Credit: Lei Yang斯坦福大学的一个研究小组与中国科学院的一位同事合作，建立了一个基于人工智能的过滤系统，以消除城市地区地震传感器数据中的噪声。在他们发表在《科学进展》杂志上的论文中，该小组描述了训练他们的应用程序，并根据以前地震事件的真实数据进行测试。为了在检测到地震时提供预警，科学家们在地震易发区放置了地震仪，包括地震造成最大破坏和伤害或杀死最多人的城市地区。但是地震学家发现从与城市生活相关的数据中挑选出与自然地面运动相关的地震数据是很麻烦的。他们指出，城市中的人类活动，如车辆和火车，会产生大量的地震噪音。在这项新的努力中，研究人员开发了一种深度学习应用程序，可以确定哪些地震数据是自然的，哪些是人为的，并过滤掉那些非自然的数据。
研究人员称他们的新应用为UrbanDenoiser。它是使用深度学习应用程序构建的，并对80，000个城市地震噪音样本以及来自记录的自然地震活动的33，751个样本进行了训练。该小组将他们的过滤系统应用于加州长滩记录的地震数据，以观察其效果如何。他们发现，与背景噪音相比，它将所需信号的水平提高了大约15分贝。对结果感到满意，他们使用UrbanDenoiser分析了2014年袭击附近地区的地震数据。他们发现，与没有过滤的传感器相比，该应用程序能够检测四倍的数据量。
在下面的视频(A)中，在波前出现7秒之前，可以看到明显的人为背景噪声。在第二个视频(B)中，数据更清晰。
圆点代表传感器位置。振幅由带有地面运动强度的彩色条形刻度表示。虽然(a)中的背景包含显著的人为噪声，但是(b)中的背景和波前要干净得多。鸣谢:雷洋圆点代表传感器位置。振幅由带有地面运动强度的彩色条形刻度表示。虽然(a)中的背景包含显著的人为噪声，但是(b)中的背景和波前要干净得多。作者:雷阳研究人员表示，他们的工具可以用于浅层蠕变、局部应力集中和中间锁定地震监测。此外，该系统需要使用来自特定区域的数据集进行再训练，然后才能部署为监控系统。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
