網絡配圖

在某地區發生大地震後的很長一段時間內，其周邊地區都可能會經常受到強烈餘震的襲擊。這可能使已經受損的社區陷入混亂，嚴重阻礙重建進程。雖然科學家們提出了諸如巴斯規律和歐姆李規律等經驗法則，可以描述餘震可能的規模和時間，但餘震發生的地點很難預測。

《自然》（Nature）雜誌8月30日出版的論文或將爲餘震預測打開新大門。地球與行星科學教授布倫丹·米德(Brendan Meade)和博士後菲比·德弗里斯(Phoebe DeVries)等，嘗試使用人工智能技術解決餘震預測問題。他們利用深度學習算法，分析了世界各地的地震數據庫，預測餘震可能發生的地點，並開發了一個人工智能系統。該系統雖然仍不夠精確，但比隨機分配的預測效果更好。

米德說：“關於地震，有3個問題是人們最想知道答案的——何時發生、震級如何以及在哪發生。經驗法則爲前兩個問題的解答提供了借鑑，我們的研究則聚焦於回答第3個問題。”德弗里斯補充說：“由於影響餘震的因素非常多，而機器學習在理清這類複雜關係方面極具潛力。因此，機器學習非常適用於餘震預測。雖然目前我們可能只是接觸到了餘震預測研究的皮毛，但這已經足夠讓人激動不已。”

利用人工智能研究餘震的設想首次出現於數年以前。爲了完成研究，米德等首先訪問了超過199次大地震後的觀測數據。米德說：“5級或5級以上的地震發生後，研究人員會花大量時間來計算斷層的移動情況。許多研究可能只會使用一兩次地震後的觀測數據，但我們使用了整個數據庫的數據。通過綜合分析震後數據與震後地球承受應力、應變的物理模型，我們認爲主震造成的應力和應變可能是引發餘震的原因。”

在獲得這一信息後，米德等將震區網格化，然後系統檢測是否有餘震，並分析餘震地點與主震產生應力的關聯。米德解釋說：“系統指向的是偏應力張量的第二不變量（J2）。雖然J2常出現在冶金學等領域，但這意味着神經網絡系統的分析並非是天方夜譚。它提出的東西是高度可解釋的。”德弗里斯認爲，可解釋性非常重要——長久以來，很多科學家都認爲人工智能系統只是一個根據數據得出結果的黑匣子而已。

然而，用高度複雜的真實數據來應對這樣的挑戰，將是一項艱鉅的任務，因此，米德等需要系統爲高度理想化的地震作出預測並進行檢查。值得高興的是，神經網絡是由全球的地震和餘震信息訓練的，因此它適用於多種類型的斷層。

預測系統的應用之路還很漫長，但米德等對此充滿信心。米德說，他們正在努力實現用人工智能系統預測地震震級，以減輕災難的破壞性。相對於傳統地震學家那樣的“事後諸葛亮”，他們更希望成爲“地震預言家”。

編譯：雷鑫宇 審稿：三水 責編：程建蘭

期刊來源：《自然》

原文鏈接：https://www.sciencedaily.com/releases/2018/08/180829143753.htm

中文內容僅供參考，一切內容以英文原版爲準。