20秒預警,拯救127個孩子!四川瀘定6.8級地震,能用AI預測嗎?
最新消息,四川瀘定6.8級地震已造成甘孜州遇難29人,雅安市遇難17人,另有16人失聯,50人受傷。
看到這個消息,感到無比心痛…
在今夏的超強熱浪中,四川作為西電東輸的主力大省,為全國人民抗下了所有委屈。
這座英雄的城市,選擇了自己負重前進:為了向其他兄弟省份繼續供電,熄滅了路燈,關閉了空調,讓自己陷入一片黑暗。
隨後,四川又遭遇了疫情,成都等城市全城靜默。
而昨天,瀘定又遭遇了地震,現在傷亡人數還在不斷統計中。
#來源:中國消防
20秒,拯救127個孩子
在位於震央的海螺溝,有兩個飯店大樓全塌了。
#來源:荔枝新聞
飯店老闆徐先生稱,自己到現在仍心有餘悸,「從未見過這麼兇的地震」「我現在手都在抖」。在這場地震中,有許多令人動容的畫面。根據紅星新聞報道,接到地震消息後,四川省人民醫院立刻組織緊急救援小組前往救援,國家(四川)中醫緊急醫學救援隊也趕赴瀘定救援。省骨科醫院馬上組成應急隊,逆行前往震央展開救援。
誰能出發?我可以!真的淚目了國務院抗震救災指揮部辦公室、緊急管理部已經啟動國家地震應急三級響應,調度部署前方救援。
四川已經緊急調度「大型高空全網緊急通訊無人機」,飛赴震中執行公眾通訊覆蓋任務。
#來源:《小央影片
而成都消防地空救援力量也都在緊急集結趕赴震中,進行聯合偵查搜救任務。搜救直升機不斷在空中定位盤旋,絕不放過任何一個可能的機會!
#來源:中國消防
在全國人民揪心的時刻,九派新聞播報了一個令人欣慰的消息:雅安一幼兒園的老師們看到地震預警倒數20秒的信息後,立即飛奔到班裡,將熟睡的孩子們叫醒,挨個疏散到安全的地方。整個過程耗時1分57秒,127名幼兒成功疏散到安全的地方。
#來源:九派新聞
地震預警這關鍵的20秒,救了127個孩子。
地震預警立功
#截至發稿前,此地震已造成65人罹難。在心痛之餘,很多人發出了這樣的疑問:為什麼現在技術這麼發達了,還是無法透過地震預警,避免人員的傷亡呢?其實,這次地震中,地震預警已經發揮了很大的作用。 9月5日12時52分,四川省甘孜州瀘定縣6.8級地震發生的同時,許多成都市民的手機中傳出了「56、55、54……」的倒數播報聲,收到播報的市民立即撤離到了安全地帶。
這個被稱為「大喇叭」的地震預警倒數計時,來自我國自主研發的「地震預警」系統。在這次四川瀘定地震發生後,四川省內成都、甘孜、瀘州、雅安等多地發出了地震預警,包括許多民眾的電視、手機等終端設備。簡言之,地震預警就是在地震發生後,利用電磁波(約30萬公里/秒)比地震波(約4公里/秒)快的特點,向地震波尚未到達的地區發出地震波即將到達的警鐘。
#來源:四川省人民政府官網
地震預警到底有多重要?研究顯示:預警時間10秒,傷亡減少39%;時間為20秒,傷亡減少63%。那一年的汶川地震,有將近7萬人死亡,給我們造成了太大的傷痛……如果當時我們能有這樣的預警系統,死亡人數至少可以減少30%。
汶川地震後,我國加大了對地震高發地區的災害預警的投資。作為地震高發區域的四川省,2012年就在成都開始試行安裝預警系統。截止到2020年底,預警系統已經可以覆蓋四川全省。這次起了大作用的「地震預警」系統,是由成都高新減災研究所與中國地震局共同興建的大陸地震預警網。地震波分為縱波和橫波,前者傳播速度快、破壞力小,後者傳播速度慢、破壞力大。地震預警的基本原理,就是利用兩者的時間差發出警報。
離震源較近的地震觀測儀器接收到地震縱波後,即時並持續估計地震參數及其影響,並向地震橫波尚未到達的可能受災區域,提前數秒至幾十秒發出警報訊息。根據《科技日報》對研究所所長王暾的採訪,利用地震感測器建立起地震預警網後,一旦地震發生,地震預警系統就會利用電磁波傳輸速度遠大於地震波的特性,透過讀取分析佈設在各地的即時傳輸地震監測台站的記錄數據,快速對判斷地震發生的位置以及大概的震級,然後全自動地向還未受波及的用戶提前幾秒到幾十秒發出預警。
# 來源:中國科技網
由於地震波波及不同區域的時間不一樣,接受地震預警訊息的終端設備所處的位置也不一致,所以預警倒數計時時間也會有不同。王暾表示,瀘定縣發生6.8級地震後,預警網在瀘定6.8級地震發生時第5秒就發出預警,向康定市提前7秒預警,向雅安市提前20秒預警,向成都市提前50秒預警。
自汶川餘震區發展的我國地震預警成果,已處於全球領先水準。目前,四川地區廣泛應用的是第二代大陸地震預警網。二代地震預警技術對前端預警台站、中端傳輸響應渠道、末端處理系統均做出了基於分散式處理的全面升級,透過雲端運算運行中心進一步優化演算法,並可利用5G通訊技術提昇系統響應速度。然而,我們現在能做的,只是在地震發生後快速地發出預警。
預測還沒發生的地震,對全世界來說,都仍是個無法達成的難題。地震預報是指在地震發生前,根據監測資料對未來可能發生的地震作出時間、地點、震級方面的預測。根據王暾所長的介紹:
