研究人员在地震学会(SSA)的2021年年会上报告说，一旦发生地震，经过深层时空神经网络训练的36,000多次地震提供了一种快速预测地面震动强度的新方法。

DeepShake实时分析地震信号，并根据最早发现的地震波的特征，发出强烈震动的预警。

DeepShake由斯坦福大学的Daniel J. Wu，Avoy Datta，朱伟强和William Ellsworth开发。

用于训练DeepShake网络的地震数据来自2019年加利福尼亚里奇克莱斯特序列的地震记录。当其开发人员使用7月5日7.1级Ridgecrest地震的实际震动测试DeepShake的潜力时，神经网络在高强度地面震动到达Ridgecrest地区的位置之前的7到13秒之间发送了模拟警报。

作者强调了仅通过地震记录直接使用深度学习进行快速预警和预测的新颖性。达塔解释说：“ DeepShake能够在时空范围内拾取地震波形中的信号。”

他补充说，DeepShake展示了机器学习模型在提高地震预警系统的速度和准确性方面的潜力。

吴说：“ DeepShake旨在通过直接从地震动观测中做出振动估计，来改善地震预警，并消除一些更传统的预警系统所采用的一些中间步骤，” Wu说。

Wu解释说，许多早期的预警系统首先确定地震的位置和震级，然后根据地面运动预测方程计算该位置的地面运动。

他补充说：“这些步骤中的每一个都会引入误差，从而降低地面震动的预测。”

为了解决这个问题，DeepShake团队转向了神经网络方法。训练构成神经网络的一系列算法时，研究人员无需确定哪些信号对于网络的预测就“重要”。该网络可直接从数据中了解哪些功能可以最佳地预测未来震动的强度。

“从构建用于地震学的其他神经网络中我们已经注意到，它们可以学习各种有趣的事物，因此他们可能不需要地震的震中和震级来做出良好的预测，”吴说。“ DeepShake在预先选择的地震台网上进行训练，因此这些台的本地特征成为训练数据的一部分。”

他说：“在端到端地训练机器学习模型时，我们真的认为这些模型能够利用这些附加信息来提高准确性。”

吴，达塔和他们的同事看到DeepShake互补加州的操作ShakeAlert，增加的工具箱地震早期预警系统。Datta补充说：“我们很高兴将DeepShake扩展到Ridgecrest之外，并加强我们在现实世界中的工作，包括失败案例，例如停机的站点和高的网络延迟。”