地震是人类面临的最为强大的自然灾害之一。从古至今，人类一直在竭尽所能来应对地震带来的风险和破坏。近年来的一系列强震——2008年汶川大地震、2011年东日本大地震等，使人们不断警醒——地震的短临预测难以准确实现。于是，地震预警开始备受关注¹。随着高性能计算、人工智能长足发展，地震预警、监测、模拟和数据等地震科技研究不断进步，使人类能够更好地准备并进行应急响应，减少甚至避免不必要的人身、财产损失。

1  地震预警：潜力与局限的讨论

在地震预警系统发出警报的时候，一般有两种策略。一种是在有微小震动的时候就发出警报，并尽可能提供较长的预警时间，但是存在发出多次警报却没有发生破坏性地面晃动的情况；另一种是仅在可能发生破坏性地面晃动的时候发出警报，但是警报发出的时间会比较晚，而且用户采取应急行动的时间会相应地大幅缩短。

美国地质调查局（USGS）的科学家及其合作伙伴通过分析地震规模随时间的增长变化、以及地震波到达用户所在位置的时间，从而计算了地震预警系统可能向人们提供的预警时间（预警级别从轻微震动一直到强烈晃动）。2018年发表在Science Advances上的这一研究^[1]有助于设计地震早期预警系统的警报策略，如USGS正为美国西海岸开发的ShakeAlert。

现代地震预警系统可以监测不断变化的地表破裂情况，进而向预计会发生一定程度震动的地区发出警报。如果地震破裂增强，受影响区域扩大，警报可能会更新并扩展到新的位置。但是，只有在地震增强到足够大的程度，并且断层破裂接近用户所在位置时，用户才会感受到非常强烈的地面运动。而人类目前无法预知某次地震开始后其最终规模会有多大。因此，该研究的合作者USGS地震学家Annemarie Baltay表示，对那些在收到低级别地面震动警报后能够采取保护措施的人群而言，地震预警系统具有最大潜在收益。如果警报只在强烈震动时发出，人们将没有多少时间来响应并采取紧急行动。

2019年2月，研究人员在Scientific Reports发文^[2]进一步指出，多数情况下，地震预警系统未发出警报，但用户却可能遭遇具有破坏性的震动，因此，当用户决定忍受误报，即选择接收造成损害的可能远低于预期地面运动级别的警报时，地震预警系统才可以显着减轻地震损失，而这是地震预警系统的最佳警报策略。

2  地震模拟：物理模型再现统计模型结果

地震给全世界的人员和城市带来了重大威胁，但是，通过一系列正确的减灾措施——从严格的建筑要求到精心的规划，可以在一定程度上有效控制地震造成的道路和建筑物的灾难性损坏和人员伤亡。然而，所有这些措施都依赖于高质量的地震灾害模拟分析。目前的模型依赖于一系列不确定的假设，由于大地震之间的时间间隔很长，很难在现实世界中对预测进行测试。

美国哥伦比亚大学拉蒙特—多尔蒂地球观测站、南加州大学、加州大学河滨分校和美国地质调查局的研究人员共同提出了一个物理模型，再现了加州地震统计模型的预测结果。研究人员表示，这标志着地震预报的转折点已经到来。相关研究成果^[3]于2018年8月22日发表在Science Advances上。研究人员在超级计算机上模拟了近50万年来的加州地震，并将其与当前最完美的地震统计模型（基于100年的仪器测量数据）得到的评估结果相比较。结果发现，两者相互匹配。这一相互验证的结果增加了对加州当前地震风险预测的支持，有助于整个加州设定保险费率和建筑标准。同时，结果还表明，这一基于物理的模型在预测地震灾害和评估加州及其他地震多发区的风险模型的作用会越来越大。

研究中使用的地震模拟器RSQSim通过消除许多假设——评估特定区域发生特定地震的可能性，进而简化了加州的地震统计模型。该模拟器基于相对基础的物理学知识编程实现，再现几十年来稳定改进的统计模型的分析结果后，现在地震学家可以使用其来测试统计模型针对特定区域的预测。准确的灾害评估对于洛杉矶和旧金山等高风险城市的政府监管机构尤其重要，因为他们将根据最新科学进展编写和修订建筑规范。在住房严重短缺的州，监管机构面临着巨大压力——要求建筑物足够坚固，能够承受剧烈震动，同时还要降低建筑成本。现在，确认灾害评估的第二个工具使数字增加了可信度。

