当前位置>> 首页>>科技资讯
Nature:基于深度学习预测大地震后会出现余震地点
2018-12-25   科技处  责编:王晓佳  阅读6404次
[字体:  ]  

dnf私服发布网 www.phemphat.com 余震是特大地震导致的地震应力变化的一种响应,是地震触发的最常见的观测。现有的经验模型可以用来描述余震的规模和频次,但是对于解释并预测余震发生的地点很困难。此前,一种名为“库仑破裂应力变化”的因子常被用来解释发生余震的地点,但是这种做法一直存在争议。最近由美国康涅狄克大学的Phoebe devries和同事利用神经网路预测大地震后会出现余震地点,研究发现他们的神经网络比库仑破裂应力变化的准确度更高。由此,作者强调深度学习方法为进一步了解地震激发机制提供了新见解。

库仑破裂应力变化受到许多因素的影响,如:断层的摩擦系数、构造应力场应力主轴的大小及方向等,这些参数的选取无疑直接关系到依据库仑应力变化对地震活动性所做出评估的可靠性。但是目前对这些参数的确定比较粗浅,因此不能很好的预测余震发生的地点。作者通过对基于有限断层破裂模型SRCMOD在线数据集的同震滑动分布进行研究,发现神经网络的预测结果和剪应力的最大变化,von Mises准则和应力变化张量的独立分量的绝对值的总和有很强的相关性。

为了研究神经网络方法对于余震位置的预测效果,作者计算出SRCMOD滑移分布的弹性应力变化张量,这些滑移分布在5km×5km×5km单元的质心处,其体积从每个主震破裂面水平延伸100km,垂直延伸50km,并将网格单元的质心处计算的同震产生的静态弹性应力变化张量的六个独立分量的幅度及其负值输入值进行神经网络的训练。

基于训练结果为研究神经网络对于余震位置预测的准确度,作者通过受工作者曲线(ROC)分析以及ROC曲线下面积(AUC)来评估分别评估神经网络对于在所有可能阈值下的性能和整体性能。经过测试数据集中所有滑动分布和网络单元的合并AUC值为0.849,优于经过经典库仑破坏应力准则(AUC=0.583)在平行于主震断层平均方向的接收面上的分解结果。通过置换检验研究神经网络在测试集结果的统计意义,发现平均经验P值为0.026,并且只有四个分布与大于0.1的经验P值相关,从而证明对于试验数据集中的大多数滑移分布,神经网络预测并不是随机分配的。

作者对60km长的右旋走滑断层上具有均匀1m滑动的地震的理想综合参考情况进行可视化,发现神经网络预测结果和库仑破坏应力准则的结果并不一致,由此也就是和应力影区观点不同。为定量研究神经网络对于预测余震位置的潜在物理联系,作者通过将神经网络和一组标准静态应力度量进行比较,发现剪切应力的最大变化、von Mises屈服准则和应力变化张量的六个独立分量的绝对值的总和神经网络预测结果的相对系数的值大于0.98,即存在很强的相关性。

总之,基于神经网络对特大地震余震地点预测结果的分析,作者认为深度学习方法能够改善余震预报的准确度,并为进一步对地震激发机制提供物理学观点。

该项研究发表于国际自然科学领域顶级期刊《Nature》上:PMR Devries,  Viégas, M Wattenberg, BJ Meade. Deep learning of aftershock patterns following large earthquakes. Nature, 2018, 560: 632-634.(徐林林/土地科学技术学院)

附件:dnf私服发布网 (11.995743MB)
打印本页 |