使用深度神经表示的海啸反演

这对沿海安全意味着什么

靠海而居的人依赖早期预警来逃离来袭的海啸，但现有系统在事件异常或传感器失效时仍难以应对。该研究展示了现代人工智能的思想如何帮助预警中心更灵活、更迅速地解读近海波形，旨在提供更明确的信息，指出哪些海岸线面临更大风险。

从海底震动到沿岸巨浪

当强震、滑坡或火山爆发扰动海面时，产生的海啸可以穿越整个海盆。要预报它将在哪些地方、以何种强度袭击，科学家需要知道最初被扰动的水体形状。这个“起始图”出人意料地难以重建：它依赖于源区的不确定细节、海底地形、潮汐，甚至传感器记录中的缺失或削顶。传统方法通常假定特定类型的断层并预先计算庞大的情景库，这既需占用巨大存储，又在真实事件与预期不符时表现欠佳。

听海洋而不是听断层

作者提出了不同的视角：与其聚焦于海底如何错动，不如直接关注海洋的响应。他们用一种称为格林函数的工具来描述海洋，该工具简单回答了这样一个问题：“如果某一点的水体被短暂抬升，那么每个传感器会观测到什么样的波形？”理论上，将许多此类点的响应相加，就可以从近海传感器测得的波形反向推断出原始被抬升或下沉的水块。然后该水块可作为更精细模拟的起始条件，以预测海啸向沿岸的演进。

用神经网络压缩海洋行为

在实际应用中，用精细网格覆盖一个现实的海域会产生海量可能的源点与传感器位置。若直接存储每个格林函数，将需要数百GB并拖慢紧急预报。为避免此类问题，团队使用深度神经网络作为紧凑的函数“压缩器”。这些网络以源点和接收器的位置及附近海底的小范围地图为输入，输出两点之间传播的完整波形信号。通过对大量围绕日本的计算机模拟海啸进行训练，网络学会准确再现这些信号，同时用仅有数百万参数的模型替代了巨大的数据表。

从传感器数据反向推断

有了这个紧凑的海洋模型，研究人员解决了关键问题：如何从真实或模拟的传感器记录中推断出初始海面扰动。他们设置了一个迭代搜索，调节每个网格单元的抬升幅度，直到预测的传感器波形与观测波形尽可能匹配。同时，方法偏好那些在面积上集中且变化平滑的扰动，反映出真实海啸的典型起始特征。由于神经网络可随时为任意传感器位置生成波响应，同一已训练模型可以在无需重训练的情况下应对不同组合的工作或失效传感器。

用真实与假想海啸进行测试

作者在来自日本邻近过去地震的一个广泛使用数据库中的众多事件上测试了他们的方法。利用日本密集的S-net海底传感器数据，他们表明即使只有部分传感器可用或在加入传感器噪声的情况下，该方法也能高相关性地重建初始水面模式。随后，他们将重建的模式输入第二个神经网络，预测近岸数小时内的离岸波高。这些预测在精度上与或优于现有的某些机器学习方法，同时使用更少的模型参数且不依赖固定的传感器布局。最后，他们展示了同一框架也可处理假想的火山引发海啸，表明方法并不限于地震源。

这对未来预警系统的意义

该研究证明，深度神经网络可以作为复杂数值模型的高效替代，允许快速且灵活的海啸反演，重点是海洋的初始状态而非断层细节。通过减少起始图的不确定性并容忍变化的传感网络，此类方法有望帮助未来的预警中心更准确地判断哪些沿岸区域可能遭受危险波浪，从而为疏散与应急争取宝贵时间。

引用: Morssy, A., Teal, P.D. & Kleijn, W.B. Tsunami inversion using deep neural representations. Sci Rep 16, 15925 (2026). https://doi.org/10.1038/s41598-026-38002-y

关键词: 海啸预报, 近海传感器, 神经网络, 海洋波, 预警