密集地震觀測帶來的變革

張晁軍+陳會忠

摘要：進入21世紀，地震觀測的重大變化就是密集地震觀測網的出現，通過論述地震密集觀測技術帶來的變革，得出以下認識：（1）這種變革改變了傳統地震觀測模式，突破了傳統的地震臺網的概念；（2）觀測地震活動影像為實時地震觀測和預測帶來了新的發現；（3）密集地震臺網將地震帶進了大數據時代，推動傳統地震學從依靠自身判斷（依靠計算模型）做決定到依靠數據做決定的轉變，而人工智能技術可以在大數據基礎上推進地震學跨界創新，向智慧地震發展。

關鍵詞：密集地震觀測技術；變革；移動互聯網；大數據；人工智能

中圖分類號：P3157文獻標識碼：A文章編號：1000-0666（2017）01-0001-14

1密集地震觀測技術

21世紀，密集地震觀測技術、地震烈度速報和預警技術迅猛發展，地震科學研究不斷深入，密集地震觀測網（Dense Observation Network）和超密集地震臺陣（Dense Seismic Array）應運而生。前者的產生是地震烈度速報和預警的研究需要，后者的產生則主要是局部地區地震科學進一步深入研究的需要。密集地震觀測技術的出現是和高新技術發展緊密相聯的，高新技術發展有4個方面：傳感器技術（特別是微機電傳感器MEMS技術）、移動互聯網技術、大數據技術和人工智能技術。高新技術發展必將影響和推動地震學的發展。

11密集地震觀測網

汶川大地震發生之后，盡管我國地震速報系統快速測定了地震基本參數，但是那時還沒有建立地震烈度速報系統，無法提供基于觀測的地震烈度速報圖，不能給汶川地震的應急響應和緊急救援提供更多有價值的決策信息。因此，地震烈度速報的研究被提上日程。實際上，美國自1994年北嶺地震之后，就開始對地震動圖（ShakeMap）進行研究。在破壞性地震發生之后能夠快速提供峰值地面加速度、峰值速度的空間分布圖和儀器地震烈度分布圖，稱為地震動圖（ShakeMap）。由于傳統的地震臺網的臺站密度不夠，烈度速報就需要加密地震臺站。但是當時沒有價格低廉的地震觀測設備，用傳統的設備投資巨大。通過地球模擬器，在傳統臺站之間增加“虛擬地震臺”來“加密”地震臺網，以此來獲得地震動圖（澤仁志瑪等，2006），這就是最早的烈度速報系統，稱為儀器烈度速報。

日本在1995年阪神地震之后，投入巨資在全國建立具有1 000多個地震臺的Hi-net地震臺網，這使日本在烈度速報方面發展迅速，目前Hi-net 2013已經發展到3 000多個臺站。因此日本是最早利用密集地震臺網實現烈度速報的國家，突破了傳統的以地震三要素測定的地震速報。由于臺網密集可直接顯示每個臺站記錄的地震動值，就可以生成烈度速報圖。地震發生后的1～2 min內，就可發布地震烈度的信息（http：//wwwjmagojp/jp/quake/），圖1為2013年12月14日12時6分日本千葉近海55級地震的烈度速報圖，共使用800多個臺站數據，在震后約3 min發布。

地震預警是地震發生后，對即將到來的破壞性地震動進行預測和警報（DB/T 59—2015）。地震預警是從英文“Earthquake Early Warning”翻譯過來的。日本叫“地震緊急速報”，中文應翻譯為“地震報警或地震警報”，而不應翻譯成“地震預警”。翻譯成地震預警容易和地震預報混淆。美國稱為“Shake Alert”系統，即震動報警系統。

地震預警的效果仍有許多不理想的地方，如地震預警技術從原理上就存在“預警盲區”。如前所述地震預警是在大地震發生后，向遠處發出警報。從大地震發生到警報的發出，是需要時間的，這個時間是地震波從震源到達地震臺的時間和地震臺收到地震信號判定地震并做相關處理時間的總和。在這段時間內，地震波照樣傳播，由于后至的S波、面波會造成更大程度的破壞，這段時間對應的S波傳播的距離，我們稱之為盲區，即地震警報到達該地區時，破壞性地震波已經到達或已經過去。顯而易見，為了縮小地震預警的盲區，最重要是需要建立密集地震觀測網。根據科技部科技支撐項目研究的結果（張晁軍等，圖2預警時間與臺間距關系圖），以正方形臺網為例，以理想方式（地震發生后可立即被周邊3或4個臺站感知，即地震發生在正方形中心），考察臺間距對預警時間的影響，得出圖2結果。圖2中顯示地震預警網至少需要10 km左右就要建立一個地震臺站。顯然用傳統的技術建立地震臺站需要巨額投資。

