• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Naturen
    Maskininlärning expanderar för att hjälpa till att förutsäga och karakterisera jordbävningar

    Upphovsman:CC0 Public Domain

    Med en växande mängd seismiska data och datorkraft till sitt förfogande, seismologer vänder sig alltmer till en disciplin som kallas maskininlärning för att bättre förstå och förutsäga komplicerade mönster i jordbävningsaktivitet.

    I ett fokusavsnitt publicerat i tidskriften Seismologiska forskningsbrev , forskare beskriver hur de använder maskininlärningsmetoder för att finslipa förutsägelser om seismisk aktivitet, identifiera jordbävningscentra, karaktärisera olika typer av seismiska vågor och skilja seismisk aktivitet från andra typer av mark "brus".

    Maskininlärning hänvisar till en uppsättning algoritmer och modeller som gör att datorer kan identifiera och extrahera informationsmönster från stora datamängder. Maskininlärningsmetoder upptäcker ofta dessa mönster från själva data, utan hänvisning till den verkliga världen, fysiska mekanismer som representeras av data. Metoderna har framgångsrikt använts för problem som digital bild- och taligenkänning, bland andra applikationer.

    Fler seismologer använder metoderna, drivs av "den ökande storleken på seismiska datamängder, förbättringar i beräkningskraft, nya algoritmer och arkitektur och tillgängligheten till lättanvända ramverk för maskininlärning med öppen källkod, "skriva fokusavsnittsredaktörer Karianne Bergen från Harvard University, Ting Cheng från Los Alamos National Laboratory, och Zefeng Li från Caltech.

    Flera forskare använder en klass av maskininlärningsmetoder som kallas djupa neurala nätverk, som kan lära sig de komplexa relationerna mellan massiva mängder indata och deras förutsagda utdata. Till exempel, Farid Khosravikia och kollegor vid University of Texas, Austin visar hur ett slags djupt neuralt nätverk kan användas för att utveckla markrörelsemodeller för naturliga och inducerade jordbävningar i Oklahoma, Kansas och Texas. Den ovanliga karaktären hos det växande antalet jordbävningar som orsakas av avfallshantering av petroleum i regionen gör det viktigt att förutsäga markrörelser för framtida jordbävningar och eventuellt minska deras påverkan.

    Maskininlärningstekniker skulle kunna användas alltmer inom en nära framtid för att bevara analoga register över tidigare jordbävningar. När medierna på vilka dessa data spelas in försämras gradvis, seismologer tävlar mot tiden för att skydda dessa värdefulla register. Maskininlärningsmetoder som kan identifiera och kategorisera bilder kan användas för att fånga dessa data på ett kostnadseffektivt sätt, enligt Kaiwen Wang från Stanford University och kollegor, som testade möjligheterna på analog seismograffilm från U.S. Geological Surveys experiment med Rangely jordbävningskontroll.

    Maskininlärningsmetoder finns också redan i applikationer som MyShake, att skörda och analysera data från det massmässiga globala smartphone -seismiska nätverket, enligt Qingkai Kong vid University of California, Berkeley och kollegor.

    Andra forskare använder algoritmer för maskininlärning för att sålla igenom seismiska data för att bättre identifiera jordbävningar efterskalv, vulkanisk seismisk aktivitet och för att övervaka den tektoniska darrningen som markerar deformation vid plattgränser där megatrust jordbävningar kan inträffa. Vissa studier använder maskininlärningstekniker för att lokalisera jordbävnings ursprung och för att skilja små jordbävningar från annat seismiskt "buller" i miljön.


    © Vetenskap https://sv.scienceaq.com