新墨西哥州洛斯阿拉莫斯國家實驗室的研究人員正致力于利用一種能夠進行全球監(jiān)測的新機器學習算法進行地震探測。該研究利用干涉合成孔徑雷達（ InSAR ）衛(wèi)星數(shù)據(jù)探測慢滑地震。這項工作將幫助科學家更深入地了解慢地震和快地震之間的相互作用，這可能是未來預測地震事件的關鍵。

洛斯阿拉莫斯地球物理小組的地球物理學家貝特蘭·魯埃特·勒杜克在一份 新聞稿 報告中說：“將機器學習應用于 InSAR 數(shù)據(jù)，為我們了解構造斷層和地震背后的物理機制提供了一種新的途徑?！??！斑@對于理解地震行為的全譜至關重要。”

幾十年前發(fā)現(xiàn)的慢地震仍然有點神秘。它們發(fā)生在板塊之間的邊界，由于其緩慢和安靜的性質，可以持續(xù)數(shù)天到數(shù)月而不被發(fā)現(xiàn)。

地震通常發(fā)生在斷層因摩擦阻力而被鎖定的地區(qū)，科學家們認為，地震可能發(fā)生在大地震之前。 2011 年日本發(fā)生的 9.0 級地震也引發(fā)了海嘯和福島核災難，此前日本海溝發(fā)生了兩次緩慢的地震。

科學家們可以利用 InSAR 衛(wèi)星數(shù)據(jù)追蹤地震行為。雷達波具有穿透云層的優(yōu)點，并且在夜間也能有效工作，從而可以連續(xù)跟蹤地面變形。通過比較雷達圖像隨時間的變化，研究人員可以探測到地面運動。

但這些移動很小，現(xiàn)有的方法將地面變形測量限制在幾厘米以內。對全球故障系統(tǒng)的持續(xù)監(jiān)控也會產生大量數(shù)據(jù)流，這些數(shù)據(jù)流太多，無法手動解釋。

研究人員創(chuàng)建了深度學習模型，解決了這兩個局限性。該團隊在數(shù)百萬合成 InSAR 數(shù)據(jù)的時間序列上訓練卷積神經網(wǎng)絡，以自動檢測和提取地面變形。

使用分布在多個 NVIDIA GPU 上的 cuDNN – 加速 TensorFlow 深度學習框架，新方法在不事先知道故障位置或滑動行為的情況下運行。

圖 1 。對實際數(shù)據(jù)的應用顯示 2013 年北安納托利亞斷層發(fā)生緩慢地震。

為了測試他們的方法，他們將該算法應用于根據(jù)土耳其北安納托利亞斷層圖像構建的時間序列。作為一個主要的板塊邊界斷層，該地區(qū)在過去的一個世紀里曾多次破裂。

通過更精細的時間分辨率，該算法識別出了以前未檢測到的滑動事件，表明慢地震發(fā)生的頻率比預期的要高得多。它還發(fā)現(xiàn)了小到兩毫米的運動，這是專家們由于其微妙之處而忽略的。

“深度學習的使用解除了對變形事件斷層的檢測，其數(shù)量級比以前手動實現(xiàn)的數(shù)量級要小。觀察更多的慢滑事件反過來可能揭示它們與規(guī)則的動態(tài)地震的相互作用，包括慢變形地震的潛在成核?！濒敯Ｌ亍とR杜克說。

該團隊目前正在進行一項后續(xù)研究，在圣安德烈亞斯斷層上測試一個模型，該斷層延伸約 750 英里，穿過加利福尼亞州。據(jù)魯埃特·萊杜克稱，該模型不久將在 GitHub 上推出。

關于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