地震学家推进深度学习模型来预测地震
加州大学的研究人员提出了一种能够预测地震余震的深度学习模型。这一突破可能会改变地震学家预测未来地震活动的方法。 该模型被命名为经常性地震预报（RECAST）。它的贡献在于管理大量历史和当前地震数据，这将使更准确地预测大地震可能发生的余震成为可能。 该开发在管理约 10,000 个事件及更多事件的地震目录信息方面超越了当前的流行型余震序列 (ETAS)流程。 地震 墨西哥成为第一个通过地震测量海底旋转的国家 墨西哥国立自治大学的科学家历史上首次测量了淹没在海洋中的地壳缓慢地震产生的旋转，这代表了预测毁灭性地震的重要进展。 该研究的主要作者 Kelian Dascher-Cousineau 博士解释说：“ETAS 模型方法是为 20 世纪 80 年代和 90 年代的研究而设计的，当时我们试图根据极少的观测数据建立可靠的预测。
今天的全景图这是非常不同的
凭借更灵敏的监测设备和更强的数据存储能力，地震目录现在更加庞大和详细。这些条件超越了以前的模型。根据地震学家团队的说法，这项研究的主要挑战不是设计 RECAST。最大的挑战是让 ETAS 使用庞大的数据集来比较两个流程的准确性。 为了测试新模型的有效性，研究人员使用 ETAS 模型模拟了大地震目录。然后，他们使用南加 电话数据 州的真实地震清单数据测试了 RECAST。结果是，随着信息量的增加，RECAST 在精度和速度上都超过了 ETAS 的副本预测。研究中提出的模型需要更少的时间和计算资源来处理更大的数据集。来自加利福尼亚大学的教授，也是该研究的合著者。
深度学习可能是预测地震的关键
“ETAS 模型是一个脆弱的东西，有很多非常微妙和微妙的方式可能会失败。因此，我们花了很多时间来确保与实际模型开发相比，我们没有搞砸我们的基准，库西诺说。 过去，科学界曾使用机器学习系统来尝试预测地震活动，但直到最近，该技术才为更有效地使 单位电话号码的完整列表 用它提供了合适的条件。该领域的进步使 RECAST 模型更加精确，并且可以轻松适应不同的地震目录。该过程的灵活性使该模型成为开发地面运动预测应用程序的更现实的替代方案，即使在研究很少的领域也是如此。 达舍尔-库西诺说：“我们可以在新西兰、日本、加利福尼亚州进行训练，并拥有一个模型，该模型实际上非常适合在数据可能不那么丰富的地方进行预测。” 进一步将深度学习模型应用于余震预测需要一个更好的基准测试系统来考虑所有可用信息。地球与行星科学教授艾米丽·布罗德斯基（Emily Brodsky）说：“我们一直在记录地面运动。因此，下一个层次是使用所有这些信息，而不是担心我们是否称其为地震，而是充分利用它们。
