Исследователи создали модель системы обнаружения землетрясений с улучшенными возможностями

Два исследователя из Университета Вайоминга разработали модель машинного обучения, которая повышает точность обнаружения землетрясений на 14,5% по сравнению с самой точной из существующих на сегодняшний день моделей. Метод, предложенный под руководством адъюнкт-профессора Педжмана Тамасеби, более эффективен в выявлении сейсмической активности.

Разработанная модель способна эффективно обрабатывать данные сигналов, записанных сейсмометрами. Она автоматически отличает сейсмические события, связанные с землетрясениями, от сейсмического шума и может приблизительно оценивать географическое место их возникновения. Ключевым улучшением является именно точность оценки местоположения.

Модель представляет собой комбинацию существующих моделей машинного обучения long short-term memory (LSTM) и fully convolutional network (FCN), которая ранее не использовалась. LSTM улавливает временную динамику данных, а FCN извлекает важные скрытые особенности сейсмических событий. Точность классификации новой модели составляет 89,1%. В то время как модель-аналог ConvNetQuake может классифицировать события только по шести крупным географическим регионам, разработка исследователей из Вайоминга локализует события с более высоким разрешением, разделяя ту же область на 15 субрегионов.

Эффективность модели была протестирована на сейсмических данных из Оклахомы, где в последние годы наблюдается увеличение числа землетрясений из-за сброса сточных вод. Обучающий набор данных включал 2 709 сейсмических событий и 700 039 записей сейсмического шума, а тестовый — 2 111 событий и 129 170 записей шума. Хотя модель пропустила три события, она реже ошибочно классифицировала шум как событие.

Как отмечает Педжман Тамасеби, результаты исследования применимы не только к проблеме землетрясений. Предложенный метод может быть использован для мониторинга вулканической активности, моделирования инфраструктуры, в области чистой энергетики, геотермальных систем и других задачах, где обработка больших данных является сложной задачей.