【探索26-3】AI 地下探勘成型，電腦代替人腦觀測著地下脈動
臺灣位處於歐亞板塊和菲律賓海板塊的交界處，因此產生的地震之頻繁使得國人對於不定時的震動已經屢見不鮮；然而如果面臨的是毀天滅地的強震時，其所帶來的傷亡更是難以估計。近年來，地震相關的研究團隊持續的在「地震預警」上盡自己的一份心力，試圖能夠給予國人更為即時的地震預警系統。為了達到此目標，需要對地震資訊龐大的觀察和探索；這時人工智慧的誕生便可以提供相對於人眼識別更大的效益。
講者／中央大學地球科學系 郭陳澔
彙整撰文／林泳亨
●了解地震的首要步驟 — 地震定位
在了解 AI 是如何進入到地震學的領域之前，我們應先理解現行在地震定位，也就是俗話說的「找到地震」的方式是如何進行的。在地震發生時，在震源附近的三個測站會在不同時間收集到地震波，而要推算出震源所在的經度、緯度、深度以及發震時間四個變數則需要透過將三個測站的數據帶入公式解出聯立方程式。而實際在執行上可以分成自動挑波和人工挑波：自動挑波應用在即時速報系統當中以因應需要快速通報的需求；人工挑波則是為了將地震資訊納入數據庫當中，所需要更為精細和經驗的人力去執行。
地震定位看起來是個已經成熟的技術，但其實在執行地震定位時會遇到幾種問題：
1.地震測站分布的不均勻性：首先是地震測站分布的不均勻性，例如地震分布於外海，缺乏測站的分布時，便無法透過公式得到確切的地震資訊，造成速報系統和收集數據的誤差。
2.地下震波的不確定性：在計算震波的行走時間是利用距離除以地下震波的速度求得。然而地下震波的速度並非是單一數值，而是一組函數所組成。由於地下環境錯綜複雜，對於這項函數的掌握度仍有待加強。
3.GPS 時間的準確性：測站的時間數據是由GPS 網路系統提供，假使測站所接收到的時間數據不準確或是沒有經過校正，整體所運算出來的地震資訊也會跟著失準。
4.人工挑波的主觀與不一致性：在收集數據進行人工挑波的部分則是會受到每個工作人員的個人主觀性以及觀測誤差所影響，另外挑波的經驗多寡也會影響到技術人員所得出的地震資料結果。
●守護民眾的生命財產安全 — 地震預警
由於不清楚地下構造以及震波速度函數的樣式，目前在預測地震的發生仍有相當長的距離要走，現今可以做到的是在地震已經發生時，透過先接收到速度較快的 P 波，即時發出預警，使居民得以防範造成主要災害的 S 波。目前在氣象局已上線的是「10 秒地震預警系統」，意思是在測站收到 P波訊號後，可以在 10 秒後將訊息傳達到每一個人的手機中，而如何減少 10 秒運算傳遞時間所帶來的「盲區」，則是需要借力人工智慧的協助。
●化石能源需求 — 石油探勘
地震學的應用領域其實不僅僅應用於地震波的預測以及數據收集上。在化石能源被高度使用的現在，透過震波掌握地下石油氣層的位置這項技術也被高度重視。目前實務上在進行的是震測以及井測。震測試利用一主動震源將震波打入地下，透過接收接受到的波型模擬出地下環境，例如地下岩層的形狀以及密度等震測屬性，找出可能藏有石油的區域。而井測則是從地表向下挖出一條條深井，位置則是根據先前震測所判斷出的位置而定。而在實際運作上，這兩項技術依然面對多項困境：在震測上，由於震測所得到的震測屬性資料龐雜，需要花費許多人力處理這些數據；而井測則是成本過高，但產生的效益不高，使得眾多石油公司卻步。
●讓AI辨識震波的利器 — 深度學習
為了讓 AI 快速辨識震波的型態，因此需要透過深度學習提升其在震波的辨識能力。而深度學習又可分為監督式學習以及非監督式學習。以讓 AI 在一群動物中辨識出鴨子為例：監督式學習為先告訴 AI 那些動物是鴨子而哪些動物則否，使其在這個過程中學習鴨子的樣態為何，在之後看到鴨子後即可辨識出；而非監督式學習則是讓 AI 自行在一大群動物中根據動物外在特徵進行分類後，再告訴 AI 哪一群是鴨子，以此進行學習。
而要如何讓 AI 幫助我們完成以上三個地下作業呢？首先在地震挑波中採用的是監督式學習，先讓工作人員對震波進行標籤後，再提供給 AI ，使其了解什麼樣的波型以及數據是符合對應樣式的波。在這部分需要注意的是標籤化的量與質都是需要被重視的，否則會使人工智慧學習錯誤，這部分則是需要仰賴經驗豐富的工作人員進行。接下來在地震預警方面，過去所需要的地震運算以及規模推測目前已經可以利用 AI 進行即時計算並透過網路快速傳遞給民眾，但這項技術的前提在於需要提供 AI 充足的測站資訊才得以完成，需要仰賴硬體方面的支持。最後則是儲油層預測方面，可以透過 AI 將在震測中的密度、體積數據分離開來，可以提供清楚的數據給相關專家參考。而在井測方面， AI 可以利用非監督式學習過往成功的數據類推現今的油井判斷油層的位置。
(本文為教育部「人工智慧技術及應用人才培育計畫」