作者：李寶珠
編輯：李瑋棟、xixi，三羊
地震的發生涉及諸多變數，「預測」存在挑戰，但餘震發生次數及強度的預測已取得重大進展。
2023 年 12 月 18 日 23 時 59 分，甘肅省臨夏州積石山縣發生 6.2 級地震，震源深度 10 公里，截至 19 日 06 時，當地就已經監測到了 275 次餘震。無獨有偶，日本石川縣能登半島於 2024 年 1 月 1 日下午發生 7.6 級地震，截至當地時間 2 日 6 時，地震烈度超 2 度的餘震已發生 129 次。
（日本地震強度分級中的 2 表示：在建築物中處於安靜狀態的人群中，很多都能感覺到搖晃。）
雖不似猝不及防的主震那般劇烈，但餘震的威力也同樣不可小覷。一方面是因為強震的餘震震級往往也不小；另一方面，餘震帶來的二次破壞，可能會令原本已極為脆弱的建築進一步被摧毀，致使更大面積的坍塌。
此外，頻繁的餘震可能導致山體結構不穩，如遇降水還可能造成山體滑坡、泥石流等次生地質災害。然而，餘震通常也是不可預測的，因為在震後短時間內，很難確定主震會如何遠端觸發其他區域的斷裂帶。
其實，人們從未停止探索如何實現地震預測，尤其是 AI、大資料等技術所展現出的資料處理與推理能力，提供了更加靈活的解題思路，也取得了喜人的進展。Nature 記者 Alexandra Witze 此前曾在 Nature 發佈報道，介紹了機器學習模型在預測地震餘震及其強度方面的潛力。
原文連結：
https://www.nature.com/articles/d41586-023-02934-6
神經網路加持下的預測模型創新
災難往往發生在電光火石之間，且難以憑藉人力與之抗衡，所以人們才更加迫切地想要預測地震何時發生，從而提前撤離危險區域。雖然明確具體時間、地點的地震預測尚且很難實現，但餘震預測卻在深度學習的加持下成為可能，這無疑也將在很大程度上幫助災後避難，並減小傷亡。
就像大語言模型需要通過數百萬的單詞、語句、段落等進行訓練一樣，訓練地震預測模型也需要大量過往的地震資料，以預測餘震發生概率。但研究人員發現，想要通過罕見的大地震明確預測所需要的檢測指標，在實踐中並不容易。過去幾年，地震學家利用機器學習，發現了過往地震記錄中從未被發現過的小地震，從而豐富了現有資料，為第二輪機器學習分析提供了新的素材。
美國地質勘探局 (United States Geological Survey, USGS) 目前使用的預測模型，是根據過往地震的震級和發生地點來預測可能發生的地震。而目前有三篇論文均採用了基於神經網路的預測方法，更好的捕捉了地震發生的複雜規律。
首先，加州大學柏克萊分校的地球物理學家 Kelian Dascher-Cousineau 及同事，在 2008 年至 2021 年間南加州發生的數千次地震資料中測試了他們的模型。在預測兩週內滾動發生的地震次數方面，該模型優於標準模型。此外，該模型還能更好地捕捉到可能發生的地震震級範圍，從而減少發生意外大地震的幾率。
目前，業內廣泛使用的地震演化模擬方法是 ETAS (epidemic-type aftershock sequence) 模型。
具體而言，該研究測試了主震的屬性，以及背景（深度、板塊邊界類型等）和震源（輻射能量、震源尺寸等）如何影響餘震的數量，並將神經點過程模型 (neural-temporal point processes) 引入到標準地震預報框架中。
來源：Kelian Dascher-Cousineau 的 GitHub 個人主頁
https://keliankaz.github.io/academic-profile/
其次，英國布里斯托爾大學應用統計學家 Samuel Stockman，也開發了基於神經點過程的模型，在對 2016-2017 年義大利中部的地震資料進行訓練時表現良好，並且，當研究人員降低訓練集中的地震震級時，該機器學習模型表現得更好。
該研究已經發表於 Earth’s Future。研究表明，神經點過程對低震級資料的預測性能優於地震餘震統計模型 ETAS (Epidemic-Type Aftershock Sequence)，且訓練速度快。