我們所做的工作是地震預警,而非地震預報,臨震預報仍是世界難題。地震預警只能減少人員損傷,而無法做到避免。
因為只能預警,無法預測,人員的傷亡就無法避免。
地震預報仍是世界難題
為什麼預測下一場大地震會如此困難?讓我們先從一個簡單的問題開始:下一次大地震將在哪裡發生?
研究表明,較大的斷層通常會引起較大的地震。理論上,如果所有的斷層都被繪製出來了,那麼我們應該能夠對一個特定地區可能經歷的最強烈的地震加以限制。然而,估計斷層大小和釋放的相應能量並不總是那麼簡單。斷層常表現出複雜的幾何形態,使得斷層區域的建模變得複雜。
此外,斷層可能同時破裂:在紐西蘭2016年的Kaikōura地震期間,13個不同的斷層同時破裂。此外,地震的震級不一定與破壞力呈正相關。根據發生的地點,中等震級的地震可能比「大」地震更具破壞性。例如,1994年加州北嶺6.7級地震造成重大財產損失和生命損失,而2018年斐濟8.2級地震強度為178倍,並未造成任何損失。
現在,讓我們來看這個更複雜的問題:下一次大地震何時發生? 預測時間是地震預測中最難的挑戰。有兩種理論可以解釋,為什麼時間的預測是有缺陷的。
第一種理論稱為彈性回跳理論,它指出地殼在強烈的壓力下會彎曲變形,直到最終在應變下斷裂。沿著斷裂的滑移(即地震)使兩側的岩石回彈到變形較小的狀態,並釋放儲存的能量,從而使累積應變的過程重新開始。
第二種理論被稱為特徵地震,它描述了研究最多的地震產生的斷層似乎有不同的區段。在兩次地震之間的間隔期內,這些板塊反覆破裂,累積了相同數量的應變,從而產生了相似震級的地震。
假設這兩個理論一直存在,我們就可以根據
1)最大未受力應變的位置,
2)自上次地震發生以來的時間,以及對斷層帶的精確了解來預測下一次地震何時發生。
可以看出,由於現實的種種複雜因素,我們很難預測出地震發生的時間。
那麼,如果使用人工智慧技術又會如何呢?
理論上,在地震預測資料中,有許多模式和訊號,人類無法看到,人工智慧可以清楚地偵測到。
用AI預測地震可行嗎
在2018年,來自谷歌和哈佛大學的研究人員,曾在一篇發表在Nature的論文中,展示了如何用深度學習預測餘震位置。該模型在一個包含131000多個「主震-餘震」事件的資料庫中尋找模式,然後在一個包含30000對類似事件的資料庫中測試其預測。結果顯示,深度學習網路比當時被稱為「庫侖破裂應力變化」的模型更可靠。
論文網址:https://www.nature.com/articles/s41586-018-0438-y
然而,時間來到文章發表的一年後,資料科學家Rajiv Shah在分析結果的時候發現:神經網路的準確率高得有點離譜了。在隨後的復現中,一個非常嚴重的問題浮現了——用於訓練和測試模型的資料有重疊(data leak)。簡答來說就是,模型在訓練時已經知道考試的答案了。而這也意味著,測試的結果幾乎沒有任何實際意義。不過,Nature到最後也沒理會這位研究人員提出的問題和建議……儘管如此,科學家們並沒有放棄對這一領域的探索,各類相關的研究層出不窮。
在美國地震學會(SSA)2021年年會上,來自史丹佛大學的研究團隊提出了一種即時分析地震訊號的新方法—DeepShake,並在之後發表在了Seismological Research Letters上。模型的訓練數據來自2019年加州的地震記錄,測試的結果顯示,DeepShake可以在高強度地面晃動到來之前的7到13秒之間發出警報。
比起傳統的地震預警,DeepShake可以直接根據地面運動的特徵發出提前預警,省去了現有系統使用的一些中間步驟。研究人員表示,DeepShake展示了機器學習模型在提高地震預警系統的速度和準確性方面的潛力。
論文連結:https://doi.org/10.1785/02202101412022年,來自中國科學院地質與地球物理研究所和史丹佛大學的研究人員,在發表於在Science Advances的論文中提出了一種全新的方法,極大地提高了位於城區的地震監測網絡的檢測能力。
UrbanDenoiser演算法透過過濾掉背景地震噪音,它可以提高整體訊號質量,並恢復以前可能太弱而無法記錄的訊號。對密集陣數據和城市地區的地震序列的應用表明,UrbanDenoiser可以提高訊號質量,並在信噪比低至~0dB的情況下對訊號進行恢復。
論文連結:https://www.science.org/doi/10.1126/sciadv.abl3564
可以期待的是,隨著算力的不斷提高以及資料的不斷完善,AI在地震預測這一領域,也將有著更近一步的發展。最後,讓我們默默祈禱,有更多的受災人群能夠獲救,天佑四川,天佑中華。
以上是20秒預警,拯救127個孩子!四川瀘定6.8級地震,能用AI預測嗎?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

