莱斯大学布朗工程学院的研究人员，正在使用在格陵兰岛年致命滑坡之前收集的数据，来表明深度学习如何有朝一日能帮助预测地震和火山爆发等地震事件。
图注：由莱斯大学的新型算法提取的图形显示了与前体相关联的簇中的波形，并相对于簇中的参考波形进行了对齐。数据来自在努加特夏克(Nuugaatsiaq)滑坡发生前一天收集的三个地震图。
格陵兰岛峡湾发生大规模滑坡之前收集的地震数据表明，那里即将发生事件的微妙信号，但是没有人能够及时将线索汇总起来进行预测。随之而来的海啸席卷了努加特夏克(Nuugaatsiaq)村，造成4人死亡，9人受伤，11座建筑物被冲入海中。
由莱斯大学前访问学者莱昂纳德·塞杜克斯（LéonardSeydoux）领导的一项研究，采用了莱斯工程师团队、合著者马丁·德·霍普（MaartendeHoop）和理查德·巴拉努克（RichardBaraniuk）共同开发的技术。他们在《自然通讯》中的开放获取报告显示了深度学习方法，如何能够以足够快的速度来预测事件，从而处理地震工具提供的大量数据。
德·霍普（DeHoop）参与莱斯大学（Rice）地球、环境和行星科学系逆问题的数学分析研究项目。他表示，人工智能（AI）的进步非常适合独立监视大量，且不断增长的地震数据。他说，人工智能具有识别事件簇并检测背景噪声的能力，从而建立了人类专家可能因其模型偏差而无法识别的连接，更不用说透明容量。
在努加特夏克(Nuugaatsiaq)事件发生几小时之前，附近的地震台站收集到的数据中开始出现一些微小信号。研究人员分析了年6月17日午夜之前的数据，直到在晚上11:39滑坡之前的一分钟，释放了多达万立方米的材料。
莱斯算法揭示出微弱但重复的隆隆声——在原始地震记录中无法检测到——从事件发生前约九小时开始，并随时间加速，导致滑坡。
我们的合著者，格勒诺布尔的皮耶罗·波利，在没有AI的情况下研究了这一事件，德霍普说，他们在我们查看的数据中发现了一些东西，由于该区域与许多其他噪音和构造活动隔离，因此我们可以使用最纯粹的数据来尝试我们的想法。”
德·霍普（DeHoop）正在继续测试分析哥斯达黎加火山活动的算法，并参与了美国宇航局的洞察（InSight）号着陆器，该探测器在近两年前向火星表面提供了地震探测器。
霍普说，不断监测实时发出此类警告将挽救生命。“人们问我这项研究是否有意义，是的，这是向前迈出的重要一步，然后我们才能预测地震。我们还没有做好准备，但是我认为这个方向是最重要的方向之一。目前很有希望。”
五年前德·霍普（DeHoop）加入赖斯时，他带来了解决逆向问题的专业知识，这些逆向问题涉及从数据中进行反算以找到原因。巴拉努克（Baraniuk）是机器学习和压缩感测领域的领先专家，可帮助从稀疏样本中提取有用的数据。他们在一起合作研究，无疑，这是一支强大的地震科研团队。
“这项工作最令人兴奋的不是当前结果，而是这一方法代表了应用于地球物理学的机器学习的新研究方向，”巴拉努克（Baraniuk）说。
“我来自深度学习的数学，而赖斯大学在信号处理是强项，这是该学科的另一端。”德·霍普（DeHoop）说，“但是在这里我们在中间相遇。现在，莱斯大学拥有巨大的机会，可以利用莱斯大学作为地震学家收集和整理这些碎片的枢纽的专业知识。现在的数据太多了，无法以任何其他方式处理。”
德·霍普（DeHoop）正在通过西蒙斯基础数学（SimonsFoundationMath）+多场专题研讨会，来提高莱斯大学在地震专业知识方面的声誉，该研讨会已经举办了有关太空探索、减轻火山和地震等自然灾害的活动。即将宣布的第三项活动，该活动将研究太阳能和系外行星的深度学习应用。