第53章 AI标出的地震，何时成为共同体承认的事件

本章学习任务 · 带本章进入问地

53.1 从连续波形到候选信号

地震台站不停记录地面运动，但连续记录并不天然分割成一个个清楚的地震。仪器故障、环境噪声、局部活动与真实地震波可以出现在相近的时间窗口。即使信号来自地震，不同震相的起始位置也可能模糊。一个研究者看到波形以后，需要辨认是否存在事件信号、某种震相何时到达，以及这些判断能够承受多大误差。人工智能进入这一过程，首先改变的是辨认与处理的能力。

Mousavi等人在2020年发表的EQTransformer研究，把地震检测与P、S震相拾取放入一个联合学习任务。论文明确针对单台局地地震记录，并使用注意力机制组织模型。[C11]“检测”回答时间窗口内是否有地震信号，“拾取”则估计特定震相到达的位置。两者相关，却不是同一个输出。一个窗口可能被判断含有地震，但震相起始仍不可靠；一个貌似清楚的局部到时，也可能来自非地震干扰。

网络学习依赖带标签的样本。标签使连续波形与任务定义连接，也把已有辨认实践带入模型。人工拾取不是无误的自然刻度，而是由信号条件、操作规范和专家判断形成的参考。不同信噪比下，起始时间的可辨程度不同；同一套标注准则在不同仪器或地区也可能面临不同困难。因此，模型对标签的拟合能力，不能直接等同于对自然事件全部属性的把握。

信号窗口的安排同样参与对象形成。短窗口有利于聚焦局部变化，却可能丢失较长时序关系；较长窗口保留上下文，又可能包含多个信号。归一化、采样率、通道组合和缺测处理，决定网络实际接收的资料是什么。模型名称描述了一种计算组织方式，但若这些输入条件不清楚，读者仍然不知道模型所说的地震候选具有什么身份。

概率式输出也容易被误解。网络给出的数值是训练任务和模型条件下的评分，不应未经校准就被解释为某一现实事件存在的普遍概率。研究者通常还要设定阈值和窗口规则，把连续评分转成候选清单。阈值降低可能增加检出，也可能增加误报；阈值提高可能使清单更保守，却遗漏弱事件。模型和决策规则共同规定了最后目录的入口。

模型比较的含义取决于数据划分、阈值与评价方式。固定数值阈值可以比较输出差异，但若不同模型的评分未经共同校准，相同阈值并不代表相同的候选筛选强度；允许各模型选择阈值，则同时比较模型与运行策略。跨区使用还会改变噪声、仪器和地震类型，使原数据集上的结果失去直接外推的条件。EQTransformer把检测与拾取联系起来，其科学使用价值应沿这两项输出分别追踪：新增了哪些可靠候选，到时误差在哪些信号条件下降低，两者又怎样影响后续关联。

这个阶段产生的是候选信号与候选到时，而不是完整的地震世界。它为后续研究提供了更多入口，却也把错误传播的可能带入后续链条。若把所有候选直接叫作“新发现的地震”，计算能力与事件证据之间的区别就被抹掉了。

联合任务的一个值得分析之处，是检测与拾取之间的约束。只有局部尖峰而缺少合理的后续波形结构，可能提示噪声；具有较长地震信号特征的窗口，又可能帮助辨认较弱震相。模型试图从这些联系中学习，而不是把每个时间点完全孤立判断。这里可以讨论计算结构怎样利用时序，但不应把注意力权重直接解释成完整的地震物理机制。网络内部强调某段输入，与证明那段输入具有唯一因果作用，是不同层次。

标签误差还具有非均匀性。强而清楚的到时容易获得一致判断，弱信号和重叠事件则可能出现较大分歧。若评价只用一个平均误差，容易被大量容易样本主导。按信噪比、距离或事件环境分层，能够看见模型在哪些条件下真正改善、在哪些条件下仍然不稳。科学使用往往最关心边界条件，而不只是总体平均表现。

53.2 一台看见不等于事件成立

同一次地震通常会在不同台站留下受传播路径影响的信号。要把单台候选提升为事件，研究者需要判断哪些到时来自同一震源，并估计震源位置与起始时刻。这是事件关联和定位的问题，与单台波形分类具有不同约束。一个候选在单台上很像地震，仍可能无法与其他台站形成合理的时空关系。

