尚無法預測地震，但是對不同類型地震數(shù)據(jù)的分析使科學家能夠查明每種類型的地震發(fā)生的時間和地點，從而更好地了解破壞性地震可能在何時何地發(fā)生構造滑動。世界各地成千上萬的地震臺站連續(xù)記錄著當?shù)氐牡卣鸹顒?，其輸出遠遠超出了科學家的處理能力。在這里，西北大學的研究人員通過開放科學平臺Zooniverse上的“地震偵探”程序，對2000多名公民科學家進行了救援，以對人群的地震記錄進行分析，并將其轉換為視聽格式。他們表明，公民至少與機器學習一樣準確，甚至可以識別構造性震顫，以前只有受過訓練的專業(yè)人員才有可能。結果今天發(fā)表在地球科學前沿。

“我的目??的是在發(fā)現(xiàn)這些特殊地震事件時獲得幫助，因為我被博士學位研究所研究的快速增長的數(shù)據(jù)淹沒了，”該系研究生的主要作者Vivian Tang說。伊利諾伊州西北大學地球與行星科學。“借助Zooniverse和地震偵探團隊，我們?yōu)槭澜绺鞯氐娜藗兲峁┝艘环N簡單而引人入勝的方法，以幫助進行進一步的科學研究。”

完成輔導和練習后，每個公民科學家都被要求聽取阿拉斯加地震臺站(北美洲USArray臺站的一部分)捕獲的2467份記錄中的隨機選擇。視覺軌跡顯示在音頻數(shù)據(jù)旁邊。每次記錄對應于估計到達30個已知大地震之一的表面波每個站之后的前2,000秒(但加快了800倍于音頻頻率)。發(fā)生在2013年至2018年之間的某個地方。當來自遙遠地震的波到達像阿拉斯加這樣的地震活躍地帶時，太平洋構造板塊在北美下方滑動，它可能會觸發(fā)局部地震事件，例如較小的地震或地震構造震顫，是地殼深處成千上萬種緩慢的微小振動，可能會持續(xù)數(shù)天或數(shù)周。地震是2001年首次發(fā)現(xiàn)的，此后成為研究的重點，因為它們向我們展示了沒有地震發(fā)生的構造滑移，但據(jù)認為在地震起源中起著一定作用。

每個錄音都被呈現(xiàn)給十個不同的公民，他們不得不將其歸類為地震，震顫，背景噪音或以上任何一項。加快速度，地震的地震記錄通常聽起來像是在敲門，而震顫的聲音就像是火車經過鐵軌，背景噪音聽起來像是呼嘯的風聲，錫箔起皺或靜電。研究人員使用在每種分類上達成共識的公民人數(shù)來衡量共識程度。作者中受過訓練的地震學家還對數(shù)據(jù)集的選擇進行了分類，而他們專門開發(fā)的用于識別地震的機器學習算法的輸出被用作市民表現(xiàn)的基準。人工智能尚未能夠識別出構造性震顫，直到目前的研究表明公民成功地完成了這項任務，

市民對91%的測試唱片達成了集體決定。在對地震進行分類時(達成集體決策的記錄中有74%達到多數(shù)分類的預設閾值40%)比震顫(51%)和背景噪聲(66%)達成了更多共識。當將他們的集體決策與專業(yè)科學家確定的正確分類進行比較時，公民在識別地震時的總體準確性為85%，高于機器學習算法的76%的準確性。

作者得出的結論是，公民科學家可以為地震學做出重大貢獻，從而使科學家能夠處理比以往任何時候都更多的數(shù)據(jù)，從而幫助他們更好地了解地殼深處的過程并以更高的精度預測地震。公民集體識別震顫的能力(人工智能尚無法做到)對于該領域尤其有價值。

“地震偵探可以為該領域的其他研究人員提供資源，這些研究人員有興趣從一組令人印象深刻的志愿者科學家那里獲得投入。我們強烈鼓勵這些研究人員向我們指出他們希望看到的地震圖，以便我們將其包括在內并把志愿者分類歸還給研究人員。”唐說。