【探索26-8】AI解鎖慢地震
講者｜台灣師大地球科學系 陳卉瑄
●慢地震的特性和重要性
地震發生時，地底下斷層的錯動方式，影響著我們感覺動的搖晃程度。動得快一些(單位時間錯動量大的），感覺的搖晃更劇烈;而斷層面上錯動多長，搖晃持續大概就有多久。一個規模7的地震，花數十秒至數百秒釋放能量，地下斷層的錯動速度，可達一秒數公尺。等個幾百年，同個斷層面上的地震，通常還會重複發生，- 地震學家從未停止追尋答案的，就是：「什麼控制了地震重複性？」
而慢地震，也是斷層面上的錯動，只是花得時間更久！數小時甚至數週的時間，一次完整的錯動才會完成，這樣一來，對應的錯動速度慢了許多，約為一天數公分。雖然非常緩慢的進行錯動，但是，慢地震在區域的地震潛能估計，是不能被忽略的，因為它釋放的能量可以等同於規模4-7的地震！ 並且，它跟鄰近的大地震，存在著微妙的互動關係，可能牽一髮，動全身。 在聚合性板塊邊界，向下隱沒的海洋板塊，從較淺處的脆性變形區（可孕震）到最深的塑性變形區（吳震），慢地震的位置，恰恰在中間的過渡區，緊鄰著上方的震源區。過去十年內，不同隱沒帶的研究分別指出，慢地震可能加速了大地震的發生時間，逐漸被視作是地震前兆的其中一項特徵。
過去研究指出，慢地震的發生並非偶然，它只挑特定的物理環境生存。最常見的，就是隱沒帶的高溫、富含水、和高孔隙壓的環境，在這裡達到岩石破裂的應力門檻很低，是醞釀慢地震的絕佳環境。而在台灣，慢地震發生在最高峰-玉山-的南方，下方正是歐亞大陸板塊停止隱沒、開始和呂宋島弧碰撞的過渡帶，在這個地震不會發生、也沒有成熟斷層面發育的地方，慢地震的存在，成為理解地殼更深處變形行為的絕佳利器。
然而，慢地震對應的斷層錯動速度有限、破裂時間長，以至於僅有非常弱的地震波輻射，在地震儀的紀錄中，和一般的背景雜訊非常相像。圖一即為不同測站記錄到的慢地震訊號。
●慢地震的偵測：從傳統到機器學習
在雜訊中，要怎麼「看到」有用的慢地震訊號呢？傳統上，可利用不同測站波形的相似度和能量包的到達時間及歷時，進行門檻值的設計。台灣的慢地震座落在中央山脈南段的下方，和世界上其他區域大多為數小時的能量持續時間相比，台灣的慢地震更短、更微弱（最長約半小時），因此常常和區域地震訊號混雜，在偵測上相對困難。為了克服這個偵測的挑戰，除了在慢地震震源上方(山勢險峻的中央山脈)擺設六個地震站，以利用訊噪比更高的資料尋求有利的偵測手段之外，我們亦積極尋求更不須人工確認的偵測 - 機器學習演算法，我們向它下的戰書是：能不能讓用「單站資料」定義慢地震？
四年前，我們和臺科大機械工程系劉益宏老師合作，利用不同的分類器進行這趟學習之旅。標準的實施步驟，大致可描述成： (1) 準備訓練資料：將慢地震的訊號「標籤化」，分成「慢地震」、「地震」和「噪訊」三類 (2)計算在時間域、頻率域、時頻域的不同特徵共27個(例如包絡化後的最大振幅、濾波2-8 Hz的最大振幅等); 定義以上三類別在這些特徵的表現，可作為對「未知資料」的分類依據 (3)每個特徵都計算費雪分數(「群間」和「群內」距離之比值)，以評估特徵是否有效(4)利用最近鄰居法(k-NN)進行分類：在特徵空間中，被標籤化三類別的群聚位置，比較靠近「未知資料」的距離，屬於哪一類別？
我們發現三類別的分類效果（準確率）雖然可高達95.7%(所有資料中被正確判別為該類別的比例)，但若將測試資料換成不同年份的目錄，則分類率大大降低！這說明資料在時間上的變異度是存在的 - 被標籤化的類別，不見得具有代表性。而最大的「麻煩製造者」，就是「噪訊」。在環境中各種「噪訊」的種類，包含風、交通、工地施工、飛機降落等，在不同的時間具有不同的特徵，當訓練資料無法一體囊括時，就難以達到高的準確率。
為了彌補資料面的缺憾，「單類別」分類器，是更好的選擇。和尋找一個線性邊界的k-NN不同，支持向量數據(SVDD)這個分類器，嘗試在特徵空間形成一個超球體、把慢地震的資料穩當的「包」起來，未知資料是不是落在這個邊界裡，成為了判斷的準則。
為瞄準「高準確度」的分類表現，我們一路不斷的修正和學習，能做的改進，還真不少！第一，訓練和測試資料只有「更多」，沒有「最多」; 對慢地震而言，觀測時間必須夠長、測站必須夠多，機器學習的效果才具有說服力。 第二，當測站密度夠高時，如何從單站的分類表現，進到多站決策？這將是考驗科學家的一大挑戰。第三，不同分類器的表現，確實會有顯著的差異。我們目前測試k-NN、SVDD和CNN(卷積類神經網路)三種監督式分類器，以僅考慮時頻特徵的CNN，具有最佳的分類率，然而，運用其他演算法能否得到更佳的表現？我們還在尋找答案。而台灣慢地震的AI偵測，事實上進到了利用「連續資料」進行測試的關卡： 將9個測站的每天連續資料，每60秒進行分類，同一時窗若有半數以上測站判斷為慢地震、並連續累積180秒之長，則判斷為「慢地震」。然而連續資料中，能正確偵測出慢地震的比例僅達69.3%，這說明了未來，還有很長一段路要走…
台灣這座小島上，有數百座地震儀，連續不斷的提供地表搖晃程度的最佳量化方式，帶來的訊息有天上、地下來的，不管天然的震動（地震、土石流、颱風等）或人為的震動（氣爆、工業活動、交通、工地施工、飛機起降等），只要能標籤化，就能在分類器中實現，而未來的世界，可能是這樣的樣貌: 一但異常震動在你家發生，手機就會收到訊號，告訴你「這是什麼種類的震動？」「震動多大？持續多久？」「震動源的可能位置」，而你還能切換到家中的攝影機，檢視任何的損害、驅動應變程序。面對這樣的世界，我們準備好了嗎？
文末，借用合作對象劉益宏老師的話：AI是一個飛行器。除了要培養AI的專業素養來超越他人，也要有學習不同應用領域專業知識的勇氣與能力，方能將AI真正落地！
(本文為教育部「人工智慧技術及應用人才培育計畫」