最基本的定位思想，可以用一个教学表达说明：某台站的到达时间等于震源发生时间加上波从震源传播到该台的时间。传播时间取决于位置和速度结构。多个台站提供多条约束，研究者寻找能够同时解释这些到时的震源。这个过程并非简单地数一数多少台站出现峰值，因为不同震相、路径与位置误差都会改变对应关系。

关联错误与拾取错误应分别保存。拾取错误发生在某个到时被放错位置，关联错误则可能把两个事件的到时拼成一个事件，或把同一个事件拆成多个。网络能够提高单台拾取能力，并不自动消除关联问题。在密集余震序列中，事件重叠还可能使单台上看似合理的候选组合，在多台约束下不再成立。后续流程不是附加手续，而是赋予事件身份的组成部分。

定位残差也不能单独作为真假的万能判据。若采用不合适的速度模型，真实事件可能表现出系统残差；若可调参数太多，错误组合也可能被拟合得较好。台站几何决定了某些方向是否受到充分约束，少量集中在一侧的台站，不能与环绕震源的台网简单等同。一个位置数值输出得很精细，不代表误差范围相同精细。

在联合检测与拾取之后，还需要一套候选复核流程。这里提出的后续研究设计，首先保留原始波形和模型评分，使到时判断能够回查；其次标明候选进入关联的阈值与规则；随后检查跨台一致性、定位约束与不确定性；最后对新增候选开展独立人工或替代方法复核。拒绝原因也应随候选保存：波形不支持、跨台关联失败与位置约束不足，分别指向不同的改进环节，不能合并成一个无效标签。

独立人工复核还涉及审查者所见材料的范围。只展示系统标出的短窗口，容易把候选入口和判断结果同时交给模型。盲化部分标签、混入对照窗口、保留审查者分歧，可以减轻这种提示效应；从完整连续记录中另行抽样，则可检查模型从未提交的信号。前者主要约束候选确认，后者触及漏检。两类样本同时保留，才能说明人工复核究竟校正了目录的哪一面。

还应注意，不能把无法定位的候选一律判为非地震。台网覆盖不足或信号太弱，可能使真实事件暂时无法获得稳健位置。此时合理的身份是未充分确认的候选，而不是为了清单整齐强行二分。科学目录允许不同可信等级，前提是等级含义明确，使用者不能把弱候选与已充分约束事件不加区分地汇总。

事件成立因而是一个共同约束的结果：波形特征支持地震来源，震相时序支持传播解释，台站几何支持位置估计，复核规则支持目录可信度。这里没有任何单项完全代替其他项。AI扩大了第一道辨认能力，真正的新事件对象则在这些约束之间获得身份。

到时与位置之间的关系，还能解释为何更精确拾取未必按同一比例改善定位。假设某台站的到时误差减小，但速度结构仍有系统偏差，定位可能依旧受后者限制；如果台站全部位于震源同一侧，某个方向的不确定性也可能较大。误差链中最弱的环节会限制整体收益。这个教学推理说明，算法单项指标不能未经传播分析就转换为科学对象的精度。

相反，一些单台到时略有误差的候选，仍可能在多台联合约束下得到稳健事件身份。共同体的判断不要求每个输入完美，而要求错误范围与约束结构相容。多个资料能够互相限制，也是复合对象超过单一输出的地方。事件目录的可靠性因而不是把每个模型评分简单相加，而是检查它们是否能在同一物理解释中共同成立。

还要防止对照资料被当成无误真值。人工目录可能漏掉弱事件，新方法相对于旧目录的新增项并不全是误报。评估应对新增项作独立复核，同时对旧目录中的事件也检查是否能够重现。把旧目录当作最终裁判，会低估真正的发现；把新目录全部当作真值，则会高估模型能力。双向检查使比较保持开放。

53.3 更多目录与更多自然地震

当新方法检出更多事件，最容易出现的叙述是地震活动突然变得密集。然而，目录数量同时受自然活动与观测能力影响。台站增加、噪声下降、采样方式改变、阈值降低和算法升级，都可能使原来没有进入记录的事件被纳入。观察到的数量变化，需要先解释检测条件，再讨论自然过程。

