您所在的位置: 首页 科创风标 详情

基于深度学习的新方法可以识别毫米级慢地震

发布时间： 2021-12-10

       作者：刘文浩

       近日，《自然—通讯》杂志刊发题为《基于深度学习的InSAR时间序列中毫米尺度变形的自主提取》的文章称，美国洛斯阿拉莫斯国家实验室（LANL）研究人员基于深度学习的方法，对干涉合成孔径雷达（InSAR）监测的海量地面变形数据进行了解释分析，实现了对地面变形的自主提取，且精度可达2毫米，将改善未来的地震探测。

       系统地描述活动断层上的滑动行为是揭示构造断层物理学的关键，并将帮助研究人员理解慢地震和快地震之间的相互作用。慢地震会缓慢地释放压力，而快地震会迅速释放压力，并可能对周围社区造成重大损害。InSAR可以每隔几天在全球范围内测量地面变形，这可能是研究这些相互作用的关键。然而，尽管有最先进的处理技术，大气传播延迟经常超过感兴趣的地面变形，因此InSAR分析需要专家解释和故障系统的先验知识，排除了变形动力学的全球研究。

       此外，新的卫星如哨兵1号（Sentinel 1）卫星和即将发射的NISAR卫星，将通过实现研究人员观测过去不可能的长度和时间尺度，为研究构造过程开辟新的途径。然而，现有的算法并不适合这些新卫星所产生的海量InSAR数据。为了处理所有这些数据，洛斯阿拉莫斯的团队开发了首个基于机器学习算法的工具，从InSAR数据中提取地面变形数据，从而能够在全球范围内自动检测地面变形，无需人工干预。

       该工具具有自动检测断层变形的功能，有助于弥补现有检测能力的不足，其时间分辨率比现有方法高得多，检测阈值只有几毫米，而以前的检测阈值是在厘米范围内，为系统研究活动断层的性质奠定基础。

       相关论文信息：#