地震研究40卷第1期張晁軍等：密集地震觀測帶來的變革12超密集地震臺陣

深入研究地震過程，需要精確確定地震的震源、地震發生的過程、動態觀測地震波傳播，進而確定深部地震發震斷層和性質，因此近幾年出現了密集地震臺陣。比如美國在加利福尼亞長灘建立了一個由5 200個垂直傳感器組成的超密集地震臺陣。圖3是在圣菲斯普林斯的超密集地震臺陣（美國加州伯克利大學地球和空間系網站，http：//webgpscaltechedu/～clay/SFS/SFShtml），它由在以6 km為半徑的范圍里部署了2 500個連續記錄的傳感器組成，科學家利用費爾菲爾德超密集地震臺陣對地震進行了和傳統地震臺網不一樣的觀測和研究。這樣的密集地震觀測技術可以有效提高信噪比，清楚顯示地震波場過程。這樣的集群陣列揭示了以前未發現的地震活動的空間分布、特別是深部地震活動，從而可以確定地震斷層的軌跡。

2高新技術發展的4大現象

密集地震觀測技術的出現是和高新技術發展緊密相聯的。近些年，高新技術發展有4個方面，那就是傳感器技術（特別是微機電傳感器MEMS技術）、移動互聯網技術、大數據技術、人工智能技術。可以預見，高新技術發展必將影響和推動地震觀測技術的發展。

21新型MEMS傳感器

引人注意的是在2013年10月發表在美國BSSA上一篇題為“Suitability of low-cost three-axis MEMS accelerometers in strong-motion seismology：tests on the LIS331DLH iPhone）accelerometer”（Alessandro，Anna，2013）的文章。該篇文章展示了安裝在iPhone手機中LIS331DLH MEMS加速計和傳統的EpiSensor力平衡加速計（forcebalance accelerometer，FBA）ES-T比較的結果，證明了這類微機電MEMS（microelectromechanical system）傳感器可以提供一種新的方式用來大量加密地震觀測網觀測點的數量。MEMS這種新型傳感器的產生和在地震觀測中的應用為密集地震觀測網和密集地震臺陣提供了可利用的傳感器技術，同時其價格低廉是密集地震觀測技術發展的物質基礎。

臺灣研制的Palert地震預警設備的價格也只有傳統地震儀的1/20（Wu et al，2013）。圖4是四川和臺灣生產的適于移動互聯網使用的地震預警臺站設備。

2移動互聯網及其發展

近年來，移動互聯網技術發展迅速，智能手機、Pad等一系列移動互聯網終端設備已經在互聯網應用上代替了計算機。移動互聯網以寬帶IP為技術核心，可以同時提供語音、數據、多媒體等業務的開放式基礎電信網絡。特別是近幾年智能手機的出現，以及各種各樣的應用APP軟件，通過無線方式接入互聯網和傳輸數據信息已經成為人們的生活方式。

智能移動終端所具有的小巧輕便、隨身攜帶的特點決定了移動互聯網具有接入移動性。移動終端的便攜性使得用戶可以在任意場合進行網絡接入。移動互聯網的使用場景是動態變化的，但由于用戶號碼具有唯一性，手機各種不同的操作系統和底層硬件終端類型具有多樣性等等，因而和傳統互聯網不同。

移動互聯網技術和地震觀測技術相結合，使得地震觀測技術向密集和超密集觀測有了實用的數據傳遞和處理平臺。以智能手機為基礎，結合MEMS技術開發的地震烈度計和地震預警技術（圖5），得以迅速發展。

利用移動互聯網技術可以方便地進行密集地震觀測網的組網，無需專門架設和租用電信運營商的專線，只需向電信運營商申請一定互聯網手機數據網業務，或者移動物聯網業務，獲得聯網的UIM或SIM卡即可完成無線接入互聯網傳送地震數據的應用。

密集地震觀測網的工作和運行方式也與傳統的地震觀測網不同，為了保證地震警報的及時發出和烈度速報的自動發布，它是以傳感器網絡為基礎的方式組網和運行的，在移動互聯網基礎上向物聯網發展（圖6）。它是網狀網，每個智能傳感器，稱為節點，都可以互聯，它有一個和多個入網認證中心和數據中心，稱為Sink節點，是傳感器網絡管理中心、原始數據和結果數據中心。傳感器網絡智能發現“事件”，對于“事件”的快速反應和處理比傳統的網絡更準、更快。圖6傳感器網絡工作方式

