當你打開新聞看到「地震速報！」，是不是曾經好奇：我們怎麼知道地震正在發生？又怎麼可能在搖晃來臨前搶得幾秒的先機？這背後其實藏著一場結合地震學與資料科學的賽跑，且跟著本篇文章讓筆者娓娓道來。 

 

什麼是地震？

地球最外層並非一體，而是由數十塊巨大板塊拼湊而成。這些「板塊」在地函推動下，彼此緩慢滑動、擠壓。當兩塊板塊接觸時，隨著時間累積，兩個板塊在不同地方的累積的應力終於超過岩石強度，突然釋放，形成地震，並往四面八方傳播出地震波。這些波在地表引起我們所感受到的震動，主要分為：P波 (Primary wave，壓縮波，速度最快，可透過固體與液體傳播)與S波（Secondary wave，剪切波，速度較慢，只能在固體中傳播)。地震儀記錄到的P波與S波到時之時間差，正是科學家推算震源位置的關鍵。地震學家依照時間尺度將地震監測分成兩大模式：地震預警系統與製作地震目錄。

你可以想像，地震就像地球打了個噴嚏。這個噴嚏一發出，就會有兩種聲音一路傳來。第一種聲音叫做P波，它跑得最快，但聲音很小；第二種叫S波，速度比較慢，可是力氣很大、搖得最厲害。我們的地震預警系統，就是靠著「聽到第一聲P波」這個關鍵訊號，在「搖得最劇烈的S波」到來之前搶發警報。 

這種搶快的系統叫做地震預警系統。只要P波一被偵測到，電腦馬上推算這可能是一場地震，並預估幾秒後的S波可能會在某處造成多大的搖晃，然後就啟動地震警報。這聽起來很厲害對吧？但也有點冒險。因為當我們發出警報時，地震的波形資料還沒全部被接收到，演算出來的規模和影響範圍可能不夠準確。所以地震預警要在不完整的資訊下做出快速判斷。 那麼，如果我們把時間拉長，等所有波形都傳到地震儀、資料也都收集完整了，會不會就能畫出更準確的地震「畫像」？答案是肯定的！這就要交給另一種地震監測系統製作地震目錄了。 

地震目錄有點像是地球的成績單。每一場地震的發生時間、地點、深度、規模，甚至地震波傳到不同地方的時間和強度，通通記錄下來。為什麼要這麼麻煩？因為地震學家靠著這些累積的資料，可以慢慢拼出地底下的故事：震源深度以及斷層分布幾何的樣貌長怎樣呢？哪裡有潛藏的發震構造？哪裡可能會發生更大的地震？ 

總結來說，地震預警像是一位跑在最前線的救火員，搶時間救人；而地震目錄則像一位細心的歷史學家，整理所有地震的資料，幫助我們了解地球真正的脾氣。這兩者都是地震監測不可或缺的一部分，前者守住現在，後者展望未來。 
所以，下次當你聽到地震速報響起時，不妨想一想：在你沒察覺的時候，地球上有多少台地震儀、多少台電腦，正悄悄地在幫我們守護每一秒鐘的安全。而有朝一日，也許你會是那個打造更聰明系統的人。

 

地震預警系統的工作流程與原理

地震預警（Earthquake Early Warning, EEW）系統旨在於地震發生後、破壞性震波(通常為S波)抵達前，提前數秒到數十秒發出警報，爭取時間讓公眾避難或讓自動控制系統啟動保護措施。依據架構不同，EEW大致分為現地型預警與區域型預警兩類： 

圖1：現地型（上）區域型（下）地震預警比較示意圖。現地型預警雖然快速，但因只使用單站資料，資訊有限，估算的數值準確度不及區域型預警。（圖片來源：筆者自繪）

現地型預警：是利用單一測站接收到的最初幾秒P波訊號，立即推估該站可能經歷的最大震動強度，並就地發出警報。因為只依賴單站資料，現地型可在震波抵達當地下方時立刻反應，速度極快，特別適合震央附近的地區，不會產生「警報盲區」問題。 
區域型預警：由多個測站組成監測網路。當地震發生時，首先有鄰近震央的數個測站幾秒內陸續偵測到P波；中央處理系統彙集這些測站測得的波相到時，於數秒內推算地震的基本參數（如震源位置），再利用經驗公式預估規模及各地的震度，針對可能受強震波及的區域發布警報。區域型系統因為結合多點資料，對地震定位和規模估算較準確，誤報率較低，預警覆蓋範圍廣，可服務整個國家或區域。然而，完整定位過程往往需要數秒以上；對於震央附近的地區，可能還來不及發出警報，具有致災性的S波就已經抵達，這些未能及時收到警報的範圍被稱為「警報盲區」。

