【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。

圖一、慢地震在地震儀的紀錄(濾波2-8 Hz)。能量包在不同測站有一致的形貌和些微的時間差。

 

●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」成果內容)

views