進行三萬多次地震訓練后，他們發現了快速預測震動強度的新方法
大數據文摘出品
編譯：朱科錦
用來訓練DeepShake網絡的地震數據是來自于2019年加州Ridgecrest序列的地震記錄。DeepShake是由斯坦福大學的Daniel J. Wu、Avoy Datta、Weiqiang Zhu和William Ellsworth開發的。
當開發者使用7月5日7.1級Ridgecrest地震的實際晃動來測試DeepShake的潛力時，神經網絡在高強度地面晃動到來之前的7到13秒之間向Ridgecrest地區發出模擬警報。
研究者們強調了直接從地震記錄中使用深度學習進行快速預警和預測的新穎性。Datta解釋說，"DeepShake能夠跨越空間和時間的維度拾取地震波形中的信號。"
他補充說，DeepShake展示了機器學習模型在提高地震預警系統的速度和準確性方面的潛力。
Wu說："DeepShake旨在改進地震預警，它直接通過地面運動預計晃動幅度，跳過傳統的預警系統所使用的一些中間步驟。
Wu解釋說，許多預警系統首先確定地震位置和震級，然后根據地面運動預測方程計算出某一地點的地面運動。
他補充說：“這些步驟中的每一步都可能造成誤差，從而阻礙地震動預測。”
為了解決這個問題，DeepShake團隊轉向了神經網絡的方法。組成神經網絡的一系列算法是在沒有研究人員確定哪些信號對網絡的預測 "重要 "的情況下訓練出來的。該網絡直接從數據中學習哪些特征可以最佳地預測未來的搖晃強度。
Wu說："我們從構建其他用于地震學的神經網絡中注意到，它們可以學習各種有趣的東西，因此它們可能不需要地震的震中和震級來進行良好的預測，DeepShake是在預選的地震站臺網絡上訓練的，因此這些站臺的局部特征成為訓練數據的一部分。”
他說，"當從頭到尾訓練一個機器學習模型時，我們真的認為這些模型能夠利用這些額外的信息來提高準確性。"
Wu, Datta和他們的同事認為DeepShake是對加州運行的ShakeAlert 的補充，增加了地震預警系統的工具箱。Datta補充說："我們非常高興將DeepShake擴展到Ridgecrest以外的地區，并輔助我們現實世界中的工作，包括如癱瘓車站和網絡延遲之類的故障。"
相關報道：
https://www.seismosoc.org/news/deepshake-uses-machine-learning-to-rapidly-estimate-earthquake-shaking-intensity/
【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】
