阿拉斯加州费尔班克斯大学（University of Alaska Fairbanks）的一位科学家发明了一种新方法，通过学习人工爆炸信号，可以训练计算机更好地检测远程核爆炸、化学爆炸和火山爆发。
这项由UAF地球物理研究所博士后研究员Alex Witsil领导的工作最近发表在《地球物理研究快报》杂志上。
地球物理研究所威尔逊阿拉斯加州技术中心的Witsil和同事们创建了一个合成次声爆炸信号库，以训练计算机识别次声信号源。次声的频率太低，人类听不到，传播距离比高频可听波更远。
“我们使用建模软件生成了28000个合成次声信号，虽然这些信号是在计算机中生成的，但假设可以通过部署在距离大爆炸数百公里处的次声麦克风进行记录，”维西尔说。
这些人工信号反映了大气条件的变化，随着声波的传播，这些变化可能会在区域或全球范围内改变爆炸信号。这些变化会使远距离探测爆炸的来源和类型变得困难。
为什么要创建人工爆炸声，而不是使用真实世界的例子？由于地球上的每个位置都没有发生爆炸，大气也在不断变化，因此没有足够的真实示例来训练通用机器学习检测算法。
“我们决定使用合成材料，因为我们可以模拟信号可以传播的多种不同类型的大气，”维西尔说。“因此，即使我们无法获取北卡罗来纳州发生的任何爆炸，例如，我可以使用我的计算机模拟北卡罗来纳州的爆炸，并建立一个机器学习算法来检测那里的爆炸信号。”
如今，检测算法通常依赖于由相互靠近的多个麦克风组成的次声阵列。例如，监测核爆炸的国际全面禁止核试验条约组织在全球部署了次声阵列。
“这很昂贵，很难维护，还有很多东西可能会坏掉，”Witsil说。
Witsil的方法利用世界各地已有的数百个单元件次声麦克风来改进检测。这使得检测更具成本效益。
机器学习方法通过使其能够近实时检测更细微的爆炸信号，扩大了单元件次声麦克风的用途。目前，单元件麦克风仅用于追溯分析已知且典型的高振幅信号，就像1月份汤加火山大规模喷发时一样。
Witsil的方法可以部署在国防或自然灾害缓解的操作环境中。