过去30多年，研究人员和政府机构用于预测地震余震的模型几乎没有变化。尽管这些传统模型在有限数据下表现良好，但它们难以处理如今庞大的地震学数据集。
为了解决这一问题，加州大学圣克鲁斯分校与慕尼黑工业大学的研究团队开发了一种新模型，利用深度学习进行余震预测：经常性地震预测(RECAST)。在今天发表在《地球物理研究快报》上的论文中，科学家们展示了深度学习模型在灵活性和可扩展性方面优于现有地震预测模型。
新模型的表现超越了当前流行的余震序列模型(ETAS)，该模型的地震目录约为10,000次或更多。
“ETAS模型是为我们在80年代和90年代的观测设计的，当时我们试图根据有限的观测建立可靠的预测，”该论文的第一作者、最近在加州大学圣克鲁斯分校完成博士学位的凯利安·达舍尔-库西诺表示。“如今的情况大为不同。”现在，借助更灵敏的设备和更大的数据存储能力，地震目录变得更加庞大和详细。
加州大学圣克鲁兹分校的地球和行星科学教授、该论文的合著者艾米丽·布罗茨基指出：“我们已经拥有数百万次地震的目录，旧模型根本无法处理如此庞大的数据。”实际上，这项研究的主要挑战之一并不是设计新的RECAST模型，而是让旧的ETAS模型在庞大的数据集上运行，以便进行比较。
达舍尔-库西诺表示：“ETAS模型有些脆弱，存在许多微妙和挑剔的地方，可能会导致失败。”因此，我们花了大量时间确保在实际模型开发中不会搞砸我们的基准。
他还提到，为了继续将深度学习模型应用于余震预测，该领域需要一个更好的基准系统。为了证明RECAST模型的能力，研究小组首先使用ETAS模型模拟地震目录。在处理合成数据后，研究人员使用南加州地震目录中的真实数据测试RECAST模型。
研究发现，RECAST模型——本质上能够学习如何学习——在预测余震方面比ETAS模型稍有优势，尤其是在数据量增加时。对于较大的目录，计算工作量和时间也显著更优。
达舍尔-库西诺表示，这并不是科学家们第一次尝试使用机器学习预测地震，但直到最近，这项技术尚未完全成熟。机器学习的新进展使RECAST模型更加准确，并更容易适应不同的地震目录。
该模型的灵活性为地震预报开辟了新的可能性。由于能够适应大量新数据，使用深度学习的模型可能会同时整合来自多个区域的信息，从而对研究不足的区域做出更好的预测。
达舍尔-库西诺表示：“我们或许可以在新西兰、日本和加利福尼亚进行训练，并建立一个模型，实际上对数据可能不那么丰富的地方进行预测。”
使用深度学习模型也将最终允许研究人员扩展他们用于预测地震活动的数据类型。
“我们一直在记录地面运动，”布罗茨基说。“所以下一步是实际使用所有这些信息，而不是担心我们是否称其为地震，而是使用所有信息。”
与此同时，研究人员希望这个模型能引发关于新技术可能性的讨论。
达舍尔-库西诺表示：“它具有所有与之相关的潜力。”“因为它就是这样设计的。”
本文来自作者[以莲]投稿，不代表依然号立场，如若转载，请注明出处：https://yrqmq.cn/cshi/202507-1612.html
评论列表（4条）
我是依然号的签约作者“以莲”！
希望本篇文章《深度学习助力地震学家提升地震预测能力》能对你有所帮助！
本站[依然号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：过去30多年，研究人员和政府机构用于预测地震余震的模型几乎没有变化。尽管这些传统模型在有限数据下表现良好，但它们难以处理如今庞大的地震学数据...