一种教学模型可以帮助把问题拆开：记录事件数近似取决于真实事件的分布与不同条件下的检出概率。这个表达不是地震活动的完整统计模型，也不意味着真实事件数可以直接从记录反推。它的作用是提醒读者，同一记录增长，可以由更多自然事件、较高检出能力，或两者共同造成。没有对检测条件的约束，数量增加本身无法区分这些解释。

因此，新旧目录的比较应尽量在相同时间范围、相同原始台站资料上开展。若新算法处理了更多台站或更长记录，却把全部增长归于模型能力，比较对象已经改变。若旧方法只处理较强信号，而新方法使用不同阈值，研究者也应说明自己是在比较操作策略，还是比较固定策略下的模型表现。不同问题可以都合理，但不能互相替代。

在比较自然事件率时，还需要限定目录的完整性范围。对于某个给定时期和区域，较小事件可能更容易遗漏。若前期只能稳定记录较强事件，后期加入大量弱事件，总数曲线就会产生观测系统造成的转折。稳健比较可以限定在共同可靠的范围，也可以明确建模检测概率，但不能把观测能力的改善隐去之后宣称活动增强。

迁移检验则触及另一种边界。模型在一种地区或台网训练，在另一地区运行，波形、噪声与传播条件可能不同。若训练与测试资料共享相似事件、台站或时间片段，表面良好的表现未必代表真正的跨区能力。评价划分应与使用目标一致：准备移植到新地区，就需要新地区的独立检验；准备长期运行，就要检查时间漂移和仪器变化。

新增候选被否定的记录尤其重要。只展示确认成功的事件，会使读者无法知道系统带来了多少复核负担。某种模型可能检出更多真实弱震，同时也产生大量难以排除的噪声候选；另一种模型可能更保守，适合某些业务任务。能力评价应同时讨论漏检、误检与人工成本，而不是把任何数量增长当成单向进步。

目录升级还会改变科学问题。原来稀疏的记录可能只支持区域级活动描述，较密的事件位置可能允许研究断层内部的时空聚集、余震迁移或震群结构。但这种潜力不意味着已经发现具体机制。事件间距离需要连同定位误差解释；看似迁移的模式可能受时变检出能力影响；聚集关系还可能对关联规则敏感。更细目录把问题打开，也同时提出更细的误差责任。

在这一点上，新科学世界的发生可以作严格限定：研究者、台网与算法共同获得了以前不足以稳定区分的事件关系，使它们成为可比较、可反驳的对象。古老地震并非因为模型运行才自然发生，发生的是这些事件获得新的科学身份与联系的能力。若新增关系在独立检验中消失，就应撤回这一对象判断，而不以“AI时代”作为免检理由。

数量关系可以通过一个明确的教学例子说明。假设某地区实际活动不变，而检测系统对弱事件的检出比例提高，记录总数仍会增长。若研究者随后用总数增长解释应力状态变化，就把测量能力变化放进了自然机制。反过来，若检测条件稳定而较大事件与弱事件都表现出相容变化，才更有理由继续研究活动变化。例子不提供真实地区的数值，只揭示两种解释在何处需要不同证据。

更细事件目录还可能改变空间聚集的观感。旧目录只显示少数较强事件，新的弱事件填补其间空白，原来分离的两团活动可能变成连续带。这个形态变化可能有地质意义，也可能受位置误差与选择范围影响。检验时应在相同定位方法下比较，并评估把弱事件删除或移动到误差范围内以后，结构是否仍然存在。

对震群迁移的研究尤其需要时间一致性。若台网在序列中途增加台站，远处弱事件开始被检出，目录可能呈现向外扩展的形态；若处理者逐步降低阈值，也可能产生类似效果。因此，传播速度一类量不能只由点图拟合得到，还应检查检测覆盖与定位误差是否随时间变化。新对象越精细，对观察过程的审查也越细。

对新增事件的命名也有技术后果。若每次处理都给事件重新编号，却不保存新旧对应，后续引用会难以追踪。一个事件在新版本被拆成两个，或两个候选被合并，应保留这种谱系，而不是简单删除旧条目。目录身份的连续性，使机制研究能够判断结果变化来自自然资料增加还是对象重组。