DMA在C 中是指DirectMemoryAccess,直接內存訪問技術,允許硬件設備直接與內存進行數據傳輸,不需要CPU干預。 1)DMA操作高度依賴於硬件設備和驅動程序,實現方式因係統而異。 2)直接訪問內存可能帶來安全風險,需確保代碼的正確性和安全性。 3)DMA可提高性能,但使用不當可能導致系統性能下降。通過實踐和學習,可以掌握DMA的使用技巧,在高速數據傳輸和實時信號處理等場景中發揮其最大效能。

使用C 中的chrono庫可以讓你更加精確地控制時間和時間間隔,讓我們來探討一下這個庫的魅力所在吧。 C 的chrono庫是標準庫的一部分,它提供了一種現代化的方式來處理時間和時間間隔。對於那些曾經飽受time.h和ctime折磨的程序員來說,chrono無疑是一個福音。它不僅提高了代碼的可讀性和可維護性,還提供了更高的精度和靈活性。讓我們從基礎開始,chrono庫主要包括以下幾個關鍵組件:std::chrono::system_clock:表示系統時鐘,用於獲取當前時間。 std::chron

交易所內置量化工具包括:1. Binance(幣安):提供Binance Futures量化模塊,低手續費,支持AI輔助交易。 2. OKX(歐易):支持多賬戶管理和智能訂單路由,提供機構級風控。獨立量化策略平台有:3. 3Commas:拖拽式策略生成器,適用於多平台對沖套利。 4. Quadency:專業級算法策略庫,支持自定義風險閾值。 5. Pionex:內置16 預設策略,低交易手續費。垂直領域工具包括:6. Cryptohopper:雲端量化平台,支持150 技術指標。 7. Bitsgap:

在C 中處理高DPI顯示可以通過以下步驟實現:1)理解DPI和縮放,使用操作系統API獲取DPI信息並調整圖形輸出;2)處理跨平台兼容性,使用如SDL或Qt的跨平台圖形庫;3)進行性能優化,通過緩存、硬件加速和動態調整細節級別來提升性能;4)解決常見問題,如模糊文本和界面元素過小,通過正確應用DPI縮放來解決。

C 在實時操作系統(RTOS)編程中表現出色,提供了高效的執行效率和精確的時間管理。 1)C 通過直接操作硬件資源和高效的內存管理滿足RTOS的需求。 2)利用面向對象特性,C 可以設計靈活的任務調度系統。 3)C 支持高效的中斷處理,但需避免動態內存分配和異常處理以保證實時性。 4)模板編程和內聯函數有助於性能優化。 5)實際應用中,C 可用於實現高效的日誌系統。

C 中使用字符串流的主要步驟和注意事項如下:1.創建輸出字符串流並轉換數據,如將整數轉換為字符串。 2.應用於復雜數據結構的序列化,如將vector轉換為字符串。 3.注意性能問題,避免在處理大量數據時頻繁使用字符串流,可考慮使用std::string的append方法。 4.注意內存管理,避免頻繁創建和銷毀字符串流對象,可以重用或使用std::stringstream。

在C 中測量線程性能可以使用標準庫中的計時工具、性能分析工具和自定義計時器。 1.使用庫測量執行時間。 2.使用gprof進行性能分析,步驟包括編譯時添加-pg選項、運行程序生成gmon.out文件、生成性能報告。 3.使用Valgrind的Callgrind模塊進行更詳細的分析,步驟包括運行程序生成callgrind.out文件、使用kcachegrind查看結果。 4.自定義計時器可靈活測量特定代碼段的執行時間。這些方法幫助全面了解線程性能,並優化代碼。

在MySQL中,添加字段使用ALTERTABLEtable_nameADDCOLUMNnew_columnVARCHAR(255)AFTERexisting_column,刪除字段使用ALTERTABLEtable_nameDROPCOLUMNcolumn_to_drop。添加字段時,需指定位置以優化查詢性能和數據結構;刪除字段前需確認操作不可逆;使用在線DDL、備份數據、測試環境和低負載時間段修改表結構是性能優化和最佳實踐。
