En kombination af maskinlæringsmetoder blev brugt til at skabe UrbanDenoiser. Til træningsansøgning
Holdet anvendte deres filtreringssystem tilseismiske data registreret i Long Beach, Californien for at se, hvor godt det klarer sig. De fandt ud af, at det ønskede signalniveau blev forbedret i forhold til baggrundsstøj med omkring 15 dB. UrbanDenoiser blev derefter brugt til at analysere data fra et jordskælv, der ramte et nærliggende område i 2014. Som et resultat var appen i stand til at registrere fire gange mere data end ufiltrerede sensorer.
Undersøgelsen blev udført af et team af forskere fra Stanford University i samarbejde med det kinesiske videnskabsakademi.
Udviklerne hævder, at UrbanDenoiserer i stand til at bestemme, hvilke seismiske data der er naturlige for bymiljøet, og hvilke der er kunstige, det vil sige forårsaget af jordskælv, og frafiltrerer unaturlige. Appen kan også registrere rystelser af varierende størrelse.
UrbanDenoiser er i stand til effektivt at undertrykkehøje støjniveauer, selvom falske positive og falske negative stadig er mulige i støjbelagte data, erkender forskerne. Falske negativer opstår, når det seismiske signal er for svagt, eller når de seismiske målfaser og prøver af træningssignalet ikke er tilstrækkeligt ens med bølgeformerne for det rigtige jordskælv.
Jordskælv forårsager mest skade og skadeisær i tæt befolkede byer. Samtidig står seismologer over for vanskeligheder med at adskille seismiske data forbundet med naturlige jordbevægelser forårsaget af byliv. De bemærker, at menneskelige aktiviteter i byer, såsom køretøjer og tog, producerer meget seismisk støj.
Forskerne håber, at den nye applikation vil være med til at få klare data om jordskælv i byer og derved minimere skaderne.
Læs mere:
MIT skaber en stationær varmemotor, der klarer sig bedre end turbiner
Efter ti års arbejde stillede forskerne spørgsmålstegn ved standardmodellen for fysik
Se hvordan solopgangen ser ud på Mars