2011年3月发生在日本海岸的9.0级这样的大地震不难被监测到，但很少有如此严重的事件。微地震，即低强度地震，在瞬时震级上达到2.0或更小的震级，很少造成财产损失。由于背景噪声，小事件和误报，它们并不总是被地震监测系统所接收。

斯坦福大学地球物理系的一篇新论文描述了一种可能的解决方案，科学家开发了一种AI系统：Cnn-Rnn地震探测器（CRED），可以从历史和连续的数据中分离和识别一系列的地震信号。

它建立在哈佛和谷歌的工作基础上，谷歌在8月创建了一个AI模型，能够预测大地震发生后一年内余震的位置。

研究人员的系统由神经网络层组成，有两种类型：卷积神经网络和递归神经网络。前者从地震仪中提取特征，而后者可以结合记忆和输入以提高其预测的准确性，学习所述地震仪的顺序特征。

这两个构成了一个residual-learning框架，一个缓解多层神经网络常见问题的架构。通常，随着分层节点数量的增加，精度饱和并降低。但是由于residual-learning函数处理函数的方式，其中的神经网络既能够保持准确性，又能够从数据集中学习更多高级特征。好处是它们更容易优化。

为了训练和验证地震探测AI系统，研究人员在2011年期间采集了记录在阿肯色州Guy-Greenbrier的连续数据，其目录包含3788个事件，此外还有北加州889个监测站，550,000个30秒3分量地震图。

大约550000个数据集的50000个样本用于评估性能。无论地震事件是大型，小型，局部还是包含高度的背景噪声，网络都能够预测地震信号。至关重要的是，AI不需要全长的信号来检测地震，部分记录就足够了。

当从Guy-Greenbrier数据集中获取连续数据时，该模型花费了一个多小时在笔记本电脑上进行训练，检测到由水力压裂，废水注入和构造板运动引起的1102次微震和地震，包括77次以前没有编目的。

他们写道：“远离训练区域，我们的模型能够探测到超过700个微震，即使震级只有-1.3 。”

研究人员报告说，在所有测试中，与两个广泛部署的地震系统相比，学习模型获得了优越的性能。他们指出，它很好地概括了它没有看到的地震数据。

“他们对网络进行了训练，可以实时应用于地震数据流，”他们写道，“该架构非常灵活，可以轻松扩展。由于基于其光谱结构的地震信号的高分辨率建模，误报率很小。”

该团队认为，机器学习模型可以轻松扩展到多个传感器，可以在构造活动区域进行实时监控，也可以作为早期地震预警系统的基础。

论文：arxiv.org/ftp/arxiv/papers/1810/1810.01965.pdf