OFC2025 | 利用光纤网络和迁移学习的早期地震探测技术
引言
早期地震探测系统对于减轻地震事件带来的灾难性人道主义和经济后果非常重要，特别是在人口密集地区。本文探讨了一种创新方法，该方法利用现有的陆地光纤网络作为地震探测的传感网格，结合机器学习技术和分布式偏振传感技术。背景与挑战
地震早期预警系统（EEWSs）的发展可以追溯到20世纪60年代，当时日本开创了UrEDAS系统用于铁路预警。传统系统利用地震站检测P波（初震波）—这种波比更具破坏性的面波提前数十秒到达—允许在严重震动发生前发出警报。
然而，全球地震站的密度仍然很低，导致对地震活动的空间采样不足。即使对于高度发达的国家，部署和维护更大、更密集的地震站网络的经济挑战也使这种解决方案难以实施。这一限制促使研究人员探索能够利用现有基础设施的替代方法。地震探测的创新方法
本文介绍的方法利用整个陆地通信光纤网络作为早期地震探测的传感和震中定位网格。这种机器学习驱动的方法利用分布式偏振传感来检测广阔地理区域的P波，无需专用暗光纤或昂贵设备，不同于其他光纤传感技术，如分布式声学传感（DAS）和干涉技术。
这种方法的主要优势在于利用现有的电信基础设施，使其具有成本效益和可扩展性。之前的测试表明，机器学习模型准确地检测到意大利莫德纳地区发生的真实M4.3级地震的P波，为震中附近的城市地区提供了21秒的早期预警时间窗口，为较远地区提供了35秒，为最远地区提供了高达57秒的预警时间。验证的实验设置
实验设置涉及复制先前使用基于Python的波片模型生成的偏振态（SOP）斯托克斯参数。系统使用工作在1550 nm波长，输出功率为6 dbm的可调谐激光器生成光信号。图1显示了用于比较由M4.3地震引起的应变值产生的模拟、背靠背（B2B）模拟和传播B2B斯托克斯参数的实验室设置。光信号被送入由七个具有随机方向的波片组成的光学扰频器，这些波片根据施加到每个波片的电压进行调整，以匹配目标SOP。扰频后的信号被偏振计捕获，偏振计测量SOP并向扰频器提供反馈。
系统包括两条路径：路径1（B2B）和路径2（通过部署的光纤进行38公里传播）。对于路径2，相同的电压集应用于扰频器的七个波片，以复制B2B模拟的斯托克斯参数，允许它们在意大利都灵部署的38公里单模光纤的真实条件下传播。
为了降低复杂性和最小化计算时间，研究人员计算偏振态角速度（SOPAS）而不是完整的SOP。这种计算允许使用单个参数而不是三个参数（S1、S2和S3），使机器学习模型更容易从SOPAS演化中检测不变模式。机器学习模型架构与训练
预训练模型采用结合长短期记忆（LSTM）层和注意力机制的深度学习架构。SOPAS输入由四个LSTM层分析，这些层返回完整的输出序列，以处理时间依赖性，提高模型识别复杂模式的能力，并帮助优化序列表示。
注意力机制通过在使用softmax激活生成注意力概率后的点积操作，动态加权LSTM输出序列中每个时间步的重要性。这使模型能够专注于序列中最具信息量的部分，并区分不同的地震波（P波、S波和面波）。
该模型最初在模拟SOPAS数据集上训练，以学习地震事件引起的SOPAS变化的复杂模式。然后通过在通过38公里光纤电缆传播的较小模拟SOPAS数据集上微调预训练模型应用迁移学习，使模型能够以最少的额外训练适应真实世界条件。图2展示了该研究的三个关键结果。左侧面板显示了通过38公里光纤电缆的B2B和传播B2B SOPAS的比较。中间面板显示了在传播模拟上测试的地震事件多类分类的混淆矩阵，而右侧面板展示了ML模型在传播模拟上检测多个地震事件的能力。结果与性能
尽管模拟B2B和传播B2B SOPAS之间存在一些差异，但模型取得了出色的性能。对于模拟传播数据，模型在检测P波方面达到了98%的准确率，F1分数为98%，召回率为97%，精确度为98%。
图2中的混淆矩阵说明了模型在检测各种波类型方面的高准确率，包括"无地震"、"P波"、"S波"和"面波"。在2156个P波事件中，模型正确检测了2089个，误分类很少：19个实例被错误标记为无地震，48个被误分类为S波。
模型在识别面波方面也表现特别出色，在11200个实例中正确检测了11017个。此外，模型展示了检测多个地震事件的能力，能够在一秒内准确识别P波。结论
本研究展示了机器学习模型通过识别偏振变化模式进行早期地震检测的有效性，尽管存在在意大利都灵部署的38公里光纤电缆的传播挑战。结果突显了迁移学习的成功整合，其中在模拟数据上的预训练模型在实验数据集上进行微调，展示了使用整个光网络作为实时地震早期检测的传感网格的潜力。
与传统地震监测系统相比，这种方法具有显著优势，包括成本效益、可扩展性以及提供早期预警的能力，这些预警可能挽救生命并减少地震造成的经济损失。通过重新利用现有的电信基础设施，该方法为创建密集、同质的地震监测网络挑战提供了实用解决方案。参考文献
H. Awad, F. Usmani, S. Straullu, R. Bratovich, E. Virgillito, F. Aquilino, R. Proietti, and V. Curri, "Experimental Validation for Early Earthquake Detection Using Transfer Learning," in OFC 2025, 2025, pp. M1C.5.END
页:
[1]