RSQSim的一个特征是它使用速率和状态相关的摩擦来近似模拟真实断层如何破裂，并将应力转移到其他断层，有时这会引发更大地震。RSQSim由加州大学河滨分校十多年前开发出，并在当前研究中得到进一步完善，同时也是第一个再现加州最新破裂预测UCERF3（第三版加州地震断裂预测模型）的物理模型。当这两个模型的结果被输入到加州的地面震动统计模型中时，他们得出了类似的灾害情况。随着计算能力的增长以及软件中更多物理特性的添加，模型将不断得到改善。研究人员计划利用该模型更多地了解余震，以及它们如何破坏加州的断层，同时还要将该模拟器整合到基于物理的地面运动模型（CyberShake）中，以查看其是否可以从当前统计模型中重现震动评估结果。未来，随着科学家在模拟中不断改进物理学要素，计算机将变得更加强大，人类将有机会更好地了解真正具有破坏性的地震可能发生的地点和时间。

3  地震监测：光缆的创新性利用

20世纪90年代，美国在地下部署了大量的光缆，近十年来，数据传输方面的巨大突破减少了对所有这些光缆的需求，因此这些没有被实际用于数据传输的光缆被称为“暗光纤”（Dark Fiber）。2017年12月，来自美国能源部劳伦斯伯克利国家实验室、斯坦福大学和佛罗里达大学的研究人员在Geophysical Research Letters上发表文章^[4]指出，利用暗光纤并结合“分布式声学传感”（DAS）技术可进行地震监测，其监测结果与常规地震仪监测结果相媲美。

DAS技术通过在光纤上拍摄极短的激光脉冲来测量地震波场。光纤中的微小杂质将导致激光散射，如果光纤是静止的，反向散射信号保持不变。但是，如果光纤在某些区域开始拉伸，信号将由于振动或应变而发生改变。DAS技术的基本思想是当光纤变形时，将看到反向散射光线中的畸变，并且从这些畸变中，能够测量光纤本身是如何被挤压或拉伸的。研究团队在加利福尼亚的两处地点和阿拉斯加的一个区域对光纤阵列分别进行了独立测量，结果表明，在这三种情况下，尽管DAS的噪声水平较高，但DAS被证明与常规地震仪一样敏感。由于使用DAS的成本相对便宜，因此可以快速建立低成本、高密度的监测网络。

相比之下，德国地学研究中心（GFZ）科学家的研究更具实践创新意义。他们通过一条光纤发出激光脉冲——这条光纤位于冰岛西南部雷克雅内斯半岛（Reykjanes Peninsula）的电信网络内，是1994年部署的15 km长光缆的一部分，穿越了欧亚大陆和美洲板块间Reykjanes Oblique裂谷中的地质断层，然后，分析光信号并与来自密集地震仪网络的数据集比较。2018年7月，发表于Nature Communications的相关研究成果^[5]指出，专家们获得了令人惊讶的结果：该方法获得的地下结构特征具有前所未有的分辨率，其信号等效于每4米一个数据点，这比全世界任何地震网络的密度都要高。虽然这种方法在其他应用中并不是新颖（多年来一直用于钻孔，进行油藏监测），但该团队是世界上第一个在地面上以地震学研究为目标进行这种测量，并且还是在如此长的光缆上。

放眼世界，密集的电信网络中有无数的光缆遍布全球，所以这一新方法有很多优点。特别是在具有高地震风险的大城市，例如旧金山、墨西哥城、东京或伊斯坦布尔，以及许多其他地方，这种光缆可以为现有的地震测量装置提供低成本且覆盖面广的补充信息。同时，其还存在许多其他潜在应用，包括城市地震危险性分析、全球地震成像、海底火山探测、海底地震、海底板块运动、核爆监测和微地震表征等。

4  地震数据分析：人工智能的初步介入

通常情况下，人们先提出假设，然后再进行检验，但是，借助人工智能²，可以以最少的人力投入获得传统方法难以获得的新发现。

在对美国加州间歇泉地热区的研究中，哥伦比亚大学的研究人员汇编了含有46000次地震的地震目录，且每个都以能量波形在震动图中表示，在此基础上绘制出地震波频率随时间变化的图谱——这是一种以声音波动变化来表示地震波变化的图谱，而通常情况下地震学家通过分析震动图来评估地震的震级和震源，然后，借助机器学习工具中的聚类算法将这些图谱分组形成簇，并与间歇泉的每月平均注水量³进行匹配。2018年5月，研究人员在Science Advances发表文章^[6]指出，他们发现了该区域的地震模式：在冬季，城市向间歇泉区域输送更多水流，因此出现高注入率与更多的地震；在夏季，低注入率对应较少的地震；春季和秋季则处于过渡状态。由此说明，这一区域的地震复发模式似乎与水流入地下热岩的季节性上升和下降一致，因此，研究人员认为，水的运移与引起岩石滑动或破裂的机械过程相关，进而引发地震。

