机器学习在地震数据中揭示慢滑地震起源的特征

结合历史地震数据，使用机器学习模型的研究人员发现了明显的统计特征，这些特征标志着地震或GPS数据在构造板块中出现滑动之前几个月地壳中缓慢滑动破裂的形成阶段。考虑到慢滑事件和经典地震之间的相似性，这些独特的特征也可以帮助地球物理学家了解毁灭性更快的地震发生的时间。

ENS和洛斯阿拉莫斯(Los Alamos)的计算地球物理学家Claudia Hulbert说：“ 机器学习模型发现，在慢滑周期即将结束时，数据快照上印有有关系统即将发生故障的基本信息。”国家实验室和研究的主要作者，今天发表在《自然通讯》上。“我们的结果表明，慢滑破裂可能是可以预测的，并且由于慢滑事件与地震有很多共同之处，因此慢滑事件可能为研究地球破裂的基本物理学提供了一种更简便的方法。”

缓滑事件是指地震会在数天，数月甚至数年内缓慢震撼地面，不会辐射大振幅地震波，并且通常不会被普通人注意到。大多数人都熟悉的典型地震会在几分钟内破裂。在给定的区域中，它们发生的频率也降低了，这使得大型数据地震很难通过需要大量数据的机器学习技术来研究。

该小组研究了太平洋西北地震台网在2009年至2018年期间的连续地震波，该网络跟踪了卡斯卡迪亚地区的地球运动。在这个俯冲带中，在缓慢的滑移事件中，大约每14个月，北美板块就在Juan de Fuca板块西南向西南倾斜。数据集非常适合Los Alamos小组合作者在实验室地震实验中开发的监督机器学习方法，并用于本研究。

该小组计算了许多与低振幅信号中的信号能量相关的统计特征，这些特征是他们先前的工作被确定为最能说明地质系统行为的频带。在卡斯卡迪亚数据中预测慢滑的最重要特征是地震功率，它对应于地震能量，特别是与慢滑事件相关的频带。根据该论文，缓慢滑动通常始于对断层的指数加速，这种力太小以至于无法通过地震传感器检测到。

赫伯特说：“对于大多数事件，我们可以看到破裂前几周到几个月的破裂迹象。” “从一个事件周期到下一个事件周期，它们足够相似，因此对过去数据进行训练的模型可以识别几年后数据中的签名。但这是否能够长时间保持仍然是一个悬而未决的问题。”

该研究小组关于信号指示慢滑事件形成的假设与Los Alamos和其他在加利福尼亚检测到小幅度前震的其他最新研究一致。这项工作发现，在大多数大于4级的地震发生之前，平均可以在两周前观察到前震。

赫尔伯特(Hulbert)和她的合作者的监督机器学习算法训练从地震数据的前半部分计算出的地震特征，并尝试找到将这些特征映射到下一个慢滑事件之前的剩余时间的最佳模型。然后他们将其应用于数据的后半部分(尚未看到)。

这些算法是透明的，这意味着团队可以看到机器学习用于预测故障何时滑动的哪些功能。它还可以使研究人员将这些功能与实验室实验中最重要的功能进行比较，以估计失效时间。可以探查这些算法，以识别数据的哪些统计特征在模型预测中很重要，以及为什么。

赫伯特说：“通过确定重要的统计特征，我们可以将研究结果与实验室实验的结果进行比较，这为我们提供了进入基础物理学的窗口。” “鉴于卡斯卡迪亚(Cascadia)数据和实验室实验数据的统计特征之间的相似性，在缓慢滑动破裂和成核的摩擦物理学上似乎存在共性。相同的原因可能从小型实验室系统扩展到大规模的实验室系统。卡斯卡迪亚俯冲带。”

由保罗·约翰逊(Paul Johnson)领导的洛斯阿拉莫斯(Los Alamos)地震学团队在过去几年中发表了几篇论文，率先在实验室实验和真实地震数据中使用机器学习来解开地震背后的物理学原理。