昨日22時55分，四川宜賓市長寧縣發生6.0級地震，截至8時30分，已造成12人死亡，125人受傷。而在此次地震過程中，“地震預警”系統起到了至關重要的作用：預警20秒，傷亡減少63%。不過，“預警”非預測，那么在AI大熱今天，人工智能在地震預測方面又有何進展呢？

昨日22時55分，四川宜賓市長寧縣發生6.0級地震，震源深度16千米。

今晨7時34分，再次發生5.3級地震，震源深度17千米。

截至8時30分，已造成12人死亡，125人受傷。據悉，此次地震是今年以來，四川境內首起6.0級及以上震級的地震，在此之前，四川今年最大的地震是自貢榮縣發生的4.9級地震。

而在此次地震中，“地震預警”起到了至關重要的作用：成都提前61秒收到地震預警！

據悉，成都共有110個社區實現“大喇叭”倒計時預警，其中成都高新區60個。同時，成都高新減災研究所還通過手機短信、電視等途徑向社區居民發布預警信息。

那么這個地震預警到底有多重要？研究表明：預警時間10秒，傷亡減少39%；時間為20秒，傷亡減少63%。

而此次，網友們也不禁對預警的準確性表示嘆服。

“預警”非預測：20秒，傷亡人數減少63%

那么，這個地震預警系統到底是什么神器呢？

從成都高新減災研究所處獲悉，此次成功預警地震的，為該所與應急管理部門（包括原市縣地震部門）聯合建設的大陸地震預警網。

成都高新減災研究所所長 王暾博士

據成都高新減災研究所所長王暾博士介紹：

我們所做的工作是地震預警，而并非地震預報，臨震預報仍然是世界難題。地震預警只能減少人員損傷，而不能做到避免。

為了實現地震預警，需要在可能發生地震的區域安裝地震預警的傳感器。這種傳感器并不昂貴，也不需要在野外安裝，可以通過實時的網絡(甚至是2G網絡)來傳遞地震波的數據，地震預警的傳感器甚至可以固定在墻上。

通過這些傳回來的數據，我們可以判斷地震發生的位置以及大概的震級。網絡和計算機的處理速度非?？?，只需要幾秒鐘的時間。

據了解，地震預警系統是一個全自動的物聯網，可實現全自動的秒級響應。主要是利用電波比地震波傳播速度快的原理，在地震造成破壞前幾秒到幾十秒，發出地震預警警報，提醒民眾及時避險，讓重要工程緊急處置以減少經濟損失和次生災害。

而電視地震預警則是利用電視網絡在電視周邊，發生強震的時候，電視就能夠自動地彈出幾秒到幾十秒的警報，以便在強震到來之前，老百姓在看電視的時候，就能夠提前避險。

目前技術已經允許的情況下，只要機頂盒就能收到震預警的喇叭，在電視關著的時候，也能夠自動發出警報。

據王暾所長介紹，自汶川余震區發展的我國地震預警成果，已經處于全球領先水平。

成都高新減災研究所與地震部門合作建設的大陸地震預警網覆蓋面積達220萬平方公里，覆蓋我國地震區人口90％，已成功預警蘆山7級地震、魯甸6.5級地震、九寨溝7級地震等52次破壞性地震。

為什么預測下一場大地震如此困難？

讓我們先從一個簡單的問題開始：下一次大地震將在哪里發生？

研究表明，較大的斷層通常會引起較大的地震。理論上，如果所有的斷層都被繪制出來了，那么我們應該能夠對一個特定地區可能經歷的最強烈的地震加以限制。這一點很重要，因為地震釋放的能量變化可能是萬億次方的（quadrillions）。

然而，估計斷層大小和釋放的相應能量并不總是那么簡單。斷層常表現出復雜的幾何形態，使得對斷層區域的建模變得復雜。此外，斷層可能同時破裂：在新西蘭2016年的Kaikōura地震期間，13個不同的斷層同時破裂。此外，最近的歷史證明，地震大小并不總是與損害相關；根據發生的地點，中等震級的地震可能比“大”地震更具破壞性。例如，1994年加利福尼亞州北嶺6.7級地震造成重大財產損失和生命損失，而2018年斐濟8.2級地震強度為178倍，并未造成任何損失。因此，地震的震級并不能說明整個情況。

1900年-2013年地震7.0級及以上的地圖

現在來回答更加復雜的問題：下一次大地震何時發生？

預測時間是地震預測中最難的挑戰。事實上，有兩種理論可以告訴我們（最好的）預測是有缺陷的。

第一種理論稱為彈性回跳理論，它指出地殼在強烈的壓力下會彎曲變形，直到最終在應變下斷裂。沿著斷裂的滑移（即地震）使兩側的巖石回彈到變形較小的狀態，并釋放儲存的能量，從而使累積應變的過程重新開始。

第二種理論被稱為特征地震，它描述了研究最多的地震產生的斷層似乎有不同的區段。在兩次地震之間的間隔期內，這些板塊反復破裂，積累了相同數量的應變，從而產生了相似震級的地震。假設這兩個理論一直存在，你可以根據1）最大未受力應變的位置，2）自上次地震發生以來的時間，以及3）對斷層帶的精確了解（在許多地區我們可能永遠無法實現）來預測下一次地震何時發生。

我們能做什么？

今天，預測方法主要集中在概率地震預測，即在一定時間范圍內對特定區域內的一般地震災害進行統計評估。概率預測涉及地震可能發生的概率，而早期的確定性預測技術涉及確定地震何時發生。概率預測可以向可能更容易發生地震風險的地區提供警告，使他們能夠在潛在的未來發生地震之前，通過改進的基礎設施設計和應急措施來加強抗震能力。