Fig6Sensor network working mode密集地震觀測網的組網可以在地震行業網基礎上進行，也可以依托互聯網單獨組網。實際上，利用移動互聯網組網，Sink點就像移動蜂窩電話一樣需要建立基站，我們可稱為地震蜂窩基站，如果這樣的系統和大數據云平臺連在一起，就被稱為大數據云平臺的數據匯集器。在組網的布局上，基站Sink實際是某一地區的管理注冊服務器，任何一個臺站的接入以及工作狀態都由它自動管理。它按照一定的協議和規定好的密集地震觀測網的管理標準，管轄臺站的運行，進行事件處理，并向總中心報告（圖7）。

23大數據時代和地震

美國政府在2012年3月21日宣布大數據時代計劃——“Big Data is a Big Deal”（http：//wwwwhitehousegov/blog/2012/03/29/big-data-big-deal），地質調查局（USGS）承擔了重要任務。這是美國政府第二次宣布信息技術計劃（第一次是在1994年宣布信息高速公路計劃），此后互聯網的發展幾乎改變了世界。

大數據的產生和新型傳感器及移動互聯網密不可分。全球移動互聯網智能手機已經達到26億部，中國已經達到7億部，各種新型傳感器的數量遠遠超過智能手機的數量，正是它們使數據“爆炸式”增長。據美國政府估計，全球每年由各類設備產生的數據達到約12 ZB（1 ZB=12億TB），大數據就是在這樣的基礎上產生的。

大數據的倡導者維克托·邁爾-舍恩伯格曾說過“大數據是人們獲得新的認知，創造新的價值的源泉。大數據帶來3個轉變：（1）更多：不是隨機樣本，而是全體數據；（2）更雜：不是精確性，而是混雜性；（3）更好：不是因果關系，而是相關關系”。因此很多人認為大數據是信息技術的新的發展，而這個發展可能像互聯網一樣標志著一個新的時代。

大數據就是巨量數據，巨量數據是怎么產生的？巨量數據一定是在傳感器和設備從精密到簡單、從笨重到智能、從昂貴到低廉、從量少到量大的過程中產生的。當前是移動互聯網時代，最明顯的例子就是智能手機，現在手機的能力和阿波羅登月指揮用的計算機是一樣的，那時價值幾億美元。可是現在手機的成本不到1 000元人民幣，可以做到人手一部。所以其量大，而產生的數據是巨量的，大數據就是在這個背景下產生的。

大數據是手機、新型機電式傳感器（MEMS）這些終端產生數據的源頭，近十年來迅猛發展的結果。這些價廉、智能、物美、量大的終端促使數字化數據迅速增長。

如上所述，密集地震觀測網完全遵循了大數據的產生規律，從精密傳統地震儀到簡單MEMS烈度計，從昂貴設備到廉價MEMS設備，從高精度儀器到智能化設備，從100～200 km、稀疏量少的傳統臺站到臺間距僅有10 km乃至1 km的密集地震觀測網和臺陣。地震觀測的數據從小數據變成了大數據。所以說，密集地震觀測網將會把地震帶進大數據時代。

地震大數據的產生起源于密集地震觀測，密集地震觀測網無論在空間采樣還是時間采樣上都是傳統的地震觀測網無法比擬的，我國密集地震觀測網將會擁有數萬到數十萬個傳感器，地震預警和地震烈度速報催生了密集地震臺網，而密集地震臺網產生了巨量數據，它是地震大數據的基礎。

24人工智能（AI）的應用前景

人工智能（Artificial Intelligence，簡稱AI），是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，人工智能被提出已有60年，但是一直進展緩慢。最近人工智能成為熱詞，是由機器和人的圍棋大戰引發的，即計算機阿法狗（Alpha Go）戰勝了韓國著名棋手李世石9段。如今，移動互聯網，特別是大數據的出現，使人工智能發展迅速。特別是數據挖掘、計算機視覺、圖像識別、自然語言處理、語言翻譯、生物特征識別、人臉識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略戰術指揮和機器人運用這些方面，都取得了突飛猛進的發展。

提供了重要技術機器學習的基礎的互聯網和大數據為人工智能開辟了美好的前景，大數據是機器學習的資源地。而機器學習的方法是深度學習，如今人工智能發展應該說是在大數據的背景下深度學習的結果。當然，計算機技術的發展，特別是GPU（Graphic Processing Unit）的廣泛普及和存儲技術的發展也是人工智能技術的硬件基礎。

