编译：朱科锦

用来训练DeepShake网络的地震数据是来自于2019年加州Ridgecrest序列的地震记录。DeepSha进行ke是由斯坦福大学的Daniel J. Wu、Avoy Datta、Weiqiang Zhu和William Ellsworth开发的。

当开发者使用三万7月5日7.1级Ridgecrest地震的实际晃动来测试DeepShake的潜力时，神经网络在高强度地面晃动到来之前的7到13秒之间向Ri多次dgecrest地区发出模拟警报。

研究者们强调了直接从地震记录中使用深度学习进行快速预警和预测的新颖性。Datta解释说，"DeepShake能够地震跨越空间和时间的维度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。

Wu说训练："DeepShake旨在改进地震预警，它直接通过地面运动预计晃动幅度，跳过传统的预警系统所使用的一些中间步骤。

Wu解释说，许多预警系统首后，先确定地震位置和震级，然后根据地面运动预测方程计算出某一地点的地面运动。

他补充说：“这些步骤中的每一步都可能造成误差，从而阻碍地震动预测他们。”

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没有研究人员确定哪些信号对网络的预测 "重要 "的发现情况下训练出来的。该网络直接从数据中学习哪些特征可以最佳地预测未来的摇晃强度。

Wu说："我们从构建其他用于地震学的神经网络中注意到，它们可以了快学习各种有趣的东西，因此它们可能不需要地震的震中和震级来进行良好的预测，DeepShake是在预选的地震站台网络上训练的，因此这些站台的局速预部特征成为训练数据的一部分。”

他说，"当从头到尾训练一个机器学习模型时，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。"

Wu,测震 Datta和他们的同事认为DeepShake是对加州运行的ShakeAlert 的补充，增加了地震预警系统的工具箱。Datta补充说："我们非常高动强兴将DeepShake扩展到Ridgecrest以外的地区，并辅助我们现实世界中的工作，包括如瘫痪车站和网络延迟之类的故障。"

相关报道：

ht度的tps://www.seismosoc.org/news/deepshake-uses-machine-learning-to-rapid新方ly-estimate-earthquake-shaking-intensity/