大数据文摘编译：朱克进用于训练DeepShake网络的地震数据来自加州Ridgecrest序列的地震记录2019年。DeepShake由斯坦福大学的DanielJ.Wu、AvoyDatta、WeiqiangZhu和WilliamEllsworth开发。当开发人员使用7月5日7.1级Ridgecrest地震的实际震动测试DeepShake的潜力时，神经网络在高强度地面震动到来前7到13秒向Ridgecrest地区发送模拟警报。研究人员强调了使用深度学习直接从地震记录进行快速预警和预测的新颖性。Datta解释说，“DeepShake能够在时空维度上拾取地震波形中的信号。”他补充说，DeepShake展示了机器学习模型在提高地震预警系统的速度和准确性方面的潜力。“DeepShake旨在通过直接从地面运动预测震动幅度来改善地震预警，跳过传统预警系统使用的一些中间步骤，”Wu说。吴解释说，许多预警系统首先确定地震的位置和震级，然后使用运动预测方程计算某个位置的地面运动。“这些步骤中的每一个都可能引入阻碍地震运动预测的错误，”他补充说。为了解决这个问题，DeepShake团队转向了神经网络的方法。组成神经网络的一系列算法是在研究人员没有确定哪些信号对网络预测“重要”的情况下进行训练的。网络直接从数据中学习哪些特征最能预测未来的震动强度。“我们从为地震学构建其他神经网络时注意到，它们可以学习各种有趣的东西，因此它们可能不需要震中，并且为了根据震级做出良好的预测，DeepShake在预选的地震台站网络上进行训练，因此这些站点的局部特征成为训练数据的一部分。“当从头到尾训练机器学习模型时，我们真的认为这些模型能够利用这些额外的信息来提高准确性，”他说。“吴，Datta和他们的同事将DeepShake视为对在加利福尼亚运行的ShakeAlert的补充，添加到地震预警系统工具箱中。Datta补充说：“我们很高兴将DeepShake扩展到Ridgecrest之外，并协助我们的实际工作，包括停机和网络延迟等中断。”相关报道：https://www.seismosoc。org/news/deepshake-uses-machine-learning-to-rapidly-estimate-earthquake-shaking-intensity/【本文为专栏组织大数据文摘原文翻译，微信公众号》大数据文摘（id:BigDataDigest)》】点此查看作者更多好文
