В тематическом разделе, опубликованном в журнале Seismological Research Letters, исследователи описывают, как они используют методы машинного обучения для уточнения прогнозов сейсмической активности, выявления очагов землетрясений, характеристики различных типов сейсмических волн и отделения сейсмической активности от других видов наземного "шума"."
Машинное обучение относится к набору алгоритмов и моделей, которые позволяют компьютерам определять и извлекать шаблоны информации из больших наборов данных. Методы машинного обучения часто обнаруживают эти закономерности на основе самих данных, без ссылки на реальные физические механизмы, представленные данными. Эти методы успешно использовались для решения таких задач, как распознавание цифровых изображений и речи, среди других приложений.
Все больше сейсмологов используют эти методы, движимые «увеличивающимся размером наборов сейсмических данных, улучшением вычислительной мощности, новыми алгоритмами и архитектурой, а также доступностью простых в использовании фреймворков машинного обучения с открытым исходным кодом», – пишут редакторы основного раздела Карианн Берген из Гарвардский университет, Тинг Ченг из Лос-Аламосской национальной лаборатории и Цефенг Ли из Калифорнийского технологического института.
Некоторые исследователи используют класс методов машинного обучения, называемых глубокими нейронными сетями, которые могут изучать сложные отношения между огромными объемами входных данных и их прогнозируемым выходом.
Например, Фарид Хосравикия и его коллеги из Техасского университета в Остине показывают, как один вид глубокой нейронной сети может быть использован для разработки моделей движения грунта для естественных и индуцированных землетрясений в Оклахоме, Канзасе и Техасе. Необычный характер растущего числа землетрясений, вызванных сбросом нефтяных сточных вод в регионе, делает необходимым прогнозирование движения грунта для будущих землетрясений и возможное смягчение их воздействия.
В ближайшем будущем методы машинного обучения могут все шире использоваться для сохранения аналоговых записей прошлых землетрясений. Поскольку носители, на которых записываются эти данные, постепенно ухудшаются, сейсмологи борются со временем, чтобы защитить эти ценные записи. По словам Кайвена Ванга из Стэнфордского университета и его коллег, методы машинного обучения, которые могут идентифицировать и классифицировать изображения, могут использоваться для получения этих данных с минимальными затратами.S.
Эксперимент по борьбе с землетрясениями Геологической службы.
По словам Кингкай Конга из Калифорнийского университета в Беркли и его коллег, методы машинного обучения также уже используются в таких приложениях, как MyShake, для сбора и анализа данных из глобальной сети сейсмических исследований для смартфонов.
Другие исследователи используют алгоритмы машинного обучения для анализа сейсмических данных, чтобы лучше идентифицировать афтершоки землетрясений, вулканическую сейсмическую активность и отслеживать тектонические толчки, которые отмечают деформации на границах плит, где могут произойти землетрясения.
В некоторых исследованиях используются методы машинного обучения, чтобы определять источники землетрясений и отличать небольшие землетрясения от других сейсмических «шумов» в окружающей среде.