另一项研究中，人工智能则被应用于余震位置的预测。大地震发生后，经常还会发生较大余震⁴，虽然科学家们已经发现了一些经验性规律，如定律和Ohmori定律，并利用其来描述余震的可能大小和时间，但预测其位置的方法仍难以掌握。在谷歌研究人员的建议下，美国哈佛大学地球与行星科学系研究人员尝试利用人工智能技术来解决这一问题。在获取至少199次大地震后的观测数据的基础上，研究人员使用深度学习算法，比对分析了来自世界各地的地震数据所形成的数据集，试图预测余震可能发生的位置，并开发出了一个系统。2018年8月，发表于Nature的相关研究成果^[7]指出，虽然该系统仍然不够精确，但能够比随机分配更好地预测余震。研究者所开发系统证实偏应力张量的第二不变量（简称J2）具有更好的可预测性，这颠覆了传统的主要理论⁵。研究者认为，这说明神经网络没有发现一些疯狂的东西，它发现了一些高度可解释的东西，识别出了应该关注的物理特性。

2018年12月，Nature Geoscience在线发表了两篇涉及机器学习与地震研究的论文^[8-9]。这两篇论文的主要研究者来自美国洛斯阿拉莫斯国家实验室（LANL），同时还有来自宾夕法尼亚州立大学（PSU）的合作者。研究人员利用机器学习方法检测地震信号，准确地预测了卡斯卡迪亚（Cascadia）断层的缓慢滑动——这种破裂在其他俯冲带发生大地震之前曾观测到。因此，着眼未来，人工智能方法是研究地震的全新方式，其在原始数据中发现了非常细微的差异，进而获得了前所未有的发现。与此同时，人工智能还帮助研究人员建立了地震与其他因素（如第一项研究中的注水量波动）的联系，从而为新研究结果的解释提供了帮助。此外，其还有助于研究人员在人工智能所获新发现的基础上进行假设和推断，进而帮助减少触发较大地震的可能性，也可帮助预测地震风险以及相关预防及应急措施的准备。

5  展望

2015年，美国加州大学洛杉矶分校（UCLA）的理论物理学家William Newman（一直从事计算和应用数学研究，而且还把数学应用于自然灾害研究，如地震和气候变化）指出^[10]，当前最有可能做到的是——对一定时间窗口内的某一地理区域做出灾害高风险评估，但永远不会精确地知道发生的时间，对地震而言，好的预测前景甚至比气象预测更难以期待（混沌动力学和复杂性）。

那么，为什么还要试图预测地震呢？对于这样一个问题，很多人会选择逃避。但是，数学家、计算机科学家、物理学家、地质学家、工程师和社会科学家都在这个问题上进行了共同努力、并做出了贡献，每个新的发现都能改善科学界对这个非常复杂的问题的认识。随着仪器的日益精确化、地震数据的激增、高性能计算的发展、人工智能技术的应用，科学家们对地震将有更好的了解。

了解为什么地震发生，以及地震是如何发生的，可以帮助专家建立更好的模型，即使它不能告诉人们一个精确的日期和时间，但随着知识的增加，同时加上最佳的地震预警策略，就可以更好地准备并进行地震应急响应，进而获得整体上的最佳收益表现。

（赵纪东 撰稿）

参考文献：

[1]      Minson S E, Meier M A, Baltay A S, et al. The limits of earthquake early warning: Timeliness of ground motion estimates[J]. Science advances, 2018, 4(3): eaaq0504.

[2]      Minson S E, Baltay A S, Cochran E S, et al. The Limits of Earthquake Early Warning Accuracy and Best Alerting Strategy[J]. Scientific Reports, 2019, 9(1): 2478.

[3]      Shaw B E, Milner K R, Field E H, et al. A physics-based earthquake simulator replicates seismic hazard statistics across California[J]. Science advances, 2018, 4(8): eaau0688.

[4]      Lindsey N J, Martin E R, Dreger D S, et al. Fiber-optic network observations of earthquake wave fields[J]. Geophysical Research Letters, 2017, 44(23): 11,792-11,799.

[5]      Jousset P, Reinsch T, Ryberg T, et al. Dynamic strain determination using fibre-optic cables allows imaging of seismological and structural features[J]. Nature communications, 2018, 9(1): 2509.

[6]      Holtzman B K, Paté A, Paisley J, et al. Machine learning reveals cyclic changes in seismic source spectra in Geysers geothermal field[J]. Science advances, 2018, 4(5): eaao2929.

[7]      DeVries P M R, Viégas F, Wattenberg M, et al. Deep learning of aftershock patterns following large earthquakes[J]. Nature, 2018, 560(7720): 632.

[8]      Hulbert C, Rouet-Leduc B, Johnson P A, et al. Similarity of fast and slow earthquakes illuminated by machine learning[J]. Nature Geoscience, 2019, 12(1): 69.

[9]      Rouet-Leduc B, Hulbert C, Johnson P A. Continuous chatter of the Cascadia subduction zone revealed by machine learning[J]. Nature Geoscience, 2019, 12(1): 75.

[10]    Earthquakes expose limits of scientific predictions,http://www.nsf.gov/discoveries/disc_summ.jsp?cntn_id=135034&WT.mc_id=USNSF_58&WT.mc_ev=click.

（版权说明：转载请联系本中心、并请备注来源及作者信息。）