花蓮地震前 20 秒就已報警，地震精準預測再也不遙遠？

使用深度學習、神經網絡等機器學習技術，去分析和研究地震問題，可以分析出人們看不到的一些數據價值。在諸如餘震、微地震的預測中，獲得更高的準確率。

4 月 18 日 13 時 01 分，臺灣花蓮忽然發生 6.7 級地震。這是近 20 年來臺灣地區最大的一次地震，靠近臺灣海峽的多個地區都有震感。所幸，此次地震中只有幾例意外受傷事件。

據媒體消息，這次地震震感抵達以前，新北市就提早 20 秒收到了預警信息。前新北市「市長」朱立倫當時正在接受採訪，採訪畫面也記錄下了他收到預警的那一幕。

視頻中提早收到的消息，稱爲地震預警。它是指在地震發生以後，提早向遠離震中的區域發送警報，一般提早幾十秒。雖然這項技術已經成熟，但也只能幫助到震區邊緣的地區，而震中區域只能聽天由命了。

與地震預警不一樣，地震預報是在地震未發生時，就能準確預測出地震時間、位置和等級，而後能提早安排好對策。但由於地震成因複雜，數據稀少，直到今天，咱們依然沒法準確預報地震。

據中國地震臺網公佈，全球幾乎天天都有地震發生

不過，使人欣慰的是，雖然對地震的預測問題沒被攻克，但近年來，科學家們已經開始嘗試使用深度學習、神經網絡等機器學習技術，去分析和研究地震問題，在諸如餘震，微地震等預報中，均取得了良好的預測效果。

哈佛與谷歌聯手：機器學習預測餘震

地震發生每每都不是單獨事件，在「主震」（一般是新聞頭條級別的事件）後每每伴隨着一系列 「餘震」。這些餘震數量衆多，大的餘震會帶來嚴重的重複傷害。典型的例子就是 5 · 12 汶川地震，主震以後發生餘震上萬次，對救援工做形成了很大的威脅。

因此對餘震的檢測也是地震預測中重要的一環。傳統的方法下，對餘震發生的時間和等級，有一些經驗性判斷規則和方法，但一般沒法準確預測位置，並且在操做中也須要繁瑣的程序。

哈佛大學與 Google 的機器學習專家合做，嘗試用深度學習來預測餘震發生的位置。他們的研究取得了突破性的進展，最終的結果發佈在 2018 年 8 月的 Nature 上。

1992 年南加州蘭德斯 7.3 級地震的直觀表示，其中多色部分表明最初的地震，紅色方框表明餘震位置 

他們的數據庫，包含了世界各地發生的至少 199 次的大地震的信息數據。根據這個數據庫，他們應用神經網絡模型，主要分析了主震和餘震位置引發的靜態應力變化之間的關係，該算法可以從數據信息中識別出有用的模式。

他們最終獲得了最優的餘震位置預報模型，雖然這個系統仍然有待完善，可是這意味着在這個方向又邁進了一步。

 預測蘭德斯地震餘震定位機率的分佈。深紅色表示預計會經歷餘震的區域。黑點是觀察到的餘震的位置，黃線表示在主震期間破裂的斷層

這項研究還獲得了一個意外的收穫：它幫助該團隊肯定了地震中涉及的物理量，這對地震研究很是重要。人們將神經網絡應用於數據集時，可以深刻洞察出對預測相當重要的特定因素組合，而不只僅是將預測結果視爲表面上的數值。

團隊成員之一 Meade 曾解釋道：「傳統的地震學家更像病理學家，他們研究災難性地震事件後會發生什麼。咱們不想作這些，而是更想成爲流行病學家，咱們想了解這些事件的誘發因素、緣由。」

期待在將來，機器學習能夠揭開地震背後的奧祕，並減小它帶來災害。

從 550000  個地震樣本中學會預測

在哈佛和谷歌提出的 AI 模型基礎上，斯坦福大學研究人員也建立了一我的工智能模型，專一於檢測和預報微地震，最終也獲得了很高的準確率。

微地震或稱低強度地震，是指瞬時震級在 2.0 或更小的震級，這種地震破壞性較小，但因爲背景噪聲，小事件和誤報等因素，它們有時會被地震監測系統所遺漏。

斯坦福大學構建的 AI 模型，被稱爲 Cnn-Rnn 地震探測器（ CRED ），能夠經過連續記錄的歷史數據，準確揪出微地震的信息。

這個系統由兩種神經網絡層組成：卷積神經網絡（ CNN ）和遞歸神經網絡（ RNN ）。CNN 從地震傳感器中提取特徵，而 RNN 能夠結合記憶和輸入數據，提升其預測的準確性，學習相似地震儀的序列特徵。

這二者構成了一個殘差學習框架，這麼作是爲了緩解多層神經網絡會出現的過擬和等問題。經過這樣的方式，神經網絡既可以保持它們的準確性，又可以從數據集中學習更多詳細特徵。此外，會更容易優化。

爲了訓練和驗證地震探測 AI 系統，研究人員採集了阿肯色州 Guy-Greenbrier ，在 2011 年的連續的記錄數據，其中包含 3,788 個事件，此外還有北加州 889 個監測站，550,000 個 時長 30 秒，包含 3 個指標的地震圖。

用於訓練的數據集統計

550000 個數據中的 50000 個樣本被用於評估性能。結果是不管地震等級大小，是否局部發生，有沒有很強的背景噪聲，網絡模型都可以準確的識別出地震信號。更重要的是，AI 只須要部分記錄就能檢測地震。

當從 Guy-Greenbrier 數據集中獲取連續數據時，該模型花費近一個小時在計算機上進行訓練，檢測到由水力壓裂，廢水注入和構造板塊運動引發的 1,102 次微地震和大地震，其中包括 77 次並未曾被記錄過的。

報告指出，在全部測試中，與兩個普遍部署的地震系統相比，學習模型展示了「優越」的性能。由於計算機模型能分析出人們看不到的一些數據價值。

使用不一樣算法檢測事件的幅度 - 頻率分佈，CERD 展示了「優越」的性能

此外，模型的可擴展性也獲得了提高。他們寫道，「經過訓練，模型能夠實時應用於地震數據流。而基於其光譜結構的地震信號，是一種高分辨率的建模方式，誤報率很小。」

該團隊認爲，機器學習模型能夠輕鬆擴展到多個傳感器，能夠在構造活動區域進行實時監控，也能夠做爲早期地震預警系統的基礎。

若是對微小地震的判斷足夠精確，那麼這對預報模型用在大地震的預測上，就有了重要的意義。

將來地震預報或可期

機器學習技術能夠被大量地用於保存過去地震的模擬記錄。隨着記錄這些數據的媒體逐漸退化，地震學家正在爭分奪秒地保護這些有價值的信息。

一些研究人員正在使用機器學習算法篩選地震數據，以更好地識別地震餘震，火山地震活動，並監測形成震動的預兆，這些震動標誌着可能發生巨大地震的板塊邊界的變形。

還有一些研究員，使用機器學習技術來定位地震起源並將小地震與環境中的其餘地震「噪聲」區分開來。

很長的一段時間裏，一部分學者都認爲徹底的預測地震是不可能的事情。但從目前研究結果看來，或許對地震的預測再也不是「不可能」。經過對餘震以及微地震的準確預測，也許在不遠的未來，大地震的預報難題可以被攻克。

天災不可控，只願咱們能借現代技術的力量，讓天災再也不對任何人形成傷害。

期待那麼一天，基於機器學習的預測會有助於部署緊急服務，併爲有餘震風險的地區提供疏散計劃。