根据阿拉斯加大学费尔班克斯分校科学家设计的一种新方法，计算机可以通过学习人工爆炸信号进行训练，以更好地检测远处的核爆炸、化学爆炸和火山喷发。
这项由UAF地球物理研究所博士后研究员AlexWitsil领导的工作最近发表在《地球物理研究快报》杂志上。
地球物理研究所威尔逊阿拉斯加技术中心的Witsil及其同事创建了一个合成次声爆炸信号库，以训练计算机识别次声信号的来源。次声的频率太低而无法被人类听到，并且比高频可听波传播得更远。
“我们使用建模软件生成了28,000个合成次声信号，这些信号虽然是在计算机中生成的，但假设可以被部署在距离大爆炸数百公里的次声麦克风记录下来，”Witsil说。
人造信号反映了大气条件的变化，随着声波的传播，这可以在区域或全球范围内改变爆炸的信号。这些变化会使从很远的地方很难检测到爆炸的起源和类型。
为什么要创建人工爆炸声而不是使用真实世界的例子?由于地球上的每个位置都没有发生爆炸，而且大气不断变化，因此没有足够的真实示例来训练通用的机器学习检测算法。
“我们决定使用合成材料，因为我们可以模拟许多不同类型的大气，信号可以通过这些大气传播，”Witsil说。“因此，即使我们无法访问北卡罗来纳州发生的任何爆炸，例如，我也可以使用我的计算机对北卡罗来纳州的爆炸进行建模，并构建一个机器学习算法来检测那里的爆炸信号。”
今天，检测算法通常依赖于由多个彼此靠近的麦克风组成的次声阵列。例如，监测核爆炸的国际全面禁试条约组织在全球部署了次声阵列。
“这很昂贵，很难维护，而且还有很多东西会坏掉，”Witsil说。
Witsil的方法通过使用世界各地已经安装的数百个单元件次声麦克风来改进检测。这使得检测更具成本效益。
机器学习方法通过使它们能够近乎实时地检测更细微的爆炸信号，扩大了单元素次声麦克风的用途。单元式麦克风目前仅用于追溯分析已知且通常为高振幅的信号，就像1月份汤加火山的大规模喷发一样。
Witsil的方法可以部署在国防或减轻自然灾害的作战环境中。