人工神經網絡（Artificial Neural Networks）在地震處理和地震模擬技術方面很早就得到了應用，其實它是人工智能機器學習和深度學習的重要手段。在巨量大數據的背景下，在某些場景中，經過深度學習技術訓練的機器在識別圖像時比人類更好，比如識別貓、識別血液中的癌細胞特征、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，也是在大數據背景下深度學習的結果，沒有互聯網對李世石的圍棋大數據學習，機器也不可能獲勝。

當前人工智能對于地震科學研究和技術帶來了巨大挑戰和機遇。美國最近研發的利用智能手機建立地震預警的MyShake系統和中國地震臺網中心的地震信息播報機器人都是人工智能應用在地震方面的案例。人工智能是一門極富挑戰性的科學，在地震大數據時代，它和地震科學結合起來，必將對地震學的推動開辟新的前景。

3地震學的變革

前述高新信息技術發展的4個現象其實就是“互聯網+”的重要體現，它必將深入各行各業，產生新的模式和新的業態。地震觀測在這4大現象的推動下已經清晰地看到新的密集觀測方式的產生，改變了地震科學研究和地震觀測技術的傳統模式。

31突破傳統地震臺網概念

如前所述，密度地震觀測網突破了傳統的地震臺網規模，是一種新的地震觀測網，由于臺間距為10 km以下，甚至1～2 km或者幾百米，它已經突破傳統地震臺網的概念了。

（1）由于密集，不需要非常嚴格的地震臺站的臺址和環境條件；

（2）由于密集，不需要非常靈敏的地震儀和傳感器，因此價格便宜；

（3）由于密集，不需要專門建設臺站，只需簡單安裝。

（4）由于密集，臺站數量大，儀器設備需要智能化和高可靠性，基本可以做到免維護。

密集地震觀測網在其監測的區域里對微小地震的監控能力也并不會下降，地震臺站的大數量或高密度在某種程度上代替了量少、高靈敏的傳統地震臺網。

密集地震觀測網的發展，特別是用于地震烈度和地震預警。它對地震觀測的主要突破如下：

（1）地震烈度速報直接產出

密集地震臺網帶來的第一個突破，就是儀器烈度速報直接產出，日本是最早利用密集地震臺網實現烈度速報的國家，使地震烈度信息在震后1～2 min就可以快速發布。密集地震預警網可以快速測定臺站的速度、加速度及位移，由于臺站是高密度的，直接標出臺站的振動數值，就是很好的烈度速報圖（圖1）。日本的地震烈度速報的產出速度就是地震波掠過臺網的速度，在震后很快就可產出，這對地震應急響應和緊急救援具有至關重要的作用。

（2）地震預警取得了實際應用

密集地震觀測網的第二個突破就是使地震預警成為可能。日本地震預警系統自2007年正式運行以來，已經有數十次成功地震預警的實踐，包括成功預警高速鐵路采取措施而減輕損失。我國也具有了像四川蘆山70級地震和其他50～60級地震實現地震預警的實例。

2014年8月24日舊金山納帕（Napa）發生了60級地震。加州理工學院地震專家郝克森（Aegill Hauksson）表示，在震源深度為7英里的地震發生后10 s，地震預警系統發出了第一個警報。盡管據說有在150名自愿者，只有一名自愿者在舊金山收到了警報。美國地震學家認為地震預警技術是近十幾年地震觀測技術最重要的突破和進展。

（3）更快測定地震參數

密集地震臺網帶來的第三個突破，是在高密度地震觀測網實踐中得出的，那就是地震參數的快速測定也必將改變。對于臺間距為10 km的高密度臺網，實際上首先觀測到的地震臺站位置，就已經是傳統地震定位Ⅰ類精度了——震中。臺灣使用首先收到地震的幾個臺站的中心點或前8個臺站定位，可以在20 s之內速報地震三要素，這是傳統的地震臺網無法比擬的。

至于地震震級也必將由于密集地震臺網的出現而更加精確，我們都知道矩震級MW是公認的比較理想的震級標度，其概念是金森博雄（Kanamori）提出來的，實際上是地震斷裂來決定的，它具有不飽和的特點。由于密集地震臺網觀測得到的最大PGA或PGV或PD覆蓋區的面積與MW具有線性關系，這樣利用密集地震臺網觀測到的最大振動的面積（圖8），就立即可以測定出MW，其速度已經遠遠超過傳統的遠臺測定MW的方法，而且要準確的多。

