Алгоритм глубокого обучения может удалить городской шум из инструментов мониторинга землетрясений, что потенциально облегчает определение времени и места возникновения толчков. Исследование опубликовано в журнале Scientific Advances.
“Мониторинг землетрясений в городской среде важен, поскольку он помогает нам понять системы разломов, лежащие в основе уязвимых городов, — рассказывает Грегори Бароза из Стэнфордского университета в Калифорнии. – Видя, где проходят разломы, мы можем лучше предвидеть землетрясения”.
Но звуки городов – автомобили, самолеты, вертолеты и общая суета – добавляют шум, который затрудняет распознавание подземных сигналов, указывающих на землетрясение.
Чтобы попытаться улучшить способность определять и локализовать землетрясения, Бароза и его коллеги обучили глубокую нейронную сеть отличать сигналы землетрясения от других источников шума.
Около 80 000 образцов городского шума и 33 751 образец сигналов землетрясения были объединены в различных формах для обучения, проверки и тестирования нейронной сети. Образцы шума были получены из звука, записанного в Лонг-Бич, Калифорния, а сигналы землетрясения были взяты из сельской местности вокруг Сан-Хасинто, также в Калифорнии.
“Мы сделали много миллионов комбинаций этих двух сигналов, чтобы обучить нейронную сеть”, — делится Бароза.
Прогон звука через нейронную сеть улучшил соотношение сигнал/шум – уровень сигнала, который хотелось бы услышать, по сравнению с уровнем фонового шума – в среднем на 15 децибел, что в три раза выше, чем у предыдущих методов шумоподавления.
Специалисты подчеркивают один недостаток разработки: нейронная сеть была обучена на данных, помеченных людьми, — этот метод называется контролируемым обучением, и все показания были получены из одной и той же области. Тот факт, что модель была специально разработана для удаления шумов из звуков в Калифорнии, означает, что она с меньшей вероятностью добьется успеха, когда ей будут представлены шумы из других мест.
“В зависимости от окружающей среды, сигнатуры шума, вероятно, будут отличаться от тех, на которых она обучена”, — отмечает Грегори Бароза.
