在地震方面，大型破坏性地震占据了头条新闻。但是，地震学家们早就知道，由断层线近乎恒定的滑动所引起的小地震，即使是科学家也常常没有注意到，它们可以阐明各种地震的关键细节，甚至是真正的地震。
现在，一组研究人员已经使用机器学习和超级计算机来发现隐藏在美国南部构造最险恶的角落之一的南加州地震记录中的数百万种“小至0.3级”的不可察觉的地震。
这些数据将使研究人员能够加深对引发危险地震的物理过程的了解，从而最终促进减轻危害的努力。
加州帕萨迪纳市美国地质调查局的地球物理学家肯·哈德纳特（Ken Hudnut）说，这种数据挖掘就像金矿开采。他说，该项目可以以创纪录的效率提取“陈旧的”资产，并且可能会发现没有人期望挖掘的财富。结果于4月18日发表在Science1上。
研究人员说，研究小组的方法还可以应用于其他地方以及火山等其他地质特征。
发掘地震
该项目名为采矿地震波场（MSW），于2016年开始，加利福尼亚州斯坦福大学，洛杉矶南加州大学（USC），帕萨迪纳市加利福尼亚理工学院和乔治亚州佐治亚理工学院的研究人员参与其中。亚特兰大。
研究人员不久前就提出了这个想法，但缺少两个关键要素：使用现代仪器创建的庞大而详细的地震数据集，以及用于有效处理数据的强大计算机系统。这些元素终于在几年前融合在一起，并且团队开始开发在新记录中发现小地震的技术。
加州理工学院MSW小组分析了称为地震的地震数据，这些数据代表地震，并使用其独特的功能来创建模板，从而可以“如何”算法在大型数据集中寻找什么。他们将模板输入到超级计算机中，并使用它们来检测在一片混乱的海洋中微小地震的难以捉摸的指纹。
信号与噪声
但是，区分低层地面震动的来源是“无非是琐碎的”？南加州大学南加州地震中心代理主任，MSW项目联合负责人Yehuda Ben-Zion说。他的小组正在研究地震断层的解剖结构，发现加利福尼亚的地面不断地震动。飞机，树木，房屋，甚至天线的振动在风中摇晃都会产生隆隆声，对于地震仪而言，隆隆声就像地震一样，可以构成一组地震数据中信号的10'？0％。
为了将它们分开，该团队开发了机器学习模型，并向他们提供了数百万个真实地震信号和非构造震动的示例。该软件可以“获得正确识别从未见过的波形”的信息吗？加州拉霍亚斯克里普斯海洋研究所的地球学家克里斯托弗·约翰逊（Christopher Johnson）说。
研究小组还发现，地震记录并不总是足够好，无法为软件创建足够的模板，以了解特定区域的地震情况。因此，研究人员开发了另一种算法，称为指纹识别和相似性阈值（FAST），该算法基于为音频识别开发的方法。但是，与诸如Shazam之类的基于小片段识别音乐的应用程序不同，FAST不知道地震中的“荣功”声音片段是什么样的。马萨诸塞州波士顿市哈佛大学的数据科学家Karianne Bergen说，相反，它会在整个数据集中寻找彼此相似的片段，并将其标记为候选地震。在斯坦福。
对于最新论文1，MSW团队将这些方法应用于由多产的南加州地震台网记录的整个连续数据集，该网络在整个地区都有传感器。
研究人员发现，2008年发生了181万起以前未被发现的地震，“ 7”比已编目的原始数量增加了十倍。
Ben-Zion怀疑，随着计算能力和检测方法的改进，MSW将能够比目前发现的地震挑出数百万甚至更多的地震。
主要作者Zachary Ross说：“可以增加传感器的数量，我们可以将它们放置在地下深处的钻孔中以降低背景噪声水平，并且可以改进用于发现数据中这些弱事件的自动化算法。”加州理工学院地球物理学家。
颤抖的火山锘？/ h2>
巴黎高等师范学校的地震物理学家卢西尔·布鲁哈特（Lucile Bruhat）说：“与我们目前拥有的高质量数据相比，该技术受到数据质量和稀疏性的限制。”该项目。但是，“我们可以并且应该重新审查目录和过去的大地震，以更好地刻画当时发生的情况”？她说。
布鲁哈特（Bruhat）建议，该技术还可以用于观察神秘的地震类型，例如“荣低滑动”事件，这需要数月或数年才能展开，并且无数次微型隆隆声暗示了这一点。
贝灵汉的西华盛顿大学的地震学家和火山学家杰基·卡普兰·奥尔巴赫认为，这种方法可以应用于火山。
“知道火山是吱吱作响的，不稳定的东西，而绝大多数地震活动却很小”？她说，这使得很难检测到。如果这项工作可以帮助提取这些隆隆声，那么研究人员将获得对岩浆和过热流体在其中流动的深入了解。