 

製作地震目錄的流程 

地震目錄是一系列記錄歷史地震事件參數（時間、位置、深度、規模等）的資料表，由地震監測機構或研究人員負責製作。建立地震目錄需要從大量連續波形資料中偵測並定位每一起地震，主要步驟如下： 
1.    事件檢測與初步判斷：當地震波傳至地表時，地震儀會記錄到震動訊號。傳統方法使用振幅門檻值及簡易的自動化方法來偵測振幅異常波動之情形，判斷可能有地震發生。同時，地震測網中的多個測站若在相近時間先後觸發，則更有力地證明是真實地震事件而非其他因素造成。 
2.    波相到時挑選（Phase Picking）：確認出現地震後，需要精確判斷各測站記錄中P波和S波的到達時刻。想像你正在聽一首交響樂，突然要你指出第一個小提琴聲音出現的那一刻，這需要非常敏銳的聽覺。同樣地，地震學家需要從地震儀記錄的複雜波形中，準確地找出P波和S波到達的時間。這個過程就稱為「波相挑選」。傳統上這一步由人類專家根據波形明顯變化點（例如P波初動的振幅突然上升、S波到來時振幅明顯增大）來判讀，或使用自動化演算法從波形特徵中挑出可能的到時。然而人工作業耗時，傳統自動挑波演算法在資料背景噪音高時性能欠佳。因此這部分正逐漸由後述的深度學習模型來完成，以應對密集出現的地震事件或雜訊干擾的情況。 
3.    波相連結(Phase Association)與事件歸屬：地震波從震源傳播到不同測站，理論上各站觀測的P、S到時具有一致對應的事件起始時間與位置。波相連結就是將地震網各測站挑選的候選P/S到時相互比對，找出可能屬於同一地震事件的組合。這一步有如拼圖：需要決定哪些P波和S波是由相同的地震產生，經由嘗試不同的震源假設計算理論到時，尋找與觀測最吻合的一組。 
4.    地震定位：一旦某事件的各測站波相到時表被整理出來，就可以進行精確的震源定位。定位過程實質上是個反演問題：已知地震波在各測站的到達時間，希望求解震源在地下的位置及發震時刻。首先需要一個P波/S波速度模型，通常假設地殼為若干層均勻介質，每層給定P波、S波速度值。如此可計算任意假設震源到各測站的理論傳播時間。演算法會搜索震源參數的解空間，調整震源位置和發震時間，透過反覆迭代改進震源位置，最小化理論到時與實際觀測到時之差，直到殘差收斂。當使用簡化的一維速度模型時，定位可能存在系統誤差；因此在地下構造複雜區域，科學家通常會使用三維速度模型以提升定位精度。 
5.    震源參數估算：除了經緯度、深度和時間外，地震目錄通常還需給出每次地震的規模。規模估算方法視情況而定：區域性地震常用芮氏地震規模或近震規模(Local Magnitude, ML），取決於地震波最大振幅和距離的經驗公式。這通常基於該區域的歷史地震目錄所建立，因此規模較大的地震事件數量較少；強震則常使用與反應地震破裂過程的地震矩規模（Mw），需要假設斷層滑移量與斷層面積等參數，不受歷史地震資料影響。 
以上流程完成後，監測人員會將新定位的事件收錄進地震目錄。完整的地震目錄是地震研究和風險評估的重要基礎：它反映了一定時間範圍內地震活動在時間和空間上的分布，以及能量釋放的狀況等。由於自動化程序可能產生誤報或漏報，一般仍需經人工審核校正，再正式對外發布。

 

