AI有望解决城市地震监测的噪音难题
2023-04-18 14:39:37 时间
由于人口密集,并存在众多重要的设施,城市中一旦发生破坏性地震将引发灾难性的后果。因此,各国当局和科学家们都在努力加强城市区域内的地震活动监测。然而,同样由于人口密集,设施众多的原因,城市区域的地震活动监测也遭受着人为活动产生的噪声所影响。
这些噪声包括交通运输引起的地面震动,风作用在地标建筑上引起的震动,以及其他的震动事件。
科学家们曾经尝试改变传统的单站监测模式,建立了一套密集阵列,来试图削弱这些噪声的影响,以探测强度较低的地震活动。2011年至2012年,人们在洛杉矶大都会区建立了这么一套阵列(探测单元间间距约100米),但效果并不让人满意。
直到最近,研究人员开发了一套基于深度学习的人工智能(AI)算法。他们提取了犹他大学地震台网高信噪比的地震事件信号,以及洛杉矶阵列记录的当地噪声信号,并将两者混合,产生不同信噪比的数据集,用来训练该人工智能。
随后,他们使用洛杉矶阵列中没有用作训练的信号,以及La Habra的区域性地震网台的信号,对训练后的人工智能进行检验。结果显示,这套被命名为UrbanDenoiser的人工智能既能处理阵列的信号,也能处理区域性网台的信号。
通过它的降噪处理,人们可以发现一些过去并未能发现的地震事件,从而提高对当地地震活动的了解。这对于城市,特别是向洛杉矶、东京这些人口密集的大城市的地震活动监测将带来极大的帮助。
研究人员表示,尽管这一系统是针对地震活动进行开发的,但通过合适的训练,同样适用于对其他震动事件的监测。当然,在这个时候,地震的信号就应该按噪声来处理。
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击