中國科學技術大學李澤峰研究員利用機器學習方法,總結了全球3000多個5.5級以上地震的震源時間函數特徵,全景式地展示全球地震破裂過程的相似性和多樣性,深化了對地震能量釋放模式的認識,對地震早期預警具有啟示意義。該成果以“A generic model of global earthquake rupture characteristics revealed by machine learning”發表在國際知名地學期刊《Geophysical Research Letters》。
地震是對人類社會面對的重要自然灾害之一,近20年來全球中大地震已經造成全球近100萬人傷亡,經濟損失不計其數。地震破裂過程多種多樣,客觀衡量它們的相似性和差异性,有助於認識地震物理過程和地震震級的早期預測。然而,前人研究或是疊加多個地震的平均破裂過程,無法衡量全球地震差异範圍,或是基於某些破裂特徵的統計,無法做到整個破裂過程的系統比較。
圖1:全球地震震源時間函數在變分自編碼器隱式空間的分佈(a)和重構的全球地震破裂模式流形(manifold)(b)。
李澤峰研究員利用深度學習中的變分自編碼器(Variational Autoencoder)對全球3000多個中大型地震的震源時間函數進行二維空間壓縮和模型重構,全景式地展示了全球地震矩釋放模式和數量分佈(圖1)。研究發現中大地震以簡單破裂為主,複雜破裂較少,並且揭示了兩類特殊地震的分佈規律,即能量釋放集中在破裂後期的逃逸模式以及分多次能量釋放的複雜地震,發現大地震能量釋放模式具有弱震級依賴性,對地震早期預警中最終震級的可預測性提供了有益啟示。本研究是繼2021年李澤峰團隊和哈佛大學合作研究的震源時間函數聚類方法的發展,也是團隊近年來致力於將人工智慧應用於科學發現(AI for Science)系列研究成果之一。
論文連結:https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2021GL096464