（4）近場快速跟蹤地震破裂過程

密集地震臺網帶來的第四個突破是跟蹤地震破裂過程。目前由于地震臺網不夠密集，無法使用震中附近的臺站觀測數據來反演地震破裂過程，這是由于近臺記錄地震波形的復雜，使反演地震破裂過程很難實現。傳統的地震臺網只能用遠臺的有限的面波資料來反演地震破裂過程，實際上帶來很多不確定性，一個大地震會出現不同的結果。密集的地震臺網將改變這一狀況，它可以跟蹤大地震的破裂方向和過程，使地震破裂過程產出豐富的直接觀測數據，使地震破裂過程的結果可以快速得以直接判斷。觀測到地震震后的過程，還可以據此研究和模擬地震孕育發生和產生的全過程，使人們更加深入了解地震。圖9是何加勇采用最基本的惠更斯理論，使用近場地震臺站記錄反演汶川地震的破裂源，以迅速追蹤地震破裂過程。

（5）動態監視地下結構

密集地震臺網帶來的第五個突破是動態監視地下結構的變化。這樣一個密集地震臺網，將會記錄到非常多的中小地震，成都市地震預警試驗臺網自2013年1月運行以來，該系統監測到的25級以上地震就500多次，這些中小地震就像物理探測的震源一樣，可以用來探測地下結構，動態監視地下的變化。同時還可以實時成像，成為所謂的動態“地下云圖”，為探索地震預測提供可視化資料，這是稀疏臺網無法做到的（圖10）。

密集地震觀測網必將推動地震學、特別是地震觀測學，向實時動態地震學、應急地震學發展。一些新的概念將會產生，新的地震參數處理方法，新的地震參數和參量，新的地震動參數和參量也會出現。密集地震臺網的出現，使我們面臨一系列新的課題和挑戰，我們的思想和觀念也必須隨之改變。密集地震觀測網到底還會為地震觀測學、地震學帶來了什么突破？傳統地震臺網，我們可以稱之為骨干地震臺網在地震觀測系統中將會發揮什么樣的作用？也是我們必須研究的。

32超密集地震臺陣的新發現

超密集地震臺陣的觀測使地震觀測有了新的發現，圖11a所示為圣菲斯普林斯超密集地震臺陣，在距離臺陣中心35 km處發生了一個ML34地震。那時只有60%傳感器正在工作，仍可以清楚觀察地震活動影像（Earthquake Movie）。從活動圖像上可以清楚看到地震波傳播的圖像以及各種震相的速度變化（圖11b）。

圖12是日本的實時地震動活動圖像，全國共4 000個臺站每隔2 s顯現一次當前時間的地震動加速度峰值，地震動的活動圖像幾乎實時的顯示地震動的情況，監視著全國地震情況，地震發生時便可立即發出警報。

發現沿著紐帕—英格伍德斷層（Newport-Inglewood）有一種小級別地震，而其震源深度超過24 km。據分析認為這是一種新類型地震，其因所處深度幾乎超出地殼而不能被常規地震儀檢出，只有超密集地震臺陣才可以監測到這種新型地震。這種新型地震幾乎穿透地殼而接近地幔，其發生深度前所未見。因此科學家無法用目前已知的理論加以解釋而陷入困惑，這種新型的地殼深層地震的最大震級僅為2級，推測累積的震動作用很可能會擴延成毀滅性強震。于是在2016年10月初他們預測加州發生大地震的概率上升了100倍。這在加州引起了不小恐慌（http：//minieastdaycom/a/161011181059104-2html）。但是地震學家也發現2012年蘇門答臘發生的86級地震的震源深度也超過24 km，這個地震的主要能量傳向地球內部，而地面破壞不大。這又提示地球及人類受到神秘力量保護而免于遭受毀滅性災難。在臺灣使用超密集地震臺陣的相變速度變化數據，進行大地震地應變的觀測和測量也取得了重要的進展。

33向地震大數據思維轉變

由于密集地震觀測技術將地震行業帶進了大數據時代（當然地震大數據并非完全由密集地震觀測網所產生，移動互聯網也會產生大量的社會地震數據），地震數據變成為巨量的數據。以巨量數據來觀測和研究地震必然要改變人們的思維，地震大數據將推進傳統地震學從依靠自身判斷（依靠計算模型）做決定到依靠數據做決定的轉變。

地震數據從小數據到大數據就顯示了大數據思維。地震大數據思維表現在如下的幾個方面：

（1）地震大數據是巨量數據，是多維、多種、非常繁雜的廣泛的數據

地震小數據，主要拘泥傳統地震行業產生的觀測、調查、試驗、考察數據，種類少、采樣率低。例如觀測數據，由于地震臺站觀測儀器精密昂貴，地震觀測技術復雜，因此地震觀測臺站間距一般為30 km，有的地區甚至更大，地震臺網稀疏。信息的匱乏迫使地震研究趨向于采用因果關系范式，去理解問題并做出決策。因為數據少，希望能從這些少量的數據中找出因果。但是當處理出了問題，可能因果關系就無法發現，結果的可信度也常被質疑。