機器學習在地震監測中的應用 

想像一下，你和朋友們在家裡開派對，屋裡放著音樂、有人在聊天，餐具聲此起彼伏，場面非常熱鬧。這時，如果要在嘈雜中「聽到」某一句特別的話或辨認出朋友的聲音，光靠自己雙耳可能很吃力。傳統地震監測就像用這麼一雙普通的耳朵：科學家得花很多時間聽每段錄音，手動標記出關鍵聲音（也就是P波和S波），再把不同房間的錄音對照起來，才能判斷是不是同一次「地震派對」。這樣既費時又容易漏掉細微的訊號。 

機器學習就像給地震監測裝上一副超級耳機，搭配一位經驗豐富的助理，幫你自動完成兩件事： 
1.    挑出重要聲音（波相到時挑選） 
超級耳機會在混亂音浪中，敏銳地捕捉到第一聲「P波嘻哈節奏」和接著到來的「S波重低音」，就像在派對中聽見朋友遠遠一句「嘿，你在幹嘛？」時，自動幫你記下講話的秒數。這部分過去要人工一格一格地看時間軸，而現在機器學習靠參加過無數派對的經驗，一轉眼就能完成。 
2.    把聲音拼成同一首歌（波相連結） 
接著，當派對的每個房間都錄到那段「嘿，你在幹嘛？」時，我們就要分辨：這些聲音是不是同一個朋友說的？機器學習就像派對的偵探，會把各房間錄到的關鍵片段連線起來，確認它們是不是出自同一次對話。比方說，在客廳、廚房和陽台都出現了相似音調，就能判斷：原來是同一個人，說同一句話，只是傳播到不同角落的回音。 

有了這兩步驟，原本繁瑣的地震監測流程瞬間變得輕鬆又快速。機器學習就像有了全派對的錄音筆，並且能憑經驗判斷哪些聲音重要、哪些是噪音，不但不會漏掉朋友的話，還能同時監聽上百間房間的動態。換句話說，機器學習讓地震監測從「慢慢聽錄音、人工比對」的老方法，進化成「戴上超級耳機、自動標註和配對」的新模式，大大提升了速度與靈敏度，讓科學家能更快速、更精確地了解地球的每一次脈動。

讓電腦學會「聽」地震

在標準的作業流程中，波相挑選這項工作由經驗豐富的地震學家手動完成，既耗時又容易受到主觀判斷的影響。隨著機器學習技術的發展，科學家們開始訓練深度學習模型來自動化此工作。這些模型類似於電腦視覺中的影像識別技術，能夠從大量的地震波形資料中學習，並準確地辨識出P波和S波的到達時間。

圖二：波相挑選模型的訓練以及應用。在訓練階段，科學家將大量人工標註的Ｐ/S波到時轉換為時間域上的高斯函數，將與其成對的波形輸入至模型進行訓練。訓練完成後，將任意波形輸入至模型，便可得到與訓練階段目標函數相似的輸出結果，及模型判釋的Ｐ/S波到時（圖片來源：筆者自繪，修改自Liao等人，2022）

為了訓練模型，科學家們首先會拿出大量已經人工標記好的波形，這些波形記錄了清楚的P波和S波抵達的時間點。接著，他們將這些標記轉換成特別的目標函數，就像在地震波上貼上精準的標籤，讓模型清楚地學習並記住這些重要的特徵。模型經過大量資料的訓練，學習將輸入的波形輸出為目標函數。完成訓練之後，當任意的波形資料被送進模型時，這位偵探就能立刻找出P波與S波，並在波形上精準地指出它們出現的位置，並以類似目標函數的形式告訴科學家。透過這種方式，模型就能快速地分析大量波形資料，讓地震的監測變得更迅速、更有效率，大幅減輕科學家手動判讀波形的負擔，也提高了地震監測的準確性與反應速度（圖二）。

 

為什麼波相連結是一項艱難任務？ 

想像你要聽懂一場派對裡所有對話，但錄音裡有人說話重疊、有人站得很遠、還有人打斷別人。波相連結就像這種超難版的語音整理：地震發生時，不同測站會陸續記錄到P波與S波，但這些訊號會因地底結構不同而有時間差、強度不同，甚至還可能來自不同場地震，交錯在一起。 
這個任務不只是「比對聲音」，還得讓結果符合一個重要原則：震波傳遞要合乎物理上的速度模型。如果你說某段波是P波，那它就應該用P波的速度從某個假設震源跑到該測站，時間要對得起來。如果不符合，那可能判定錯了震波波相，也可能誤認了整起地震。

