圖片來自原文
2020年2月28日，美國麻省理工學院（MIT）發佈新聞稱，該校研究人員提出一種利用機器學習的新方法，可以人為合成隱藏在地震數據中的低頻波，以便更精確地繪製地球內部結構圖。
在過去的一個世紀裡，科學家們開發出了繪製地殼內部結構圖的方法，以確定石油儲量、地熱等資源，最近還開發了可能封存過量二氧化碳的儲層的測繪方法。這些方法主要通過追蹤地震自然產生的地震波或通過爆炸物/水下氣槍人為產生的地震波來實現。地震波在地球上反射和散射的方式不同，由此可幫助瞭解地表下的結構類型。
地震波發生在1Hz左右的低頻率，這可以讓科學家們對跨越很寬距離的地下結構有一個清晰的瞭解。但是，地震波常常被地球上嘈雜的“噪聲”淹沒，因此用現有的探測器很難探測到。特別是，產生低頻波需要泵入大量的能量。由於這些原因，在人工地震資料中，低頻地震波基本消失了。
在麻省理工學院研究人員提出的新方法中，他們利用數百種不同的模擬地震數據來訓練神經網絡。當研究人員將新的模擬地震產生的高頻地震波呈現給訓練好的神經網絡時，神經網絡能夠模擬地震波傳播的物理過程，並準確估計地震波丟失的低頻波。
神經網絡是一組鬆散地模仿人腦神經工作的算法。研究人員將神經網絡應用於信號處理，特別是地震數據中的模式識別。他們推斷，如果一個神經網絡有足夠的地震實例，以及由此產生的高頻和低頻地震波通過地球某一特定組成部分時的方式，那麼該神經網絡應該能夠挖掘不同頻率分量之間隱藏的相關性，並在僅給出部分地震資料的情況下推斷任何缺失的頻率。
在神經網絡訓練過程中，研究人員輸入的是他們使用Marmousi模型生成的數據。Marmousi模型是一個複雜的二維地球物理模型，可模擬地震波在不同密度和成分的地質結構中的傳播方式。研究人員使用該模型模擬了9個“虛擬地球”，每個“虛擬地球”的地下成分都不同。對於每一個地球模型，研究人員模擬了30次不同的地震，所有的地震強度相同，但起始位置不同。訓練結束後，研究人員向神經網絡引入了一種新的地震，該地震只包括地震活動的高頻部分。此前，研究人員在地球模型中模擬了這種地震，但沒有包括在原始訓練數據中，他們希望神經網絡能夠從訓練數據中學習到足夠的知識，進而從新輸入數據中推斷出缺失的低頻信號。結果發現，神經網絡產生的低頻值與Marmousi模型最初模擬的相同。
但是，研究人員表示，和所有的神經網絡一樣，這種方法也有其侷限性。具體來說，神經網絡只和輸入的數據保持在一個水平。如果一個新的輸入和一個神經網絡的訓練數據有很大不同，就不能保證輸出是準確的。為了克服這一侷限性，研究人員計劃向神經網絡引入更多種類的數據，例如不同強度的地震，以及成分更為多樣的地殼。
隨著對神經網絡的不斷改進，研究人員希望能夠使用這種方法從實際地震數據中推斷出低頻信號，然後將其插入地震模型，以更準確地繪製地球表面以下的地質構造圖。
轉載本文請註明來源及作者：中國科學院蘭州文獻情報中心《地球科學動態監測快報》2020年第07期，趙紀東 編譯。
