Loading [MathJax]/extensions/MathMenu.js

0

0
0

文字

分享

0
0
0

為什麼地震預測這麼難?——《震識》

震識:那些你想知道的震事_96
・2017/06/13 ・2475字 ・閱讀時間約 5 分鐘 ・SR值 536 ・七年級

  • 文/潘昌志|「你地質系的?」不,但我待過地質所,而且還是海研所的碩士。無論在氣象局、小牛頓…都一樣熱愛地科與科普。現在從事試題研發工作,並持續在《地球故事書》、《泛科學》、《國語日報》等專欄分享地科的各種知識,想以科普寫作喚醒人們對地球的愛。

之前我們聊到「拉奎拉的悲劇」時,曾提到當地政府因為短時間內小地震過於頻繁,又加上民間預測專家提出了預測,因此特別出面開記者會因應。為什麼多數地震學家對預測地震這件事這麼「敏感」?又為什麼會這麼不信任地震預測的研究?這是件從根本上就很難解的問題……。

過去筆者在地震預測的主題上已撰寫過兩篇文章,在我們離「預測地震」還有多遠?一文中,概述了目前主要地震前兆研究的相關科學進展與難處。而在地震預測,是真有其事還是危言聳聽?難道不能寧可信其有嗎?一文中,則是在探討「如果地震預測的科學還未成熟,任意就粗糙的研究結果發布預測警告,是件多麼危險的事!」

發布地震預測警報的困境,最理想的狀況是左上(有警報且發震)和右下(沒警報沒地震)。沒警報卻發生嚴重地震(左下)或是發布警報卻沒發生地震(右上),都會造成比未提供預報還多的損失。所以如果沒有成熟且誤報率極低的技術,貿然發布不止是兩難的困境,還可能造成不必要的損失。圖/By J. Johnson – Own work, CC0, wikimedia commons

但話說回來,為什麼地震預測這麼難?又為什麼很多個人的研究,很難被學者們認同是有科學根據的預測?這並非是研究上的爭議,而是科學方法和科學精神上若不夠嚴謹,這才是學者們更在意的地方。

無論是「地震的成因是因為板塊錯動?事情沒有那麼簡單!」一文中的歷史脈絡,或是其它科學史故事,都呈現出一種特性:科學知識非但不是一成不變,還會隨著時間流逝不斷「修正」。

-----廣告,請繼續往下閱讀-----

我之所以特別用「修正」而非「推翻」的詞彙來詮釋,是因為科學並不是「誰說了算」,而是當更新的證據出現時,除了需要重新檢視我們過去的看法,還得以同樣嚴謹的角度去檢驗新的證據,所以不管是什麼科學上的新發現或看法,都需要蠻常一段時間去蘊釀,如果這些新看法與當代的科學知識相衝突時,就更需要時間讓觀念融合,又或者是新的觀念本身也存在著缺陷。像是哥白尼的日心說在當時難以被接受,最大的問題就是他將行星公轉軌道假設為正圓形,顯然於觀測事實不符,即使日心說較地心說更接近真實情況,那也是在他之後的克卜勒、牛頓等人的貢獻了。

回到正題,如果今天某某人聲稱他可以「用某種你沒聽過的觀測手段精準預測地震」,那到底是真還是假?是胡扯嗎?還是跨時代的觀念?

如果用這樣的角度或過去的例子來支持這類理論,那就完全錯誤理解科學方法的中心精神。許多科學史上的「修正」,多數要花上數十年以上的時間重覆驗證,而在漫長且嚴苛的驗證過程中,淘汰掉的未必是舊的論點,也可能是新的想法出現瑕疵而被自然消滅。我們現在看到的科學史脈絡,其實也已經是簡化過的故事,它能說明的只是科學的「可否證性」,簡單來說,就是有一個可以否定原來某個理論的鐵證,那舊的理論就該放棄了!

科學知識永遠不會是唯一真理,因為科學只是用來幫助我們「解釋自然現象」、「理解這世界的運作方式」而已。雖然我們學習科學時,一定會學一堆要「背」的知識,如加減乘除開根號、如牛頓運動定律……等等,但這些知識並非教條,而是代表它在長時間的檢驗及淬鍊之下,已經很難被否證了。而這些知識會變成根基,他就像你在打電動破關一樣,當你得到了裡面已經經歷過事件或是已經破過的關卡存檔資歷時,就不用再重新破關一樣。

-----廣告,請繼續往下閱讀-----

科學之所以可以日新月異,也是拜這樣實事求是的精神所賜,並不是無法檢討過去的基礎理論,而是如果沒有比基礎理論更好的解釋,那就無法取代。

可是,如果你問我:「我不具地震學背景,又懶得重新了解,那該怎麼分辨是非對錯?」

在回答這個問題時,我想先說明一件事:當所謂的「某某地震預測理論」告訴你,他們能做出多精準、多好的預測時,真正的科學家不會著眼於他們提出的事證,也就是成功預測的結果,而是這項理論有沒有限制、規範和例外,或是有沒有辦法提出一道合乎基礎的科學定理(以地震而言,起碼就牽涉了物理學)。更重要的是,這個「理論」能不能禁得起重覆驗證、能不能「每個人來做都能得到同樣的結果」、所有的事是否都攤在陽光下供任何人檢驗。

有很多人都在作這樣的檢驗,像是由專業學者審查的學術期刊、世界各地的學術單位、政府防災單位等等。假如是個實用且有成效的理論,世界各地的學者皆沒有道理反對。

-----廣告,請繼續往下閱讀-----

所以結論就變得很簡單,科學發展至此,可以說已有很完整的方法和檢驗架構,能解釋較多事實的理論就會留下,而不好的理論也就自然淘汰。我們也不太能為此操心什麼。把握好自己能掌握的事,或許更加實際吧!

