共计 1478 个字符，预计需要花费 4 分钟才能阅读完成。
2008 年 1 月 1 日凌晨 1 点 59 分，加利福尼亚州卡利帕特里亚发生了一场震级为 -0.53 的地震。这场地震的震感微乎其微，大约相当于一辆卡车经过时的震动。然而，这次地震却引起了科学界的关注，原因并非其规模，而是其被检测到的事实。
在过去七年中，基于计算机成像的 AI 工具几乎完全自动化了地震学的一项基本任务：地震检测。过去需要人类分析师或简单计算机程序完成的任务，现在可以通过机器学习工具快速自动完成。这些工具不仅能够检测到比人类分析师更小的地震，尤其是在城市等嘈杂环境中，还提供了有关地球组成和未来可能灾害的宝贵信息。
- 
“在最佳情况下，当你采用这些新技术时，即使是在相同的老数据上，也像是第一次戴上眼镜，可以看到树上的叶子，”《地震洞察》通讯的合著者凯尔·布拉德利说道。康奈尔大学教授朱迪思·哈伯德也认为，机器学习方法在这些特定任务中已经取代了人类，并且效果更好。
地震检测是地震学的基本部分，但还有许多其他数据处理任务尚未被颠覆。最大的潜在影响，包括地震预测，尚未实现。“这真的是一场革命，”德克萨斯大学达拉斯分校教授乔·伯恩斯说道。“但革命仍在进行中。”
当地震发生时，震动会通过地面传播，类似于声波通过空气传播的方式。科学家利用这些振动来绘制地球内部的图像。传统上，科学家使用地震仪记录地球在三个方向上的运动：上下、南北和东西。地震仪可以测量特定位置的震动。
在好的算法出现之前，地震编目必须手工完成。然而，手工发现和分类的地震数量有限。传统算法有一个很大的挑战：它们不容易发现较小的地震，尤其是在嘈杂的环境中。
AI 检测模型解决了所有这些问题：它们比模板匹配更快，可以在消费级 CPU 上运行，并且可以很好地推广到原始数据集中未代表的区域。AI 模型还可以提供关于不同类型地震震动何时到达的更好信息。
地震检测和相位拾取的基本任务如下：给定三个维度的振动，确定是否发生了地震，如果发生了，它是什么时候开始的。AI 模型在样本中的每个时间步输出三件事：当时发生地震的概率，第一个 P 波在那一刻到达的概率，以及第一个 S 波在那一刻到达的概率。
为了训练 AI 模型，科学家们获取大量标记数据，并进行监督训练。Earthquake Transformer 是由斯坦福大学团队开发的，它借鉴了图像分类的思想，使用一维卷积分析振动数据。该模型将原始波形数据转换为一系列高级表示，这些表示表明地震和其他地震学重要事件的可能性。
数据和架构的结合效果显著。当前的模型在识别和分类地震方面“好得可笑”。AI 工具不一定比模板匹配检测到更多的地震，但基于 AI 的技术在计算和劳动力方面的强度要低得多，使得它们更容易应用于普通研究项目，并且更容易在世界各地应用。
地震学的圣杯是地震预测。更好的 AI 模型为地震学家提供了更全面的地震目录，解锁了许多不同的技术。最酷的应用之一是理解和成像火山。火山活动会产生大量小地震，它们的位置帮助科学家理解岩浆系统的结构。
另一个有前景的领域是降低处理庞大数据集的成本。分布式声学传感（DAS）是一种强大的技术，它使用光纤电缆测量整个电缆长度的地震活动。AI 工具使得在 DAS 数据中非常准确地计时地震成为可能。
然而，并非所有 AI 技术都取得了成功。与许多其他科学领域一样，地震学家面临着采用 AI 方法的压力，无论这些方法是否与他们的研究相关。这可能导致技术上合理但实际上无用的论文。
总的来说，这些机器学习模型非常出色，以至于它们几乎完全取代了传统的地震检测和相位拾取方法，尤其是对于较小的震级。在过去的五年里，基于 AI 的工作流程几乎完全取代了地震学中的一项基本任务，并且效果更好。这真的很酷。
