Ett djupt spatiotemporalt neuralt nätverk utbildat på mer än 36, 000 jordbävningar erbjuder ett nytt sätt att snabbt förutsäga intensiteten i markskakningar när en jordbävning pågår, forskare rapporterar vid Seismological Society of America (SSA) årsmöte 2021.

DeepShake analyserar seismiska signaler i realtid och utfärdar avancerad varning för stark skakning baserat på egenskaperna hos de tidigaste upptäckta vågorna från en jordbävning.

DeepShake utvecklades av Daniel J. Wu, Avoy Datta, Weiqiang Zhu och William Ellsworth vid Stanford University.

Jordbävningsdata som används för att träna DeepShake -nätverket kom från seismiska inspelningar av Ridgecrest 2019, Kaliforniens sekvens. När dess utvecklare testade DeepShakes potential med hjälp av den faktiska skakningen av jordbävningen på 7,1 Ridgecrest med storleken 7,1, det neurala nätverket skickade simulerade varningar mellan 7 och 13 sekunder före ankomst av högintensiv markskakning till platser i Ridgecrest -området.

Författarna betonade nyheten att använda djupinlärning för snabb tidig varning och prognoser direkt från seismiska poster ensam. "DeepShake kan ta upp signaler i seismiska vågformer över dimensioner av rum och tid, "förklarade Datta.

DeepShake visar potentialen för maskininlärningsmodeller för att förbättra hastigheten och noggrannheten hos jordbävningsvarningssystem, han lade till.

"DeepShake syftar till att förbättra tidiga varningar om jordbävningar genom att göra sina skakningsuppskattningar direkt från observationer från markrörelser, skär bort några av de mellanliggande stegen som används av mer traditionella varningssystem, "sa Wu.

Många tidiga varningssystem bestämmer först platsen och storleken på jordbävningen, och sedan beräkna markrörelse för en plats baserad på markrörelseprognoser, Wu förklarade.

"Var och en av dessa steg kan införa fel som kan försämra markskakningsprognosen, " han lade till.

För att ta itu med detta, DeepShake -teamet vände sig till ett neuralt nätverksarbete. Serien algoritmer som utgör ett neuralt nätverk tränas utan att forskaren identifierar vilka signaler som är "viktiga" för nätverket att använda i sina förutsägelser. Nätverket lär sig vilka funktioner som optimalt förutspår styrkan i framtida skakningar direkt från data.

"Vi har märkt från att bygga andra neurala nätverk för användning inom seismologi att de kan lära sig alla möjliga intressanta saker, och så kanske de inte behöver jordbävningens epicentrum och omfattning för att göra en bra prognos, "sa Wu." DeepShake tränas på ett förvalda nätverk av seismiska stationer, så att de lokala egenskaperna hos dessa stationer blir en del av utbildningsdata. "

"När man tränar en maskininlärningsmodell från början till slut, vi tror verkligen att dessa modeller kan utnyttja denna ytterligare information för att förbättra noggrannheten, " han sa.

Wu, Datta och deras kollegor ser DeepShake som ett komplement till Kaliforniens operativa ShakeAlert, lägga till verktygslådan för tidiga varningssystem för jordbävningar. "Vi är verkligen glada över att expandera DeepShake bortom Ridgecrest, och stärker vårt arbete för den verkliga världen, inklusive misslyckanden som nedlagda stationer och hög nätverksfördröjning, "tillade Datta.