Met een groeiende rijkdom aan seismische data en rekenkracht tot hun beschikking, seismologen wenden zich steeds meer tot een discipline die machine learning wordt genoemd om gecompliceerde patronen in aardbevingsactiviteit beter te begrijpen en te voorspellen.

In een focussectie gepubliceerd in het tijdschrift Seismologische onderzoeksbrieven , onderzoekers beschrijven hoe ze machinale leermethoden gebruiken om voorspellingen van seismische activiteit aan te scherpen, aardbevingscentra identificeren, karakteriseren verschillende soorten seismische golven en onderscheiden seismische activiteit van andere soorten grondgeluid.

Machine learning verwijst naar een reeks algoritmen en modellen waarmee computers informatiepatronen uit grote datasets kunnen identificeren en extraheren. Methoden voor machinaal leren ontdekken deze patronen vaak zelf uit de gegevens, zonder verwijzing naar de echte wereld, fysieke mechanismen vertegenwoordigd door de gegevens. De methoden zijn met succes gebruikt bij problemen zoals digitale beeld- en spraakherkenning, onder andere toepassingen.

Meer seismologen gebruiken de methoden, gedreven door "de toenemende omvang van seismische datasets, verbeteringen in rekenkracht, nieuwe algoritmen en architectuur en de beschikbaarheid van gebruiksvriendelijke open source machine learning-frameworks, " schrijf redacteuren van focussectie Karianne Bergen van Harvard University, Ting Cheng van het Los Alamos National Laboratory, en Zefeng Li van Caltech.

Verschillende onderzoekers gebruiken een klasse van machine learning-methoden die diepe neurale netwerken worden genoemd. die de complexe relaties tussen enorme hoeveelheden invoergegevens en hun voorspelde uitvoer kunnen leren. Bijvoorbeeld, Farid Khosravikia en collega's van de Universiteit van Texas, Austin laat zien hoe een soort diep neuraal netwerk kan worden gebruikt om grondbewegingsmodellen te ontwikkelen voor natuurlijke en geïnduceerde aardbevingen in Oklahoma, Kansas en Texas. De ongebruikelijke aard van het groeiende aantal aardbevingen dat wordt veroorzaakt door de verwijdering van aardolieafvalwater in de regio, maakt het van essentieel belang om grondbewegingen voor toekomstige aardbevingen te voorspellen en mogelijk hun impact te verminderen.

Machine learning-technieken zouden in de nabije toekomst in toenemende mate kunnen worden gebruikt om analoge records van aardbevingen in het verleden te bewaren. Naarmate de media waarop deze gegevens worden vastgelegd, geleidelijk verslechteren, seismologen zijn in een race tegen de klok om deze waardevolle gegevens te beschermen. Machine learning-methoden die afbeeldingen kunnen identificeren en categoriseren, kunnen worden gebruikt om deze gegevens op een kosteneffectieve manier vast te leggen, volgens Kaiwen Wang van Stanford University en collega's, die de mogelijkheden testte op analoge seismograaffilm van het Rangely-aardbevingscontrole-experiment van de U.S. Geological Survey.

Machine learning-methoden zijn ook al aanwezig in toepassingen zoals MyShake, om gegevens te verzamelen en te analyseren van het crowdsourced wereldwijde seismische netwerk voor smartphones, volgens Qingkai Kong van de Universiteit van Californië, Berkeley en collega's.

Andere onderzoekers gebruiken algoritmen voor machinaal leren om seismische gegevens te doorzoeken om naschokken van aardbevingen beter te identificeren, vulkanische seismische activiteit en om de tektonische beving te volgen die vervorming markeert aan plaatgrenzen waar megathrust-aardbevingen kunnen optreden. Sommige onderzoeken gebruiken machine learning-technieken om de oorsprong van aardbevingen te lokaliseren en om kleine aardbevingen te onderscheiden van andere seismische "ruis" in de omgeving.