地震监测迈入人工智能新时代 对地震减灾事业意义重大仪表下游
【仪多多网 】快速自动化采集分析地震震源信息对震后趋势判定、烈度速报、地震应急救援等提供科学依据。但从地震记录推算地震震源机制是个耗时的计算过程，目前世界各地地震监测台网在速报信息里只有发震时刻、震级、地点和震源深度等内容，不包括描述地震破裂特征的震源机制解参数。
日前，美国国家工程院院士、中国科学技术大学地空学院大师讲席教授张捷课题组发表在《自然—通讯》的一项研究显示，利用深度学习算法，人工智能系统可在收到地震记录后不到1秒时间内，准确估算出震源机制解参数。
从地震震源参数来说，海底逆冲类型地震可能会掀起海浪，造成海啸，而其他类型地震产生海啸的可能性比较小。
震源机制解(又称断层面解)，是利用地震观测资料来研究地震发生时，震源处作用力和断层错动性质。震源机制解不仅可以帮助了解断层的类型，还可以揭示断层在地震发生时具体的运动情况，描述滑断面的特征，走向、倾向、倾角等。
除能帮助预测海啸外，震源机制解还可能用于由前震预测主震，或由主震资料预测强余震，揭示震源附近的应力分布状况等。从地震记录推算地震震源机制的难点在于，传统方法计算强度太大。该数值解非线性问题，计算时间长。对地震发生前后各种应对准备及震后抢险救灾来说，每一秒都非常珍贵。
1938年，地震学家第一次开始推算地震震源机制解。自那以后，快速得出震源机制参数一直是地震研究者想解决的问题。时至今日，世界各地地震监测台网在地震速报信息时，仍不包括震源机制参数。研究人员往往在地震发生几分钟或更长时间后，才能报出震源机制参数。
2014年，张捷课题组与中国科大计算机学院教授陈恩红课题组合作，用互联网搜索引擎技术，实现了快速报出数据库里存好的震源机制解。随后，该方法在四川、云南投入地震监测，成为当时先进的震源机制解速报技术。但该方法受数据库约束，难以应用于较大的地震监测区域。
在这一领域持续耕耘了7年后，课题组利用人工智能方法，突破了数据库的约束，使该方法适用于大区域地震监测。目前，美、日等国速报震源参数水平相当。美国国家地震局能在震后3分钟报出最初的地震震源机制解，随后几分钟内有可能再进行修正完善，多数情况是在地震发生10分钟以后才能报出。
“在这项研究中，我们利用深度机器学习算法，提出一种新的深度卷积神经网络——震源机制网络(FMNet)，利用全波形信息快速估计震源机制。”该论文第一作者、已在美国斯坦福大学地球物理系从事博士后研究的况文欢对《中国科学报》说，“与一般应用中有监督神经网络模型的训练需要大量的实际数据不同，FMNet可以先用合成数据训练，然后直接应用于实际数据。FMNet从综合训练数据中学习与震源机制有关的波形的普遍特征。”
人工智能方法可以通过学习、验证与测试完善自身系统。但一个区域历史地震不够，样本不够，怎么解决机器学习问题?我们发现采用理论计算数据做训练样本非常有效。实际上，目前发表的震源机制解方面的研究，也是通过理论模型和数据反演得到的，机器学习只不过掌握了所有理论知识，因此速度与准确度更好。
该成果第一次实现了全自动瞬间报出所有震源参数，能够实时提供震源机制解，将引领全球地震监测水平进入一个新的阶段。”有了地震震源机制解后，就知道单个地震是哪个断层在活动，从而推断应力分布，预测地震风险。虽然震源机制解公众并不容易理解，但预警系统可以依据震源机制解做出决定，通知大众风险程度。
大量实际数据测试证实了该方法的有效性。我们使用震源机制来描述断层地质和断层机制，也可以利用主震的震源机制来计算应力变化，以检验余震的地震触发理论。此外，及时导出的震源机制可以为目前正在实施的点源地震动预测模型提供重要的补充，有可能帮助改进预测地震，以便进行早期预警。
提高地震预测预警的准确性，需要密集的高频监测数据采集和实时处理，现有的人机结合工作模式已不适应这一要求。这一成果为地震监测、预测预警业务实现快速、高效的智能化转型提供了坚实的基础。
17
449717568