論文地址：
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777
最後，以色列特拉維夫大學物理學家 Yohai Bar-Sinai 領導團隊開發了基於 encoder-decoder 的模型 FERN (Forecasting Earthquake Rates with Neural networks)，在對日本 30 年的地震資料進行測試時，該模型的表現也優於標準模型。
模型體系架構
如上圖所示，模型輸入由神經網路編碼，生成構造狀態的潛在表徵，然後傳遞給解碼器網路。其思路的優勢在於，可以自然而然地納入不同的資料來源和模式，並通過特定資料來源編碼器添加到模型中。此外，同一編碼狀態可作為多個預測頭（解碼器）的輸入，用於不同的預測任務。該研究已發表於 Nature。
論文地址：https://www.nature.com/articles/s41598-023-38033-9
智慧地動——AI 地震實時監測系統
人們對「防患於未然」的期盼是推動地震預警系統持續升級的巨大動力，但我們首先要明確的是，目前已經落地應用並且持續迭代的是地震預警系統，而非地震預測。
兩者雖只是一字之差，但技術難度與實際效果卻迥然不同。地震預警，是指在地震發生以後，搶在地震波傳播到設防區域前，提前幾秒至數十秒向其發出警報，以告知人們採取應急措施，從而減少傷亡；地震預測，則是指對尚未發生、但有可能發生的地震事件進行預告。
圖源：微博@衝鋒號角
從不同區域的地面構成到地震板塊之間的相互作用類型，以及地震波通過地球傳播的方式，地震的評估涉及諸多變數，人們需要全面理解所有因素才能做出準確的判斷。所以，「預測」並非易事，但「預警」則不然。
帶入模型的視角看待「地震預警」，首先需要保障地震資料的及時輸入，其次是快速、準確地處理正在發生的地震資料，進而推斷斷層的破裂方向、速度等，最後再通過通訊手段實時傳送至受災區域。這一過程堪比與死神賽跑，也僅能爭取到數秒的逃生時間。有資料顯示，當地震發生後，如果能夠提前3秒接收到地震預警資訊，傷亡就會減少 14%，如果能提前 10 秒，傷亡就會減少 39%。
目前，全球多地都部署了地震預警系統，但接收預警資訊的時間大多在 3-10 分鐘。日本 REIS 地震預警系統，可在收到地震波信號 5 秒鐘後計算出地震位置和震級，約 2 分鐘後估計出地震破裂的震源機制；美國國家地質勘探局的自動速報系統需要 3-5 分鐘報出地震資訊；我國則在 2021 年發佈了世界首個人工智慧地震「實時」監測系統——智慧地動。
該系統由中國科學技術大學張捷教授團隊與中國地震局合作研發，可以在 1 秒鐘內獲得地震三要素——時（發震時刻）、空（震源位置）、強（地震震級），並獲得震源機制，即斷層破裂方向、速度等資訊，從而實現地震資訊的實時、自動檢測與發佈。
究其原理，「智慧地動」主要是基於深度學習能力，根據資料庫中彙集的上百萬個地震資料，結合地震學理論，快速處理正在發生的地震資料。
而更重要的是，在監測到地震資料後，如何第一時間發出預警資訊。
在本次甘肅地震中，積石山縣附近的西寧、成都等地均有使用者收到了手機地震預警，時間在 120 秒—240 秒不等，不少網友都在感嘆國產手機的強大，但其實功勞更應該歸功於成都高新減災研究所與中國地震局聯合建設的中國地震預警網提供了預警資訊。其中，預警網提前 12 秒向距震中 56 千米的臨夏市發出預警，提前 29 秒向距震中 110 千米的蘭州市發出預警。
據成都高新減災研究所所長王暾介紹，地震預警技術的原理是電磁波的傳播遠快於地震波，在地震橫波到達預警目標區域之前，利用傳播速度更快的電磁波向可能受影響地區發出預警。目前，華為、小米等國產手機均已接入中國地震預警網的地震預警功能，這次也是中國地震預警網第 80 次預警破壞性地震。
人類在自然災害面前何其渺小，但隨著 AI、大資料、物聯網等技術的持續升級，我們也在用科技武裝自己、日益強大起來。伴隨新興技術的加速迭代，人們也將不斷最佳化地震預警系統，並向著「預測地震」的目標努力！
往期推薦
戳「閱讀原文」，免費獲取海量資料集資源！