶收到了手機地震預警，時間在 120 秒—240 秒不等，不少網友都在感嘆國產手機的強大，但其實功勞更應該歸功于成都高新減災研究所與中國地震局聯合建設的中國地震預警網提供了預警信息。其中，預警網提前 12 秒向距震中 56 千米的臨夏市發(fā)出預警，提前 29 秒向距震中 110 千米的蘭州市發(fā)出預警。

據成都高新減災研究所所長王暾介紹，地震預警技術的原理是電磁波的傳播遠快于地震波，在地震橫波到達預警目標區(qū)域之前，利用傳播速度更快的電磁波向可能受影響地區(qū)發(fā)出預警。目前，華為、小米等國產手機均已接入中國地震預警網的地震預警功能，這次也是中國地震預警網第 80 次預警破壞性地震。

人類在自然災害面前何其渺小，但隨著 AI、大數據、物聯網等技術的持續(xù)升級，我們也在用科技武裝自己、日益強大起來。伴隨新興技術的加速迭代，人們也將不斷優(yōu)化地震預警系統，并向著「預測地震」的目標努力！