在大地震发生后的几个星期至几个月内,周围地区经常会遭受强大余震的破坏,这些余震可能使已经遭受破坏的社区瘫痪,并严重阻碍灾后恢复工作。虽然科学家们已经发现了一些经验性规律,如Bth定律和Ohmori定律,并利用其来描述余震的可能大小和时间,但预测其位置的方法仍难以掌握。
在谷歌研究人员的建议下,美国哈佛大学地球与行星科学系的Brendan Meade教授及在其实验室工作的博士后Phoebe DeVries尝试利用人工智能(AI)技术来解决这一问题。他们使用深度学习算法,比对分析了来自世界各地的地震数据所形成的数据集,试图预测余震可能发生的位置,并开发出了一个系统。虽然该系统仍然不够精确,但能够比随机分配更好地预测余震。该研究于2018年8月30日发表在Nature上。
研究者首先获取了至少199次大地震后的观测数据。在5级或更大地震发生后,人们会花费大量时间来研究断层的哪一部分发生了移动,移动了多少。许多研究可能会使用一两次地震的观测结果,但该研究使用了整个数据库。在主震引起的应力和应变可能是引发余震的原因这一基本认识下,研究者将数据库与基于物理的模型(震后地球的压力和应变状态)相结合。
之后,研究者将区域分成5 kmx5 km的网格。在每个网格中,利用所开发系统检查是否存在余震,并利用神经网络寻找余震发生位置与主震所产生应力之间的相关性。这一问题的关键在于哪些因素的组合更具有可预测性。研究者所开发系统证实偏应力张量的第二不变量(简称J2)具有更好的可预测性,这颠覆了传统的主要理论。J2在冶金学和其他理论中经常被使用,在地震学中罕见。但是,Meade表示,这也说明神经网络没有发现一些疯狂的东西,它发现了一些高度可解释的东西,识别出了应该关注的物理特性。
DeVries表示,这种可解释性至关重要,因为人工智能系统长期以来被许多科学家视为黑盒子--能够根据一些数据产生答案。然而,采用高度复杂的现实世界数据来应对这一挑战将是一项艰巨的任务,因此,要求系统对综合的、高度理想化的地震进行预测,然后进行检查。通过在空间上对比神经网络的输出,研究者发现J2在预测中似乎更为重要。
Meade称,由于神经网络使用来自全球的地震和余震数据进行训练,因此产生的系统适用于许多不同类型的断层。世界不同地区的断层有不同的几何形状,但是这个系统可以让人类在一个地区对其进行训练,然后预测另外一个地区的情况,所以它是普适的。目前,人类距离实际预测地震还有很长的路要走,在任何实时意义上都还要做很多的事情,但Meade相信机器学习在这方面将有巨大潜力。