机器学习绘制出圣托里尼危机中超过6万次地震

火山地震危机的图景变得更加清晰

在2024年末至2025年年中影响圣托里尼及周边岛屿的强烈地震序列，其规模和结构都远超传统监测所显示的情况。根据2026年美国地震学会年会公布的一项研究，基于机器学习的分析在这次事件中识别出超过6万次地震，建立了一个高分辨率目录，使科学家能够在危机展开过程中持续跟踪其进展。

单是这个数字就已十分惊人，但更深层的意义在于，这种近实时分析所带来的可能性。研究团队没有等到数月后再回看数据，而是在事件发生期间就使用机器学习工具，检测地震活动的爆发、追踪活动如何在断层网络中迁移，并捕捉到标准工作流程很可能会遗漏、或速度慢到不足以支持业务决策的细节。

为何圣托里尼序列难以追踪

圣托里尼的地震危机异常剧烈。研究人员表示，某些时段在一小时内就出现数百次地震，这种规模使得在时间压力下进行传统编目变得困难。当地震以密集簇状出现时，挑战不仅在于测量震级或位置，还在于将彼此重叠的波形中的单个事件区分开来，并且要快到足以让信息仍然具有可操作性。

通过并行运行的机器学习流程，由斯坦福大学牵头的团队能够处理大量波形数据，并在危机期间识别出成千上万次事件。最终数据集覆盖了2024年12月至2025年6月，提供了一个更加细致的视角，展示这一序列如何随时间演变。

这是一项重要的操作层面转变。地震学中的机器学习通常是在危机过去后回顾性使用。而在圣托里尼，这些方法的部署方式接近实时监测。这使得这项工作不仅是对某一地震序列的研究，也展示了未来如何以不同方式处理与火山相关的地震危机。

爆发、迁移以及指向岩浆运动的证据

该目录识别出46次反复出现的地震爆发，每次都涉及在一到两小时内发生的数百次地震。在某些爆发期间，地震迁移沿断层带推进，速度高达每小时2公里。这些模式不仅仅是描述性的趣闻。它们有助于科学家评估驱动群震的潜在过程。

研究人员认为，迁移速度和迁移模式都加强了这样一种解释：此次序列与该地区火山相关的岩浆侵入有关。换言之，这些地震并非只是零散的构造噪声。它们似乎记录了物质与应力在一个活跃火山系统中的移动。

这一区别对灾害评估至关重要。在火山环境中，群震主要由断层滑动、流体运动还是岩浆侵入驱动，会改变科学家对升级风险和公众沟通的判断。更丰富的目录并不能消除不确定性，但它可以缩小合理解释的范围，并帮助当局形成更清晰的态势图景。

从研究工具到业务预期

这项研究最强烈的信息之一并非纯粹地质层面的，而是制度层面的：研究人员认为，这些方法应从有限使用转向日常业务实践。这是一个意义重大的主张。监测机构往往对在实时工作流程中采用新分析方法保持谨慎，因为当公共安全受到影响时，可靠性、速度和可解释性都至关重要。

但像圣托里尼这样的事件暴露了现状做法的局限性。当危机快速演变时，分析延迟并不只是学术上的不便。它们会影响预报、预警和应急规划。研究人员的观点是，机器学习已经成熟到足以成为标准监测工具的一部分，尤其是在高强度的火山危机中，仅靠人工分析可能难以跟上事件数量。

如果这种转变发生，其实际影响可能远远超出爱琴海。全球各地的火山观测站和地震监测网络在群震、侵入和地震级联事件中都面临类似挑战。更快、更加密集的事件目录，可以改善机构对正在展开的危险的解读，以及向公众传达不确定性的方式。

这项研究改变了什么

圣托里尼序列已成为一个案例，展示计算能力如何在一次实时事件中改变观测科学。这项工作的价值不仅在于机器学习发现了更多地震，更在于它识别出了结构：重复爆发、迁移活动以及断层网络细节，共同构成了一则关于地下正在发生什么的更连贯叙事。

这就是更深层的教训。在灾害科学中，更高的分辨率可以改变事件本身的含义。一个分散而压倒性的群震，变成了一个具有节律、路径和可能驱动因素的可绘制过程。这并不会让预测变得容易，也不会消除意外发生的可能性。但它确实会提高在必须实时做出决策时可获得的信息质量。

对于圣托里尼来说，结果是留下了一份更清晰的记录，记录这场非同寻常的地震危机。对于整个领域而言，这表明业务地震学可能正在进入一个新阶段，机器学习不再只是事后研究助手，而是前线分析工具。

要点

• 研究人员使用机器学习在2025年圣托里尼序列期间识别出超过6万次地震。
• 研究发现了46次反复出现的地震爆发，以及沿断层带每小时最高2公里的迁移。
• 观测到的模式支持这样一种解释，即岩浆侵入在此次危机中发挥了核心作用。
• 研究团队认为，这类机器学习方法应在未来火山紧急事件中成为常规实时监测的一部分。

本文依据 Phys.org 的报道改写。阅读原文。