第二個有希望的發展是地震預警系統。在發現地震后，它會為可能受影響的鄰近地區提供幾秒到幾分鐘的實時警告。該系統利用了地震波的不同速度，這些地震波構成了地震輻射的能量。簡而言之，如果系統在更危險、速度較慢的表面波到達之前檢測到最快波（稱為P波）的第一次到達，則可以觸發警報（見下圖）。使用高速自動化，甚至幾秒鐘的警告就足以停止機器，例如火車和電梯，并提醒人們注意安全。

地震預警系統運行中：當地震開始時，檢測到快速移動的P波，可以在較慢移動的表面波到達之前傳播緊急信息。

然而，由于不必要的緊急措施啟動，以及對商業和日常生活的潛在破壞，對于從未發生的地震的錯誤警告是昂貴的，就像“狼來了”的故事，它可能會破壞未來預警的可信度和有效性。為了避免這些問題，可以用人工智能（AI）技術來檢測人類無法看到的地震預測數據中的模式和信號。

接下來介紹兩個利用AI預測地震的最新研究成果。

谷歌和哈佛團隊利用深度學習來預測地震余震

谷歌和哈佛大學在Nature雜志發表的一篇論文中，研究人員展示了如何用深度學習預測余震位置，而且預測結果比現有模型更可靠。

他們訓練了一個神經網絡，在一個包含131000多個“主震-余震”事件的數據庫中尋找模式，然后在一個包含30000對類似事件的數據庫中測試其預測。

“主震-余震”事件的一個樣本

深度學習網絡比最有用的現有模型（稱為“庫侖破裂應力變化”）更可靠。在從0到1的精度范圍內——1是完全準確的模型，0.5是一半準確的模型——現有庫侖模型得分為0.583，而新的AI系統達到0.849。

“關于地震，你需要知道三件事情，”研究人員說：“它們什么時候發生、它們會有多強烈、它們會發生在哪里。在這項工作之前，我們有經驗定律來解釋它們發生的時間和規模，現在我們正在研究它們可能發生在哪。”

人工智能在這一領域的成功歸功于該技術的核心優勢之一：它能夠發現復雜數據集中以前被忽視的模式。這在地震學中尤為重要，因為在地震學中看到數據中的關聯性非常困難。地震事件涉及太多變量，從不同區域的地面構成到地震板塊之間的相互作用類型，以及能量在地震波中穿過地球傳播的方式。理解這一切是非常困難的。

研究人員表示，他們的深度學習模型能夠通過考量一個被稱為“米塞斯屈服準則”（von Mises yield criterion）的因素來做出預測，這是一種用于預測材料何時開始在壓力下破裂的復雜計算。研究人員表示，這個因素常用于冶金等領域，“但在地震科學中從未流行過。”現在，隨著這一新模型的發現，地質學家可以研究其關聯性。

盡管這項研究取得了成功，但它還遠未準備好在現實世界中應用。首先，AI模型只關注由地面永久性變化引起的余震，稱為靜態應力。但后續地震也可能是由于后來發生的地面隆隆聲造成的，稱為動態壓力?，F有模型也太慢而無法實時工作。這很重要，因為大多數余震發生在地震發生后的第一天，然后每過一天頻率大致減半。

機器學習檢測信號預測地震時間

此外，機器學習也被用于預測地震時間。發表在Nature Geoscience的兩篇相關論文中稱，利用機器學習的地震信號的檢測準確地預測了卡斯卡迪亞（Cascadia）斷層的緩慢滑動，這是在其他俯沖帶發生大地震之前觀察到的一種信號。（注：Cascadia 斷層是美加西海岸、太平洋東海岸的一條海溝斷層。）

Los Alamos國家實驗室的研究人員應用機器學習來分析Cascadia數據并發現發現巨大的推力會發出持續的震動，這是斷層位移的跡象。更重要的是，他們發現斷層聲音信號的響度與其物理變化之間存在直接的平行關系。Cascadia斷層出現的聲音，以前被視為毫無意義的噪音，預示著它的脆弱性，這可以幫助我們更準確地預測大地震。

機器學習通過學習自調整算法來創建選擇和重新測試一系列問題和答案的決策樹，來處理大量地震數據集，以找到不同的模式。去年，研究小組在實驗室模擬了一次地震，用鋼塊與巖石和活塞相互作用，并記錄了他們通過機器學習分析的聲音。他們發現，許多地震信號，以前被認為是無意義的噪聲，精確地指出了模擬斷層何時會滑動，這是地震預測的一個重要進展。更快、更強的地震有更大的信號。

研究人員在實驗室里模擬地震

研究小組決定將他們的新范式應用于現實世界：Cascadia斷層。最近的研究表明，Cascadia斷層很活躍，但被注意到的活動似乎是隨機的。該小組分析了該地區地震臺站12年來的真實數據，發現了類似的信號和結果：Cascadia持續的震顫量化了俯沖帶緩慢滑動部分的位移。在實驗室中，作者發現了一個類似的信號，可以準確地預測大范圍的故障。在Cascadia中仔細監控可以提供有關鎖定區域的新信息，以提供預警系統。

那么，下一場大地震何時會發生？或許我們永遠都不會知道，但我們相信，隨著計算能力的增加和算法的優化，機器學習將在地震預測方面具有巨大的潛力。