حسگرهای زلزله ممکن است با کمک هوش مصنوعی که سر و صدای شهر را از بین می برد

صداهای شهرها تشخیص سیگنال های زیرزمینی مبنی بر وقوع زلزله را سخت می کند، اما الگوریتم های یادگیری عمیق می توانند این نویز را فیلتر کنند.

توسط کریس استوکل واکر

یک الگوریتم یادگیری عمیق می‌تواند صدای شهر را از ابزارهای نظارت بر زلزله حذف کند و تشخیص زمان و مکان وقوع لرزش را آسان‌تر کند.

گرگوری باروزا از دانشگاه استنفورد در کالیفرنیا می‌گوید: «پایش زمین‌لرزه‌ها در مناطق شهری مهم است، زیرا به ما کمک می‌کند تا سیستم‌های گسلی را که زیربنای شهرهای آسیب‌پذیر هستند، درک کنیم. با دانستن محل وقوع گسل‌ها، می‌توانیم رویدادهای زلزله را بهتر پیش‌بینی کنیم.»

با این حال، صداهای شهرها – از ماشین ها، هواپیماها، هلیکوپترها، شلوغی و شلوغی – نویزهایی را اضافه می کند که تشخیص سیگنال های زیرزمینی مبنی بر وقوع زلزله را دشوار می کند.

برای تلاش برای بهبود توانایی خود در شناسایی و مکان یابی زمین لرزه ها، باروزا و همکارانش یک شبکه عصبی عمیق را آموزش دادند تا سیگنال های زلزله را از سایر منابع نویز تشخیص دهد.

حدود 80000 نمونه نویز شهری و 33751 نمونه سیگنال لرزه ای در قالب های مختلف برای آموزش، اعتبارسنجی و آزمایش شبکه عصبی ترکیب شدند. نمونه‌های نویز از صدای ضبط شده در لانگ بیچ، کالیفرنیا، در حالی که سیگنال‌های زلزله از منطقه روستایی اطراف سن جاسینتو، همچنین در کالیفرنیا گرفته شده بود، به دست آمد. باروزا می گوید: «ما چندین میلیون ترکیب از این دو را برای آموزش شبکه عصبی ساختیم.

پخش صدا از طریق شبکه عصبی نسبت سیگنال به نویز -سطح سیگنالی که می‌خواهید در مقایسه با سطح نویز پس‌زمینه بشنوید- را به میزان 15 دسی‌بل، سه برابر میانگین تکنیک‌های کاهش نویز قبلی، بهبود بخشید.

مارتین دی هوپ از دانشگاه رایس در هیوستون، تگزاس می گوید که این تحقیق در این زمینه بسیار آموزنده است. او می گوید: «این کار واقعاً خوب انجام شده است و به نظر من کار زیبایی است.

اما یک نقص را برجسته می کند: شبکه عصبی بر اساس داده های توصیف شده توسط انسان ها آموزش داده شده است، روشی به نام یادگیری نظارت شده، و قرائت ها همه از یک منطقه بوده است. این واقعیت که این مدل به طور خاص برای حذف نویز از صداها در کالیفرنیا تعدیل شده است به این معنی است که وقتی با نویز از جاهای دیگر ارائه شود، بعید است که موفق باشد.

دی هوپ می گوید: «جام مقدس در این زمینه یادگیری بدون نظارت است. “اگر به یکی از شهرهای بزرگ ژاپن بروید، شانس موفقیت مستقیم آن بسیار اندک است، زیرا تحت نظارت است.”

باروسا همچنین مطمئن نیست که این مدل در جاهایی غیر از کالیفرنیا چقدر خوب کار کرده است. او می‌گوید: «بسته به محیط، امضاهای نویز احتمالاً با آنهایی که در آن آموزش دیده‌اید متفاوت خواهد بود.

مرجع مجله: پیشرفت علم، DOI: 10.1126 / sciadv.abl3564