地震大數據突破了密集地震觀測技術，地震觀測數據成百倍、千倍、萬倍的增加。除了密集地震觀測所產生的數據，還包括非地震行業產生的地震相關的數據，社會感知的地震數據，例如地震災害數據、地震宏觀現象數據以及一些傳統地震學所認為的不是地震的數據等等，這些數據已經遠遠超過傳統地震學的范疇，不僅跨學科而且可以深入到社會科學領域。所以地震大數據已經突破了傳統地震學數據的概念，它表現為多維、多種、繁雜、多樣的巨量數據，這些巨量數據完全符合大數據的大量、多種、產出快、有價值的特點。

（2）地震大數據是找關系

大數據時代對于數據的研究不再拘泥于對因果關系的探究，這將會使地震行業有條件向關聯、非關聯等相關關系探究的轉變。在商業和金融已有很多大數據技術應用的經典案例。在地震大數據應用上，中國地震臺網中心張崇立等的前兆異常度的案例說明了大數據應用前景。

案例很簡單，就是將汶川地震前每周會上提出的前兆數據異常數和在劃分的二級塊體里臺站的比例稱為前兆異常度。按照大數據的方式，不管這些數據的手段和學科（地震前兆觀測數據包括地形變、地磁、地電、地下流體、地球化學、地表面振動、地震等學科與幾百種觀測手段和儀器），也不管它的空間維度和結構，只要出現異常就帶入異常度公式計算。

我們定義“異常活動度”為表示某一地塊（或某一地質構造單元）在某一t時刻表現為異常活動的劇烈程度的參量。一般地，理論上表示為

式中，AZCL是一個無量綱的參量。S用來量度與孕育某個震級水平的地震相匹配的、且不可再分的基本地質構造單元的理論空間尺度，它與根據研究對象的需要所設定的震級下限有關。ε是對應于S的地質構造單元之特征空間尺度的參量，它是S的近似值，與“地震-構造活動”關系研究結果的準確性和精細程度有關。NA表示某一具ε特征空間尺度的地質構造單元內在t時刻呈異常活動狀態的質點數，N表示與ε對應的地質構造單元內質點的總數。

對汶川地震前每周的異常度的前6個月到前一周進行計算。結果發現前兆異常度（圖14a）和二級巴顏克拉塊體（圖14b）有很好的關聯性，而用其他劃分方法找不到相關性使用大數據關聯方法進行地震前兆異常度的研究表明：地震前兆觀測數據是和構造體有關的，它們是相關聯的。汶川地震前前兆異常度的變化，和巴顏克拉塊體有關聯，這和各方面研究成果是一致的。因此美國地震調查局（USGS）承擔的大數據計劃也是從全球地學數據中尋找地震復發率的研究。

（3）大數據使處理簡單

傳統的小數據時代，在數據的限制無法突破的情形下，數據處理算法的研究越來越深入，發明的算法越來越復雜。如測定地震參數的算法和地震定位的方法，數量越來越多，越來越復雜，速度也越來越慢，需要的計算機能力越來越高。如前所述，當數據量以指數級擴張時，原來在小數量級的數據中表現很差的簡單算法，準確率會大幅提高。大數據的簡單算法比小數據的復雜算法更有效。密集地震臺網的定位基本就是最先到達臺站的平均間隔，而且比傳統臺網定位準確。而震級的計算根本不需要量取震相幅值，而是直接計算密集地震臺網地震波掃過后最大震動的面積進行推算，這個面積其實就是金森博雄的矩震級公式，只需轉換一下系數，處理快速簡單而準確（圖15）。

（4）大數據使審慎決策到快速決策

傳統地震臺網處理和決策都非常慎重，通過收集和分析數據來驗證這種假設；如果有一些數據有問題，就影響原有假設，決策與行動是審慎的。小數據的地震速報可以較快地進行自動速報，但是處理復雜，要多中心審慎決策，特別是終報更需要審慎決策。原因是小數據依靠模型解算方程，由于空間數據間隔太大，往往初值確定不準確，大量計算可能仍然得不到可靠的結果，必然影響快速決策。

密集地震臺網的大數據，不再受限于傳統的方式，可以簡單而準確得到地震的位置和大小，無需反復地檢查、修定和復核。足以做出快速決定。地震預警的警報可以在數秒內發出，地震烈度速報也可以在幾分鐘內發出。快速決策對于大地震的防震減災和挽救生命無疑是具有重要的意義。

