Поскольку в их распоряжении имеется все больше сейсмических данных и вычислительных мощностей, сейсмологи все чаще обращаются к дисциплине, называемой машинным обучением, чтобы лучше понять и предсказать сложные модели сейсмической активности.
В специальном разделе, опубликованном в журнале Seismological Research Letters, исследователи описывают, как они используют методы машинного обучения для уточнения прогнозов сейсмической активности, определения очагов землетрясений, описания различных типов сейсмических волн и отличия сейсмической активности от других видов грунтового «шума."
Машинное обучение относится к набору алгоритмов и моделей, которые позволяют компьютерам идентифицировать и извлекать шаблоны информации из больших наборов данных. Методы машинного обучения часто выявляют эти шаблоны из самих данных, без привязки к реальным физическим механизмам, представленным данными. Эти методы успешно использовались для решения таких задач, как распознавание цифровых изображений и речи, а также в других приложениях.
Все больше сейсмологов используют эти методы, что обусловлено «растущим объемом наборов сейсмических данных, улучшением вычислительной мощности, новыми алгоритмами и архитектурой, а также наличием простых в использовании сред машинного обучения с открытым исходным кодом», пишет focus редакторы секции Карианн Берген из Гарвардского университета, Тинг Ченг из Лос-Аламосской национальной лаборатории и Цзефенг Ли из Калифорнийского технологического института.
Несколько исследователей используют класс методов машинного обучения, называемых глубокими нейронными сетями, которые могут изучать сложные взаимосвязи между огромными объемами входных данных и их прогнозируемым результатом. Например, Фарид Хосравикия и его коллеги из Техасского университета в Остине показывают, как один вид глубокой нейронной сети можно использовать для разработки моделей движения грунта для естественных и индуцированных землетрясений в Оклахоме, Канзасе и Техасе. Необычный характер растущего числа землетрясений, вызванных сбросом нефтяных сточных вод в регионе, делает необходимым прогнозирование движения грунта для будущих землетрясений и, возможно, смягчение их воздействия.
В ближайшем будущем методы машинного обучения могут все шире использоваться для сохранения аналоговых записей прошлых землетрясений. По мере того, как носитель, на котором записываются эти данные, постепенно изнашивается, сейсмологи соревнуются со временем, чтобы защитить эти ценные записи. Методы машинного обучения, которые могут идентифицировать и классифицировать изображения, могут быть использованы для сбора этих данных экономически эффективным способом, по словам Кайвен Ван из Стэнфордского университета и его коллег, которые проверили возможности на аналоговой пленке сейсмографа из эксперимента Геологической службы США по борьбе с землетрясением Rangely..
Методы машинного обучения также уже используются в таких приложениях, как MyShake, для сбора и анализа данных из глобальной сети сейсморазведки для смартфонов, созданной краудсорсингом, по словам Цинкай Конга из Калифорнийского университета в Беркли и его коллег.
Другие исследователи используют алгоритмы машинного обучения для просеивания сейсмических данных, чтобы лучше идентифицировать афтершоки землетрясений, вулканическую сейсмическую активность и отслеживать тектонический толчок, который отмечает деформацию на границах плит, где могут произойти землетрясения с мегавзрывом. В некоторых исследованиях используются методы машинного обучения, чтобы определить местонахождение очагов землетрясений и отличить небольшие землетрясения от других сейсмических «шума» в окружающей среде.