一台地震仪往往不足以可靠探测地震或人类活动，如地下核试验。相反，研究人员会将分布在小范围内的地震仪读数结合起来，以增强对分析的信心。人工智能（AI）可以比传统技术更有效地结合多个传感器的读数，从而实现更可靠的微弱地震信号探测，A. Köhler及其同事的一项新研究显示。

研究人员利用挪威研究基金会NORSAR及其他运营商运营的地震阵列30年数据，并用三种不同方式训练AI模型以检测地震信号。首先，他们一次只用一个站点的数据训练数据，然后应用模型并将每个站点的结果合并。其次，他们用经典技术将同一阵列上的多个传感器信号合并，然后用来自多个站点的信号训练模型。第三，他们把所有阵列站的数据都交给模型，让它决定如何组合。

第二种方法（训练前合并信号）放大弱信号，提供了三种方法中最准确的信号检测。而第三种模型（让模型决定如何组合站点数据）是计算效率最高的策略，在准确性上介于另外两种方法之间。

考虑到准确性与速度之间的平衡，研究人员建议在实时监测时由模型自行决定如何合并数据，而在采用模型应用前后合并数据时，较慢的方法则更为可接受。

然而，该模型在训练区域之外的推广效果不佳。原因是使用的是区域限制的训练数据集;基于全球数据的训练预计将提升效果。问题主要发生在S波，而P波的探测泛化则不是问题。

总体而言，发表在《地球物理研究杂志：机器学习与计算》上的成果表明，人工智能可以通过帮助研究人员检测地震、地下核试验及其他难以识别的微弱地震信号来提升地震监测能力。

更多信息

A. Köhler 等，《将深度学习相位探测器用于地震阵列处理的适应》，《地球物理研究杂志：机器学习与计算》（2026年）。DOI：10.1029/2026jh001249