新墨西哥州洛斯阿拉莫斯国家实验室的研究人员正致力于利用一种能够进行全球监测的新机器学习算法进行地震探测。该 研究 利用干涉合成孔径雷达（ InSAR ）卫星数据探测慢滑地震。这项工作将帮助科学家更深入地了解慢地震和快地震之间的相互作用，这可能是未来预测地震事件的关键。
洛斯阿拉莫斯地球物理小组的地球物理学家贝特兰·鲁埃特·勒杜克在一份 新闻稿 报告中说：“将机器学习应用于 InSAR 数据，为我们了解构造断层和地震背后的物理机制提供了一种新的途径。”。“这对于理解地震行为的全谱至关重要。”
几十年前发现的慢地震仍然有点神秘。它们发生在板块之间的边界，由于其缓慢和安静的性质，可以持续数天到数月而不被发现。
地震通常发生在断层因摩擦阻力而被锁定的地区，科学家们认为，地震可能发生在大地震之前。 2011 年日本发生的 9.0 级地震也引发了海啸和福岛核灾难，此前日本海沟发生了两次缓慢的地震。
科学家们可以利用 InSAR 卫星数据追踪地震行为。雷达波具有穿透云层的优点，并且在夜间也能有效工作，从而可以连续跟踪地面变形。通过比较雷达图像随时间的变化，研究人员可以探测到地面运动。
但这些移动很小，现有的方法将地面变形测量限制在几厘米以内。对全球故障系统的持续监控也会产生大量数据流，这些数据流太多，无法手动解释。
研究人员创建了深度学习模型，解决了这两个局限性。该团队在数百万合成 InSAR 数据的时间序列上训练卷积神经网络，以自动检测和提取地面变形。
使用分布在多个 NVIDIA GPU 上的 cuDNN – 加速 TensorFlow 深度学习框架，新方法在不事先知道故障位置或滑动行为的情况下运行。
为了测试他们的方法，他们将该算法应用于根据土耳其北安纳托利亚断层图像构建的时间序列。作为一个主要的板块边界断层，该地区在过去的一个世纪里曾多次破裂。
通过更精细的时间分辨率，该算法识别出了以前未检测到的滑动事件，表明慢地震发生的频率比预期的要高得多。它还发现了小到两毫米的运动，这是专家们由于其微妙之处而忽略的。
“深度学习的使用解除了对变形事件断层的检测，其数量级比以前手动实现的数量级要小。观察更多的慢滑事件反过来可能揭示它们与规则的动态地震的相互作用，包括慢变形地震的潜在成核。”鲁埃特·莱杜克说。
该团队目前正在进行一项后续研究，在圣安德烈亚斯断层上测试一个模型，该断层延伸约 750 英里，穿过加利福尼亚州。据鲁埃特·莱杜克称，该模型不久将在 GitHub 上推出。
阅读《自然》杂志上发表的研究 Communications . >>
阅读新闻稿。>>