4發展人工智能推進智慧地震

人工智能在大數據技術出現后，發生了突飛猛進的發展。跨界創新是大數據時代的特征，而人工智能技術恰恰可以在大數據基礎上推進跨界創新，同樣地震在人工智能應用上，有著非常重要的應用前景，最重要的就是向智慧地震推進，即更透徹的感知、更全面的互聯、更深入的智能化。

（1）人工智能手機地震預警

美國開發的智能手機MyShake預警系統就是一個很好的案例（Kong et al，2016）。智能手機比傳統地震臺網更為廣泛和普及，它內置了可用于檢測地震的加速度計，使用智能手機的內置傳感器來收集數據和分析地震。智能手機MyShake系統可以從日常的各種震動中至少檢測到距手機10 km以內的5級地震。這些數據匯集到觀測網中心，經過一定的算法處理，可以實時測定地震的位置和震級，發出地震預警信息。這對沒有地震預警系統的區域，可系統地提供地震預警。而在有預警系統的區域，MyShake系統是對專業預警原系統預警能力的補充和增強。該系統地震波形記錄還可以用來提供快速地震烈度圖，以評估地震對建筑物的影響，還可以獲取地球內部淺層結構圖像和地震破裂過程。

該系統利用了人工智能技術，采用了機器學習的辦法，在人為噪聲和地震信號中分離出18種信號，經過震動臺和實際地震的實驗，在深度學習的基礎上，得到了識別地震信號的3種特征（圖16），有效地在智能手機信號里識別出地震，從而開發了人工智能手機地震預警系統。

通過對各種智能手機的噪聲進行測試，了解智能手機的噪聲背景情況，然后進行三維振動臺試驗，輸入一個真實的地震數據，對固定和不固定手機波形的頻譜進行比較，如圖17所示。圖17a為三星Galaxy S4手機三分量加速度從2014年8月23日16：00 開始的12小時記錄。它顯示了人類的日常運動的加速度為第一個8小時，然后在夜間出現平穩。圖中的紅框表示圖18b的時間窗口；圖17b顯示圖17a的1分鐘數據，這1分鐘是距納帕M60地震38 km處的手機記錄。地震發生在當地時間上午03：20：44；圖17c為手機記錄特征圖，顯示IQR與ZC的對地震的區分，藍點是人類活動，紅點是地震特征；圖17d區分地震3個特性的三維圖。

利用人工智能方法對手機振動和地震記錄進行區分，在18種特征信號中識別出了最好用的3個特征：加速度矢量和的四分位距（IQR）、最大的過零率（ZC）和累積絕對速度的加速度的矢量和（CAV）（圖18）。

圖18是地震預警效果，在地震事件發生3 s，5 s，和7 s后，模擬2014年拉哈布拉M51地震觸發檢測，灰色點是手機點的位置，粉紅色表示單個觸發。紅色星是真正的地震的位置，圓圈是10 km、20 km、30 km半徑線。藍色星代表在5 s內檢測到的事件位置，在每個圖中的震級在右上角顯示。10 km范圍內98%內的地震記錄可以被確認和識別。隨著距離的增加和幅度的減小，成功率會降低，93%的日常運動振動可以很好地被確認和識別。人工智能技術使手機有了地震智慧，通過技術手段和互聯網讓公眾參與到地震工作中來，并為其提供精細化和個性化的服務，實現人人參與地震工作，人人享受地震服務。

（2）地震信息播報機器人

地震信息播報機器人是中國地震臺網中開發的智能速報工具，圖19是地震信息播報機器人發布的新疆阿克陶縣67級地震微信。

這個用時3 s的機器人的地震速報內容已經不僅僅是地震參數的速報，而是智能的產出和地震相關的信息：

“據中國地震臺網正式測定，11月25日22時24分在新疆克孜勒蘇州阿克陶縣發生67級地震，震源深度10 km，震中位于北緯3927°，東經7404°。

根據中國地震臺網速報目錄，震中周邊200 km近5年來發生4級以上地震共83次，最大地震是2015年12月7日在塔吉克斯坦發生的74級地震。

本次地震震中周邊10 km內的村莊有闊勒坡其，50 km內的鄉鎮有木吉鄉。距離最近的縣級市烏恰縣116 km，距離最近的地級市喀什地區169 km，距離最近的省會城市烏魯木齊市1 238 km。

2000年，阿克陶縣轄2個鎮、11個鄉，面積24 55506 km2。阿克陶縣2003年人口為172 031人。2012年，阿克陶縣實現生產總值1602億元，比2011年增長151%。海拔1 325 m。”（以上內容由機器于2016年11月25日22時41分51秒自動編寫，用時3 s，公測階段僅供參考）