機器學習怎麼完成波相連結這項高難度拼圖？ 

傳統的波相連結方法像是用表格規則處理：在一個時間窗內，把出現的P波和S波湊成對，然後檢查每個組合合不合邏輯，是否符合速度模型推算的理論到時。這套方法雖然穩健，但是在處理上需要注意很多細節，程式碼撰寫也不算簡單。 這時機器學習大顯身手，尤其是圖神經網路（Graph Neural Network, GNN）與貝氏高斯混合模型（Bayesian Gaussian Mixture Model）這兩種方法。

•    圖神經網路（GNN）像是一位擅長觀察整體社交網路結構的資料分析師。每一個地震波的到時（P波或S波）可以想像成一位參加聚會的來賓，這些來賓分別從不同測站、不同時間出現。GNN不只觀察單獨每一位來賓的特徵（像是波相類型、發生時間、來自哪個測站），它還會考慮這些來賓彼此的「關係」──誰和誰的出現時間接近？誰和誰來自距離相似的測站？如果多位波相之間彼此關係密切，GNN就會判斷他們可能是參加同一場地震「聚會」。這種模型擅長從成千上萬筆資料中找出高度連結的一群，並將他們配對為同一場地震事件。它不仰賴單一規則，而是從整體資料結構中找出隱含的規律。這種方法是應用區域的速度模型產生測站與潛在震源的到時表格訓練而成，在實際應用上效率會比傳統的演算方法還要直觀且易於使用 ( Ian 等人，2023)。

•    而「貝氏高斯混合模型」則像是一位擅長統計與地圖製作的偵探。他不是一個一個比對震波，而是站在高空，從整體角度觀察：這些P波、S波的到達時間和出現地點，分佈在三維的時間—空間圖上，會不會自然形成一些「熱點區域」？這些熱點，就像是幾群正在開派對的人潮，代表不同的地震。他用的工具叫做「機率」，也就是他不硬性規定某個波相一定屬於哪場地震，而是計算「某個波相屬於某一場地震的可能性」。如果一組波相在空間和時間上靠得很近，而且彼此之間的到時也符合速度模型的推論，那麼這些波相就很可能來自同一場地震。這種方法能自動找出多個潛在震源位置，並用「機率地圖」的方式描繪出每場地震的波相範圍。這種方法特別適合處理那種地震很多、彼此接近，甚至波相重疊的情況。它不像傳統方法只找一個最有可能的結果，而是考慮所有可能性並告訴我們：「這筆資料有80%的可能來自A事件，但也有20%的機會來自B事件。」這樣的設計讓我們在地震訊號很複雜的情況下，也能做出比較聰明、靈活的判斷（Zhu等人，2022）。 
這些方法都不只是為了速度，更重要的是，它們讓我們從混亂的資料中，拼出符合物理規律的、可信度更高的地震故事。機器學習的加入，讓我們不只「更快聽見地球的聲音」，也更「聽得懂」地球在說什麼。

 

參考文獻 
      Liao, W., Lee, E.-J., Chen, D., Chen, P., Mu, D., & Wu, Y.-M. (2022). RED-PAN: Real-time earthquake detection and phase-picking with multitask attention network. IEEE Transactions on Geoscience and Remote Sensing, 60, 1–11. https://doi.org/10.1109/TGRS.2022.3205558

      Zhu, W., McBrearty, I. W., Mousavi, S. M., Ellsworth, W. L., & Beroza, G. C. (2022). Earthquake phase association using a Bayesian Gaussian mixture model. Journal of Geophysical Research: Solid Earth, 127, e2021JB023249. https://doi.org/10.1029/2021JB023249

      McBrearty, I. W., & Beroza, G. C. (2023). Earthquake phase association with graph neural networks. Bulletin of the Seismological Society of America, 113(2), 524–547. https://doi.org/10.1785/0120220182