2021年11月11日，《自然通訊》（Nature Communications）雜誌刊發題為《基於深度學習的InSAR時間序列中毫米尺度變形的自主提取》（Autonomous extraction of millimeter-scale deformation in InSAR time series using deep learning）的文章稱，美國洛斯阿拉莫斯國家實驗室（LANL）研究人員基於深度學習的方法，對干涉合成孔徑雷達（InSAR）監測的海量地面變形資料進行了解釋分析，實現了對地面變形的自主提取，且精度可達2毫米，將改善未來的地震探測。
系統地描述活動斷層上的滑動行為是揭示構造斷層物理學的關鍵，並將幫助研究人員理解慢地震和快地震之間的相互作用。慢地震會緩慢地釋放壓力，而快地震會迅速釋放壓力，並可能對周圍社群造成重大損害。InSAR可以每隔幾天在全球範圍內測量地面變形，這可能是研究這些相互作用的關鍵。然而，儘管有最先進的處理技術，大氣傳播延遲經常超過感興趣的地面變形，因此InSAR分析需要專家解釋和故障系統的先驗知識，排除了變形動力學的全球研究。此外，新的衛星如哨兵1號（Sentinel 1）衛星和即將發射的NISAR衛星，將透過實現研究人員觀測過去不可能的長度和時間尺度，為研究構造過程開闢新的途徑。然而，現有的演算法並不適合這些新衛星所產生的海量InSAR資料。為了處理所有這些資料，洛斯阿拉莫斯的團隊開發了首個基於機器學習演算法的工具，從InSAR資料中提取地面變形資料，從而能夠在全球範圍內自動檢測地面變形，無需人工干預。該工具具有自動檢測斷層變形的功能，有助於彌補現有檢測能力的不足，其時間解析度比現有方法高得多，檢測閾值只有幾毫米，而以前的檢測閾值是在釐米範圍內，為系統研究活動斷層的性質奠定基礎。為去除 InSAR 時間序列中的噪聲，研究人員專門設計了卷積自編碼器。編碼器將透過連續 SAR 採集重建的噪聲 InSAR 時間序列作為輸入，輸出在時間序列間隔期間發生的累積地面變形，並去除大氣噪聲。對北安那託利亞斷層資料的初步分析結果顯示，該方法的精度達到了2毫米的探測範圍，揭示出其範圍是之前已知的2倍的慢地震。
研究人員表示，將深度學習應用於 InSAR 資料分析提供了認識構造斷層和地震背後的物理原理的新方法。這對理解地震行為的全貌至關重要，將改進未來對地震的探測。
轉載本文請註明來源及作者：中國科學院蘭州文獻情報中心《地球科學動態監測快報》2021年第22期，劉文浩 編譯。
