（圖：俄勒岡州内斯科溫海灘（Neskowin Beach）分布着一片有2000年曆史的雲杉林遺迹——這是俄勒岡州和華盛頓沿線的幾十個“幽靈森林”之一。人們認為，卡斯卡迪亞俯沖帶曾發生特大地震，樹木傾倒，海嘯來襲。）
去年5月，沉睡了13個月之後，華盛頓普吉特海灣（Puget Sound）下方的地面隆隆地蘇醒過來。地震始于奧林匹克山下方20多英裡處，在幾周的時間裡，向西北方向漂移，到達加拿大的溫哥華。然後，它短暫地扭轉了方向，又遷移回了美國邊境。總的來說，這場持續一個月的“地震”釋放了震級為6級的能量。到地震結束時，溫哥華南端已經向太平洋推進了大約一厘米。
然而，由于地震在時間和空間上的分布如此之廣、分散，很可能沒有人感覺到它。
這類幽靈地震比正常的快速地震發生在地下更深的地方，被稱為“慢地震（slow slips）”。它們大約每年在太平洋西北部發生一次，沿着斷層，胡安·德富卡闆塊滑入北美闆塊下方。自2003年以來，該地區龐大的地震台站網絡已經探測到了十幾次慢地震。在過去一年半中，這些事件一直是地球實體學家保羅·約翰遜(Paul Johnson) 進行地震預報的關注重點。
Johnson的團隊是少數幾個使用機器學習的小組之一，他們試圖揭開地震實體學的神秘面紗，并梳理出其中的地震預警信号。兩年前，Johnson和他的合作者使用與圖像和語音識别類似的模式發現算法，在一個模型實驗室系統中成功地預測了地震。
現在，Johnson及其團隊在釋出于網站arxiv.org上的一篇論文中報告說，他們已經在太平洋西北部的慢地震上測試了其算法。該論文尚未經過同行評審，但外界專家稱結果令人鼓舞。根據Johnson的說法，該算法可以在一場慢地震的開始的“幾天前”對其進行預測。萊斯大學的地震學家馬丁·德·霍普（Maarten de Hoop）表示，“我認為這是第一次，我們确實在邁向地震預測方面取得進展”。
斯坦福大學地球實體學家穆斯塔法·穆薩維(Mostafa Mousavi)稱新結果“有趣且鼓舞人心”。但同時，他也強調機器學習在能夠可靠地預測災難性地震之前還有很長的路要走。盡管研究中還有很多困難要克服，在這樣一個科學家深耕數十年幾乎看不到希望的領域，機器學習可能會成為新的突破口。
災害性地震和慢地震
已故的地震學家查爾斯·裡希特(Charles Richter)(裡氏震級以他的名字命名)在1977年指出，地震預測可以為“業餘愛好者、怪人和徹頭徹尾尋求宣傳的造假者提供一個快樂的獵場”。雅典大學的地球實體學家Panayiotis Varotsos聲稱他可以通過測量“地震電信号”來探測即将發生的地震。美國礦務局的實體學家布萊恩·布雷迪(Brian Brady)于上世紀80年代初在秘魯連續發出錯誤警報。 這些事件的發生都基于一個脆弱的觀念，即地下礦山中的岩爆是地震即将來臨的明顯迹象。
Johnson很清楚這段曲折的曆史。“地震預測”這個詞在很多地方都是禁忌。 六名科學家在2012年因淡化意大利中部城鎮拉奎拉附近發生地震的可能性而被判過失殺人罪(定罪後來被推翻)，幾天後，該地區遭到6.3級地震的破壞。一些著名的地震學家強烈地宣稱“地震是無法預測的”。但Johnson認為地震是實體過程，就這個角度而言，地震與恒星坍塌或風向轉變沒有什麼不同。盡管他強調其主要目标是更好地了解斷層實體學，但他并沒有回避預測問題。
（圖：洛斯阿拉莫斯國家實驗室的地球實體學家保羅·約翰遜（Paul Johnson）于2008年用一塊丙烯酸塑膠拍下了照片，這是他的團隊用來模拟實驗室中地震的材料之一。）
十多年前，Johnson開始研究“實驗室地震”，這種地震是由薄層顆粒狀物質隔開的滑動塊構成的。他們記錄下粘滑周期中發出的聲學信号，發現每次滑行之前都會出現尖銳的峰值。這些前兆事件類似于地震前前震産生的地震波。但是，就像地震學家一直在努力将前震轉化為對主震何時發生的預測一樣，Johnson和他的同僚們也無法弄清楚如何将前兆事件轉化為實驗室地震的可靠預測。“我們在某種程度上走進了死胡同，”Johnson回憶道。“我找不到任何進行下去的方法。”
幾年前，在洛斯阿拉莫斯的一次會議上，Johnson描述并解釋了他的困境，理論家建議他使用機器學習重新分析資料。于是科學家們共同制定了一個計劃：在每次實驗中記錄下大約5分鐘的音頻，然後把它切成許多小段。對于每個片段，研究人員計算了80多個統計特征，包括平均信号，均值的變化，以及關于該片段是否包含前兆事件的資訊。由于研究人員是事後分析資料，是以他們也知道每個聲音片段和随後的實驗室故障之間間隔多長時間。有了這些訓練資料，他們使用 “随機森林（random forest）”機器學習算法系統地尋找與故障前剩餘時間密切相關的特征組合。在檢視了幾分鐘的實驗資料後，算法可以開始僅基于聲發射的特征來預測故障時間。