地震信息播報機器人，集成了人類智慧，從大數據中迅速判斷快速的向公眾提供不一個地震參數還要詳細的地震信息速報，可以提供更加個性化的服務。

（3）跨界互聯網大數據的地震應急

在“互聯網+”地震時代，產生了地震互聯網大數據，一個地震微博將會影響數億人，產生的數據足以稱為大數據，它完全反映一個地震和各行各業的關聯，反映社會在地震時的狀態。根據互聯網的大數據得到的和地震關聯的數據信息，既快速又準確，加快了大地震應急和救援的速度和能力。例如互聯網手機數據產生的大數據熱力圖表示了人口的實時流動，就是實時人口分布圖，在發生大地震時它立刻指明了生命救援的方向（圖20）。

圖21是中國地震臺網中心地震信息速報機器人產生的2016年7月31日廣西梧州市蒼悟縣地震人口熱力圖，從圖中可以看出在距震中20 km流動人口稀少，由此可以判斷此次地震造成人員傷亡很小。

2014年8月24日美國舊金山納帕發生了60級地震，根據消費電子公司Jawbone的數據，地震發生時93%的居民都被震醒了。Jawbone公司對灣區成千上萬的UP手環佩戴者進行了睡眠追蹤，這個手環支持計步和睡眠追蹤功能（圖22）。數據表明在震中附近的納帕、索諾瑪等地，幾乎所有入睡的手環用戶都被地震驚醒。隨著距離震中越來越遠，地震能吵醒的人迅速減少，在舊金山和奧克蘭地區有一半以上的UP手環佩戴者在地震中醒來。到了75英里外的莫德斯托和圣克魯斯，睡著的用戶幾乎沒有受到任何影響，45%接近地震震中的人在地震發生后沒有再入眠。這被稱為Jawbone手環繪出“地震源”。

綜上所述，從密集地震觀測網絡、超密集地震臺陣到地震學新的發現，從密集地震觀測數據到地震大數據時代，從地震大數據發展到人工智能，從人工智能發展到智慧地震，這就是高新技術給地震學帶來的新模式和變革。我們的時代是科技高速發展的時代，高科技會推動地震學的突破，但是更重要的是改變觀念和思維，這樣才能有創新。

參考文獻：

東方頭條加州出現新型地震，顯示有神秘力量保護人類？[EB/OL].（2016-10-11）[2016-11-25]http：//minieastdaycom/a/161011181059104-2html

好奇心日報在加州地震后智能手環比人們知道得更多[EB/OL].（2014-08-28）[2016-11-25]http：//wwwevolifecn/html/2014/79128html

何加勇2009地震動參數速報技術研究[D].北京：中國地震局地球物理研究所

日本氣象廳 2013年12月14日12時06分日本千葉近海55級地震烈度速報圖 http：//wwwjmagojp/jp/quake/ 平成25年12月14日13時10分気象庁発表

澤仁志瑪，陳會忠，何加勇，等2006震動圖快速生成系統研究[J].地球物理學進展，21（3）：809-813

張晁軍，陳會忠，蔡晉安，等2014地震預警工程的若干問題探討[M].工程研究—跨學科視野中的工程，6（4）：344-370

中國地震臺網速報2015年四川樂山50級地震人口熱力圖[EB/OL].（2015-01-15）[2016-11-25]http：//weibocom/u/1904228041？topnav=1&wvr=6&topsug=1

ALESSANDRO A D，ANNA G D2013Suitability of Low-Cost Three-Axis MEMS Accelerometers in Strong-Motion Seismology：Tests on the LIS331DLH（iPhone）Accelerometer[J].BSSA，103（5）：2906-2913

INBAL A，CLAYTON R W，AMPUERO J2015Imaging widespread seismicity at midlower crustal depths beneath Long Beach，CA，with a dense seismic array：Evidence for a depth-dependent earthquake size distribution[J].Geophysical Research letters，42（15）：6314-6323

KONG Q K，ALLEN R M，LOUIS S，et al2016MyShake：A smart-phone seismic network for earthquake early warning and beyond[J].Science Advances，2（2）：e1501055-e1501055

LIN F C，LI D Z，ROBERT Wet al2013High-resolution 3D shallow crustal structure in Long Beach，California：Application of ambient noise tomography on a dense seismic array[J].Geophysics，78（4）：45-56

WU Y M，CHEN D Y，LIN T L，et al2013A High-Density Seismic Network for Earthquake Early Warning in Taiwan Based on Low Cost Sensors[J].Seismological Research Letters，84（6）：1048-1054

DB/T 59—2015，地震觀測儀器進網技術要求—地震烈度儀[S].