【儀表網 儀表下游】快速自動化采集分析地震震源信息對震后趨勢判定、烈度速報、地震應急救援等提供科學依據。但從地震記錄推算地震震源機制是個耗時的計算過程，目前世界各地地震監測臺網在速報信息里只有發震時刻、震級、地點和震源深度等內容，不包括描述地震破裂特征的震源機制解參數。
日前，美國國家工程院院士、中國科學技術大學地空學院大師講席教授張捷課題組發表在《自然—通訊》的一項研究顯示，利用深度學習算法，人工智能系統可在收到地震記錄后不到1秒時間內，準確估算出震源機制解參數。
從地震震源參數來說，海底逆沖類型地震可能會掀起海浪，造成海嘯，而其他類型地震產生海嘯的可能性比較小。
震源機制解(又稱斷層面解)，是利用地震觀測資料來研究地震發生時，震源處作用力和斷層錯動性質。震源機制解不僅可以幫助了解斷層的類型，還可以揭示斷層在地震發生時具體的運動情況，描述滑斷面的特征，走向、傾向、傾角等。
除能幫助預測海嘯外，震源機制解還可能用于由前震預測主震，或由主震資料預測強余震，揭示震源附近的應力分布狀況等。從地震記錄推算地震震源機制的難點在于，傳統方法計算強度太大。該數值解非線性問題，計算時間長。對地震發生前后各種應對準備及震后搶險救災來說，每一秒都非常珍貴。
1938年，地震學家第一次開始推算地震震源機制解。自那以后，快速得出震源機制參數一直是地震研究者想解決的問題。時至今日，世界各地地震監測臺網在地震速報信息時，仍不包括震源機制參數。研究人員往往在地震發生幾分鐘或更長時間后，才能報出震源機制參數。
2014年，張捷課題組與中國科大計算機學院教授陳恩紅課題組合作，用互聯網搜索引擎技術，實現了快速報出數據庫里存好的震源機制解。隨后，該方法在四川、云南投入地震監測，成為當時先進的震源機制解速報技術。但該方法受數據庫約束，難以應用于較大的地震監測區域。
在這一領域持續耕耘了7年后，課題組利用人工智能方法，突破了數據庫的約束，使該方法適用于大區域地震監測。目前，美、日等國速報震源參數水平相當。美國國家地震局能在震后3分鐘報出初的地震震源機制解，隨后幾分鐘內有可能再進行修正完善，多數情況是在地震發生10分鐘以后才能報出。
“在這項研究中，我們利用深度機器學習算法，提出一種新的深度卷積神經網絡——震源機制網絡(FMNet)，利用全波形信息快速估計震源機制。”該論文第一作者、已在美國斯坦福大學地球物理系從事博士后研究的況文歡對《中國科學報》說，“與一般應用中有監督神經網絡模型的訓練需要大量的實際數據不同，FMNet可以先用合成數據訓練，然后直接應用于實際數據。FMNet從綜合訓練數據中學習與震源機制有關的波形的普遍特征。”
人工智能方法可以通過學習、驗證與測試完善自身系統。但一個區域歷史地震不夠，樣本不夠，怎么解決機器學習問題？我們發現采用理論計算數據做訓練樣本非常有效。實際上，目前發表的震源機制解方面的研究，也是通過理論模型和數據反演得到的，機器學習只不過掌握了所有理論知識，因此速度與準確度更好。
該成果第一次實現了全自動瞬間報出所有震源參數，能夠實時提供震源機制解，將地震監測水平進入一個新的階段。”有了地震震源機制解后，就知道單個地震是哪個斷層在活動，從而推斷應力分布，預測地震風險。雖然震源機制解公眾并不容易理解，但預警系統可以依據震源機制解做出決定，通知大眾風險程度。
大量實際數據測試證實了該方法的有效性。我們使用震源機制來描述斷層地質和斷層機制，也可以利用主震的震源機制來計算應力變化，以檢驗余震的地震觸發理論。此外，及時導出的震源機制可以為目前正在實施的點源地震動預測模型提供重要的補充，有可能幫助改進預測地震，以便進行早期預警。
提高地震預測預警的準確性，需要密集的高頻監測數據采集和實時處理，現有的人機結合工作模式已不適應這一要求。這一成果為地震監測、預測預警業務實現快速、高效的智能化轉型提供了堅實的基礎。
資料來源：中國科學報
所有評論僅代表網友意見，與本站立場無關。