Легкая сверточная нейронная сеть для обнаружения P-волн землетрясений в реальном времени на периферийных устройствах в Новой Зеландии

Секунды, которые могут спасти жизни

Когда происходит землетрясение, несколько секунд предварительного уведомления могут решить разницу между безопасностью и катастрофой. В этом исследовании рассматривается, как крошечные недорогие компьютеры в связке с интеллектуальными алгоритмами могут обнаруживать самые первые колебания землетрясения достаточно быстро, чтобы предупредить людей и автоматизированные системы до прихода сильных толчков. Адаптируя подход к особенностям сейсмической активности Новой Зеландии, авторы показывают, что высокотехнологичное раннее предупреждение не обязательно требует огромных центров обработки данных — оно может работать на устройствах, достаточно маленьких, чтобы крепиться непосредственно к датчику в поле.

Почему важны первые слабые толчки

Землетрясения распространяют несколько типов волн. Самыми ранними являются P‑волны, которые обычно слабее, но движутся впереди более разрушительных волн, следующих за ними. Если мы сможем обнаруживать эти первые легкие колебания быстро и надежно, можно отправлять предупреждения, пока еще остается время, чтобы укрыться под столом, остановить поезд, приостановить операцию или перекрыть газовые вентили. Традиционные методы ищут простые изменения в сигнале, но часто путаются из‑за шума от транспорта, механизмов или ветра и могут реагировать слишком медленно. Новые методы глубокого обучения точнее, но обычно требуют мощных компьютеров и длинных отрезков данных, что затрудняет их запуск на небольших устройствах рядом с датчиками.

Обучение маленькой модели умению слушать

Исследователи разработали компактный тип модели глубокого обучения, называемый сверточной нейронной сетью, чтобы решить эту проблему. Вместо того чтобы требовать тридцать секунд и более движения, их система работает с двухсекундным фрагментом колебаний, что делает её особенно быстрой. Они обучали модель распознавать не только P‑волны, но и более сильные S‑волны, а также обычный фоновой шум. Для этого использовалось около 89 000 записей из национальной сети приборов для регистрации сильных движений Новой Зеландии, с акцентом на события в пределах примерно 100–150 километров от станций и с магнитудой выше 3.0. Каждая 90‑секундная запись была очищена, отфильтрована и затем разбита на короткие окна, представляющие P‑волны, S‑волны и шум, предоставив модели широкий набор реальных условий для обучения, включая многие случаи, когда сигнал едва превосходит шум.

Упаковка мощности в крошечный формат

Проектирование для недорогого оборудования означало, что модель должна быть чрезвычайно эффективной. Команда исследовала множество вариантов своей сети, изменяя число слоев и фильтров и измеряя и точность, и требуемые вычисления. Они объединили эти факторы в один показатель, который позволял выявлять точки, где дополнительная сложность перестает давать реальную выгоду. В результате поиска получилась окончательная конструкция с примерно 38 000 настраиваемых параметров — значительно меньше, чем у многих существующих моделей для землетрясений — и в то же время она правильно помечала около 97 процентов тестовых отрезков в целом и 98 процентов примеров P‑волн. В испытаниях на Raspberry Pi 5, широко доступном хобби‑компьютере, каждое решение занимало примерно 6,5 тысячных секунды, использовало лишь небольшую часть одного ядра процессора и оставалось в пределах безопасных температур при непрерывной неделе работы.

Доказательство на крупных землетрясениях и дешевых датчиках

Чтобы проверить, справится ли система с самыми значимыми землетрясениями, авторы применили её к мощному Кайкоура‑событию 2016 года, хотя это событие не входило в обучающую выборку. Используя перекрывающиеся двухсекундные окна и только простое масштабирование входного сигнала, модель обнаруживала первые P‑волны на станциях на расстоянии до 200 километров, зачастую за десятки секунд до пика сильных колебаний. Она также хорошо показала себя на данных с недорогих сенсоров Raspberry Shake, которые шумнее профессиональных приборов, но гораздо легче разворачиваются повсеместно. Без дополнительной дообучки модель четко находила P‑ и S‑волны на нескольких станциях Raspberry Shake во время события магнитудой 3.6, что указывает на переносимость «навыков слушания» между разными устройствами.

Что это значит для повседневной безопасности

Исследование показывает, что возможно уместить надежное и быстрое обнаружение землетрясений в модель, достаточно малую и эффективную, чтобы работать на дешевых периферийных устройствах, разбросанных по стране. Выступая в роли первичного триггера, реагирующего за секунды на каждом датчике, система может питать более крупные сети или более детальные анализы, которые оценивают силу толчков и области наибольшего воздействия. Для людей, живущих в сейсмоопасных регионах, таких как Новая Зеландия, этот подход дает обещание более ранних предупреждений без полной зависимости от дорогой централизованной инфраструктуры — прокладывая путь к более доступным и устойчивым системам раннего оповещения, которые однажды могут стать столь же распространенными, как пожарные извещатели.

Цитирование: Ravishan, D., Prasanna, R., Herath, P. et al. Lightweight convolutional neural network for real-time earthquake P-wave detection on edge devices in New Zealand. Sci Rep 16, 11536 (2026). https://doi.org/10.1038/s41598-026-42568-y

Ключевые слова: раннее предупреждение о землетрясении, обнаружение P-волн, edge‑вычисления, глубокое обучение, сейсмология Новой Зеландии