Сравнение моделей машинного обучения для обнаружения землетрясений

Исследователи сравнили шесть моделей глубокого обучения для сейсмологии, чтобы выяснить, какие из них лучше всего справляются с обнаружением землетрясений, идентификацией фаз (P и S волн) и определением времени их прихода. В тестах на данных, схожих с обучающими, лучшие результаты по всем трём задачам показала модель Earthquake Transformer (EQTransformer), за ней следуют PhaseNet и Generalized Phase Detection (GPD).

Это исследование важно, потому что выбор подходящей модели машинного обучения для анализа сейсмических данных остаётся сложной задачей. В реальных условиях данные часто отличаются от тех, на которых модель обучалась. Авторы также оценили работу моделей в «кросс-доменной» настройке, используя для тестирования наборы данных, не участвовавшие в обучении. Модели показали относительно хорошие результаты, если расстояние до эпицентра (региональное или телесейсмическое) в обучающих и тестовых данных было схожим.

«В конечном итоге эти или другие новые модели глубокого обучения могут быть полезны для систем раннего обнаружения и предупреждения о землетрясениях», — отмечают авторы. Однако для этого необходимы дальнейшие исследования для оценки их работы в режиме реального времени. Бенчмарк, созданный командой на платформе SeisBench, позволит в будущем добавлять новые наборы данных и методы машинного обучения.