在“自然”杂志上 发表的两篇机器学习论文 提供了使用智能算法预测故障滑移的有希望的前景，这种故障通常发生在大地震之前。
来自不列颠哥伦比亚省维多利亚的GPS测量显示了卡斯卡迪亚断层周围的运动。
从最严格的意义上说，地震预测是不可能的 - 没有可靠的方法可以预测地震何时发生或者地震有多强中国机械网okmao.com。话虽这么说，研究人员可以根据可能的信息在赔率和间隔方面解决这种情况。
例如，许多地震之前都有一系列小地震（虽然不是所有系列的小地震都发生在地震之前）。在新的论文中，研究人员使用机器学习算法来分析从加拿大北温哥华岛到美国北加利福尼亚的卡斯卡迪亚断层的这种地震信号。
他们发现地震信号与断层两侧的物理运动之间存在直接关系。
“Cascadia的行为被埋没在数据中。在机器学习显示精确模式之前，我们都将连续信号作为噪声丢弃，但它充满了丰富的信息。我们发现了一种高度可预测的声音模式，表明滑点和故障失败，“洛斯阿拉莫斯科学家保罗约翰逊说。“我们还发现了断层脆弱性与信号强度之间的精确联系，这可以帮助我们更准确地预测大地震。”
关键的突破是理解连续隆隆声 - 这就是机器学习算法的用武之地。本质上，主要滑动之前是一系列微故障事件，以预示灾难性故障的方式辐射弹性能量，算法可以选择这种模式。
“在这里我们表明，Cascadia俯冲带显然是在不断地传播一个低振幅，类似震颤的信号，它可以在整个缓慢滑动周期中准确地通知故障位移率。我们使用基于先前在实验室开发的机器学习的方法，分析了来自温哥华岛的大量原始地震数据，将这一信号与背景地震噪声分开，“研究人员在其中一项研究中写道。
该小组分析了该地区地震台站12年的实际数据，发现了类似的信号和结果：Cascadia的恒定震动是俯冲带缓慢滑动部分位移的一个很好的指标。因此，研究人员建议，在卡斯卡迪亚进行仔细监测可能会提供关于锁定区域的新信息，以提供预警系统。
此时，尚不清楚是否可以将相同的方法应用于不同的地震活动区域。
期刊参考文献：
Claudia Hulbert等。机器学习所揭示的快速和慢速地震的相似性， Nature Geoscience （2018）。 DOI：10.1038 / s41561-018-0272-8
Bertrand Rouet-Leduc等。Cascadia俯冲带的连续喋喋不休通过机器学习，Nature Geoscience （2018）揭示 。 DOI：10.1038 / s41561-018-0274-6