Новости

May 22, 2023

Нейронный кодер для прогнозирования частоты землетрясений

Scientific Reports, том 13, номер статьи: 12350 (2023) Цитировать эту статью 481 Доступ 3 Подробности об альтметрических метриках Прогнозирование времени землетрясений является давней проблемой. Более того, это

Научные отчеты, том 13, Номер статьи: 12350 (2023) Цитировать эту статью

481 Доступов

3 Альтметрика

Подробности о метриках

Прогнозирование времени землетрясений является давней проблемой. Более того, до сих пор ведутся споры о том, как правильно сформулировать эту проблему или сравнить предсказательную силу различных моделей. Здесь мы разрабатываем универсальный нейронный кодер каталогов землетрясений и применяем его к фундаментальной проблеме прогнозирования частоты землетрясений в рамках пространственно-временной точечной структуры. Модель последовательности афтершоков эпидемического типа (ETAS) эффективно изучает небольшое количество параметров, чтобы ограничить предполагаемые функциональные формы пространственных и временных корреляций последовательностей землетрясений (например, закон Омори-Уцу). Здесь мы представляем изученные пространственные и временные представления для моделей прогнозирования точечных землетрясений, которые фиксируют сложные корреляционные структуры. Мы демонстрируем общность этого нейронного представления по сравнению с моделью ETAS, используя разделение данных поездных испытаний, и то, как оно позволяет включать дополнительную геофизическую информацию. В задачах прогнозирования скорости обобщенная модель показывает \(>4\%\) улучшение прироста информации за одно землетрясение и одновременное изучение анизотропных пространственных структур, аналогичных следам разломов. Обученную сеть можно также использовать для выполнения задач краткосрочного прогнозирования, демонстрируя аналогичное улучшение и обеспечивая при этом 1000-кратное сокращение времени выполнения.

В применении машинного обучения (МО) для анализа сейсмологических данных в последнее время наблюдался значительный прогресс, подчеркнутый новыми подходами к классификации и характеристике сейсмических волн1,2, автоматическому выбору фазы3, идентификации землетрясений малой магнитуды4 и декластеризации каталога5. 6. При разработке каталогов землетрясений подходы ML увеличили количество обнаруженных событий в десять раз4 и, возможно, уменьшат зависимость времени прохождения для раннего предупреждения о землетрясениях от скорости сейсмических волн до скорости света7.

Однако в моделировании последовательности землетрясений методы машинного обучения дали ограниченный прогресс с точки зрения улучшения характеристик моделей сейсмичности8,9. Конкретная задача прогнозирования времени будущих сейсмических событий является давней и фундаментальной задачей как для фундаментального научного вопроса, так и для прикладного анализа опасностей. Хотя в некоторых случаях сейсмическая активность имеет относительно постоянные временные10 или пространственные характеристики11, время, место и магнитуду сейсмической активности по-прежнему трудно предсказать количественно12.

Современный подход к этой проблеме в статистической сейсмологии заключается в представлении последовательности землетрясений как пространственно-временного точечного процесса13,14,15. В этом подходе перед моделью стоит задача предсказать мгновенную скорость возникновения землетрясений выше определенной магнитуды, \(\lambda (x, y, t \mid H_{t-})\), где x, y — пространственные координаты ( долгота и широта или координаты проекции карты), а t — время. \(H_{t-}\) представляет всю информацию, доступную модели до момента времени t. Зависящая от времени функция \(\lambda\) является количественным представлением интенсивности сейсмической активности, характеризует как эпохи форшоков16,17, так и афтершоков18, а также служит основой для оценки сейсмической опасности19.

Модель последовательности афтершоков эпидемического типа (ETAS)13,20 является наиболее часто используемой такой моделью, представляя \(\lambda\) как самовозбуждающийся ветвящийся процесс, который предполагает «фоновую скорость» сейсмичности и функцию отклика f , конкретная форма которого выбрана таким образом, чтобы долгосрочная статистика синтетических каталогов землетрясений, созданная на основе модели, воспроизводила два широко наблюдаемых феноменологических распределения сейсмичности: (1) закон Омори-Уцу затухания частоты афтершоков и (2) закон Гутенберга-Утсу. Распределение магнитуд событий по Рихтеру. Существует несколько популярных вариантов функции отклика21,22,23,24, которые имеют вид \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i ;М_и)\). Здесь \(\mu\) называется не зависящей от времени «фоновой скоростью», T — временное ядро, характеризующееся степенным затуханием в соответствии с законом Омори, а S — пространственно затухающее ядро22,25. \(x_i, y_i\) и \(t_i\) — местоположение и время возникновения гипоцентра землетрясения соответственно.