这种谱系还可以帮助发现系统偏差。如果被反复合并或撤回的事件集中在某些台站、时段或信号条件，问题可能不在单个候选，而在共同处理环节。误差分布因此成为新的研究材料。AI系统所产生的失败记录，可以像成功候选一样参与知识形成，前提是它们被保存而非隐藏。

此外，工程速度的提高也需要放在完整流程中评价。检测很快而复核积压，未必缩短可信目录的形成时间；快速输出如果缺少必要元数据，可能增加后来追查成本。真正有意义的效率，是从连续记录到可使用知识的整体效率，而不是某个网络单次运行的速度。这个尺度将算法性能与共同体使用联系起来。

目录质量最终还要与科学用途相接。同一组事件可能足以描述区域活动，却不足以研究细小迁移；能够检出事件，也不代表能够可靠估计其震级或机制。使用者应根据自己的推断链重新检查目录条件，而不是继承生产者的一句总体评价。对象的使用资格随任务变化，这正是工程输出进入知识时必须保留的边界。

未定候选也应拥有稳定标识和待补条件。例如，波形支持事件而位置不足的候选，可以等待新增台站约束；关联存在多解的候选，则应保留各组到时组合。这样，后来资料进入时能够针对原先缺口继续判断，而无须从头猜测旧目录为何排除了它。

53.4 从工程改善到科学问题

应当把三种成就分开。第一种是工程能力改善：在规定输入与评价条件下，更有效地处理连续波形。第二种是事件发现：一些此前未进入可信目录的候选，经外部约束取得身份。第三种是机制发现：新的事件关系排除了某些解释，并支持一个关于致震过程的命题。它们可以相互促进，但没有任何一层保证下一层自动完成。

例如，一套新目录可能显示更细的活动带。要解释为特定断层结构，需要检验位置不确定性与空间分布；要进一步解释活动迁移，需要考虑时间完整性和不同速度模型；要归因于某种驱动机制，还需要另外的物理或地质证据。把这些步骤压缩成“算法发现了机制”，既夸大算法，也隐藏了真正产生科学价值的联合工作。

SDE分析在这里应追踪三种方向。S式询问事件目录依赖哪些差异与特征约束，防止单台评分冒充完整事件。D式询问新的事件对象怎样选择后续复查，例如是否要求重新查看邻近台站或某段连续记录。E式则询问这些复查是否迫使研究者修改标签、传播假设或台站配置。只有相应记录存在，才能说三个方向在同一研究链中发生了联动。

三向追踪使用的仍是台站几何、误差传播和独立测试。其区别在于检查这些技术判断的交接：拾取误差是否完整传入定位，定位不确定性是否进入迁移分析，机制解释又是否要求重看被阈值排除的连续记录。若每一层各自评价良好而交接遗漏了不确定性，目录的总体结论仍可能过强。SDE能够组织这类跨层问题，具体修订则由相应地震学方法承担；已被常规流程处理的交接，不再算作新增发现。

一个有价值的后续结果可能是“没有新机制”。如果模型使目录更完整，但新增资料仍支持既有解释，这同样是科学成果：它扩大了原解释受到检验的范围。科学进步并不要求每次技术改进都推翻理论。把稳定化也纳入历史，才能理解仪器与算法怎样在长期运行中使对象更可靠，而不把全部价值集中到少数革命性叙述。

对于人工智能史而言，这种区分尤其必要。自动处理减少的是某些操作成本，新增知识则取决于节省的能力被怎样投入复核、比较和新问题。模型只是复合研究系统的一部分。只有它与人的判断、台网资料和物理约束形成可纠错联系，工程能力才会转化为共同体能够继承的知识。

最后，目录的开放与版本记录使这条证据链能够成为共同体知识。每一个事件最好都能回到所用波形、拾取、关联规则和定位配置。模型更新以后，事件可以合并、拆分或撤回，旧结论也能据此重新检查。共同体承认的事件，不是永远不再修改的编号，而是在明确条件下可被他人追踪与质疑的对象。下一章中的火山预警，将把这种科学身份进一步放到行动责任之中。

本章学习任务 · 带本章进入问地

全部章节 · 上一章 · 下一章