Машинное обучение расширяет возможности для прогнозирования и характеристики землетрясений

Сейсмологи все чаще обращаются к методам машинного обучения для лучшего понимания и прогнозирования сложных закономерностей в сейсмической активности. Это стало возможным благодаря растущему объему сейсмических данных и вычислительной мощности.

В тематическом разделе журнала Seismological Research Letters исследователи описывают применение методов машинного обучения для уточнения прогнозов сейсмической активности, определения эпицентров землетрясений, характеристики различных типов сейсмических волн и отделения сейсмических событий от других видов фонового «шума». Популярность этих методов растет из-за увеличения объемов данных, роста вычислительных мощностей, новых алгоритмов и доступности открытых фреймворков.

Несколько исследований используют глубокие нейронные сети, способные находить сложные взаимосвязи в больших данных. Например, Фарид Хосравикия и его коллеги из Техасского университета в Остине показали, как с помощью такой сети можно создавать модели колебаний грунта для природных и индуцированных землетрясений в Оклахоме, Канзасе и Техасе. Это особенно важно для региона с растущим числом землетрясений, вызванных закачкой сточных вод нефтедобычи.

Методы машинного обучения также могут помочь в сохранении аналоговых записей прошлых землетрясений, носители которых постепенно разрушаются. Кайвэнь Ван из Стэнфордского университета и его коллеги протестировали эту возможность на сейсмографической пленке из эксперимента по контролю за землетрясениями в Рэнгли, проведенного Геологической службой США (USGS).

Кроме того, машинное обучение уже используется в таких приложениях, как MyShake, для сбора и анализа данных глобальной сейсмической сети смартфонов. Другие исследователи применяют алгоритмы для выявления афтершоков, вулканической активности и тектонического тремора на границах плит, где могут происходить мегаземлетрясения.