Gregory Beroza ，美国斯坦福大学Wayne Loel荣誉教授，美国科学院院士。

在过去的12年里，他担任南加州地震中心主席，主要从事地震震源方面的研究（通过分析地震记录理解地震发震机理、评估地震灾害）。他的研究覆盖浅源、中深源地震、诱发地震以及慢地震的震源过程。他所带领的Earthquake Seismology学科组将数据挖掘和机器学习技术应用于海量地震数据的分析处理中，极大地提升了地震检测/监测能力。

报告摘要：机器学习技术的发展极大地提升了地震检测/监测的能力，让我们能够从连续数据中挖掘出比以往多达十倍的小震信息，获得更完备的地震目录。更多的地震信息促进了我们对于断层结构的解析能力和对不同地震之间关联的理解认识，同时，这也引发了一些新的挑战：如何理解和应用这些更丰富、更完备的地震目录？探索断层几何和应力之间的关系需要更高阶的信息，如微小地震的震源机制、应力降等，但我们如何从微弱的地震信号中提取这些信息？地震检测的阈值是随时-空变化的，我们又该如何确定这个阈值以及如何对相应的结果进行解释？此外，尽管机器学习技术可以帮助挖掘更多的小震信息，但不同模型的表现仍有一些差异，我们应该如何克服这些不一致？最后，随着机器学习技术的快速发展，以其为基础的地震检测/监测方法不断地进步和完善，我们应该如何更好地利用上这项先进的技术？此次报告中，我将细化这些问题，并试图结合实际数据给予回答。

欢迎广大师生踊跃参加！

2024年3月28日