Johnson和他的同僚選擇采用随機森林算法來預測的部分原因是其相對易于解釋（與神經網絡和其他流行的機器學習算法相比）。該算法基本上像決策樹一樣工作，其中每個分支根據某種統計特征對資料集進行拆分。是以，樹保留了用于進行預測的算法的特征的記錄，以及每個特征在幫助算法得出這些預測的相對重要性方面的記錄。
（圖：在洛斯阿拉莫斯國家實驗室進行的一項實驗中，偏光透鏡顯示了模型構造闆塊沿斷層線橫向滑動時應力的積累。）
當洛斯阿拉莫斯大學的研究人員探究其算法的内部工作原理時，他們對發現的東西感到驚訝：算法最依賴其預測的統計特征與實驗室地震之前的前兆事件無關。相反，有關的是方差，即信号如何圍繞均值波動的一種度量，此外信号不單出現在發生故障之前的那一刻，方差開始時很小，然後在地震預備期間逐漸攀升。隻要知道了這種變化，算法就可以做出合理的猜測。這一發現具有潛在的重大意義。幾十年來，準地震預報員一直在研究前震和其他孤立的地震事件。而洛斯阿拉莫斯（Los Alamos）的結果表明，每個人都把目光投向了錯誤的地方——預測的關鍵在于兩次大地震事件之間相對平靜的時期内廣播的更微妙的資訊。為了證明機器學習可以預測真實的地震，Johnson需要對真實的斷裂進行測試。還有什麼地方比太平洋西北部更适合呢？
實驗室外
地球上大多數會發生9級地震的地方都是俯沖帶，一個構造闆塊俯沖到另一個闆塊之下。位于日本東部的俯沖帶引起了東北地震以及随後的海嘯，海嘯在2011年摧毀了日本的海岸線。有一天，卡斯卡迪亞俯沖帶将同樣摧毀普吉特灣、溫哥華和周圍的太平洋西北地區。
從北加利福尼亞的門多西諾角到溫哥華，卡斯卡迪亞俯沖帶沿太平洋海岸線延伸約1000公裡。上一次破壞發生在1700年1月，它引發了9級地震和海嘯，并到達了日本海岸。地質記錄表明，斷層大約每隔五千年就會發生一次這樣的大地震，或多或少有幾百年的時間差，這就是地震學家對該地區慢地震如此密切關注的原因之一。
俯沖帶斷層下遊的慢地震将少量應力傳遞到上方的脆性地殼，随後該處會發生快速的災難性地震。
但是，對于Johnson而言，關注慢地震還有另一個原因：它們會産生大量資料。
作為比較，在過去的12年中，普吉特海灣和溫哥華之間的斷裂帶沒有發生重大的災害性地震。在同一時間跨度中，斷層産生了十幾個緩滑帶，每個都記錄在詳細的地震目錄中。該地震目錄與Johnson實驗室地震實驗中的錄音在現實世界中相對應。就像處理聲音記錄一樣，Johnson和同僚将地震資料切成小段，并通過一套統計功能來表征每個段。然後，他們将該訓練資料以及過去的慢地震時間資訊一起提供給機器。
在接受了2007年至2013年的資料訓練後，算法能夠基于每個事件發生前幾個月記錄的資料，對2013年至2018年之間發生的慢地震做出預測。關鍵特征是地震能量，在實驗室中，該能量與聲信号的方差密切相關。像方差一樣，每次緩慢滑動之前，地震能量都以特征方式爬升。
卡斯卡迪亞的預報不如實驗室地震那樣準确。與新的結果相比，表征預測與觀測吻合程度的相關系數比實驗室研究中的要低得多。Johnson說，盡管如此，該算法仍能預測出發生在2013年至2018年之間的五個慢地震中的一個，幾乎可以準确地預測出開始時間。
機器學習為我們提供了一個切入點，這是進入資料搜尋以查找我們從未發現或從未見過的事物的入口。但人們還有很長一段路要走。
令人深省的事實
地震預測的目标從來都不是預測慢地震。相反，它是為了預測突然發生的、對生命和肢體構成危險的災難性地震。對于機器學習的方法來說，這提出了一個沖突：最大的地震，地震學家最希望能夠預測的地震，同時也是最罕見的。機器學習算法如何獲得足夠的訓練資料來預測它們？
洛斯阿拉莫斯小組押注，他們的算法實際上不需要對災難性地震進行訓練來預測它們。最近的研究表明，小地震之前的地震圖象在統計上與大地震的地震圖象相似，在任何一天，一個斷層上都可能發生幾十次小地震。一台針對數以千計的小地震進行訓練的計算機可能具有足夠的通用性來預測大地震。機器學習算法也可能在計算機模拟快速地震上進行訓練，這些模拟有朝一日可以作為真實資料的替代品。
但即便如此，科學家仍将直面一個令人深省的事實：盡管将斷層推向地震邊緣的實體過程或許是可以預測的，但大多數科學家認為，地震的實際觸發包含了一種随機性。假設是這樣的話，無論機器訓練得多麼好，它們可能永遠不能像科學家預測其他自然災害那樣預測地震。
在最好的情況下，對大地震的預測可能會有數周、數月或數年的時間限制。雖然這樣的預測可能無法用于協調地震前夕的大規模疏散，但可以增加公衆的準備期，幫助政府官員有針對性地改造不安全的建築，并以其他方式減輕災難性地震的危害。
Johnson認為這是一個值得努力的目标。但是，他知道這需要時間。他說：“我并不是說要在我有生之年預測地震，但是無論何種程度的探索，我們都在向前邁進。”
（選自：Wired 作者：Ashley Smart 編譯：網易智能 參與：nariiy）
原文釋出時間：2019-12-05
本文作者：網易zhi'n
本文來自阿裡雲雲栖号&雲栖社群合作夥伴“
網易智能”，了解相關資訊可以關注“
”