至於什麼是「能掌握的事」?對一般大眾而言,包括像是了解住家的耐震情況、怎麼運用緊急地震速報等知識,都是一種掌握災害的方法。至於科學部分,雖然從我們前面的論述,可以體會到要建立地震預測的新理論難度很高、限制重重,但路難行並非不可行,只是會走得慢,因為需要走的更嚴謹。

舉個例來說,下面有張在日本高速公路休息區中拍攝到的照片,日本對於許多斷層都作了地震潛勢的研究,除了估算出地震的潛勢,也會評估發生地震時的最大搖晃的「地震動預估」,這種以科學為立基的模擬,多少可以增加對災害發生時的情境想像,或許也是一種可以用來面對未知災害時,增加準備的方式。

或許我們無法預測地震何時到來,但對於一定會來的地震,還是不能掉以輕心。

-----廣告,請繼續往下閱讀-----

本文原發表於《震識:那些你想知道的震事》部落格,或是加入按讚我們的粉絲專頁持續關注。將會得到最科學前緣的地震時事、最淺顯易懂的地震知識、還有最貼近人心的地震故事。

延伸閱讀:

-----廣告,請繼續往下閱讀-----
文章難易度
震識:那些你想知道的震事_96
38 篇文章 ・ 9 位粉絲
《震識:那些你想知道的震事》由中央大學馬國鳳教授與科普作家潘昌志(阿樹)共同成立的地震知識部落格。我們希望透過淺顯易懂的文字,讓地震知識走入日常生活中,同時也會藉由分享各種地震的歷史或生活故事,讓地震知識也充滿人文的溫度。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

6
4

文字

分享

0
6
4
除了蚯蚓、地震魚和民間達人,那些常見的臺灣地震預測謠言
鳥苷三磷酸 (PanSci Promo)_96
・2024/02/29 ・2747字 ・閱讀時間約 5 分鐘

本文由 交通部中央氣象署 委託,泛科學企劃執行。

  • 文/陳儀珈

災害性大地震在臺灣留下無數淚水和難以抹滅的傷痕,921 大地震甚至直接奪走了 2,400 人的生命。既有這等末日級的災難記憶,又位處於板塊交界處的地震帶,「大地震!」三個字,總是能挑動臺灣人最脆弱又敏感的神經。

因此,當我們發現臺灣被各式各樣的地震傳說壟罩,像是地震魚、地震雲、蚯蚓警兆、下雨地震說,甚至民間地震預測達人,似乎也是合情合理的現象?

今日,我們就要來破解這些常見的地震預測謠言。

-----廣告,請繼續往下閱讀-----

漁民捕獲罕見的深海皇帶魚,恐有大地震?

說到在坊間訛傳的地震謠言,許多人第一個想到的,可能是盛行於日本、臺灣的「地震魚」傳說。

在亞熱帶海域中,漁民將「皇帶魚」暱稱為地震魚,由於皇帶魚身型較為扁平,生活於深海中,魚形特殊且捕獲量稀少,因此流傳著,是因為海底的地形改變,才驚擾了棲息在深海的皇帶魚,並因此游上淺水讓人們得以看見。

皇帶魚。圖/wikimedia

因此,民間盛傳,若漁民捕撈到這種極為稀罕的深海魚類,就是大型地震即將發生的警兆。

然而,日本科學家認真蒐集了目擊深海魚類的相關新聞和學術報告,他們想知道,這種看似異常的動物行為,究竟有沒有機會拿來當作災前的預警,抑或只是無稽之談?

-----廣告,請繼續往下閱讀-----

可惜的是,科學家認為,地震魚與地震並沒有明顯的關聯。當日本媒體報導捕撈深海魚的 10 天內,均沒有發生規模大於 6 的地震,規模 7 的地震前後,甚至完全沒有深海魚出現的紀錄!

所以,在科學家眼中,地震魚僅僅是一種流傳於民間的「迷信」(superstition)。

透過動物來推斷地震消息的風俗並不新穎,美國地質調查局(USGS)指出,早在西元前 373 年的古希臘,就有透過動物異常行為來猜測地震的紀錄!

人們普遍認為,比起遲鈍的人類,敏感的動物可以偵測到更多來自大自然的訊號,因此在大地震來臨前,會「舉家遷徙」逃離原本的棲息地。

-----廣告,請繼續往下閱讀-----

當臺灣 1999 年發生集集大地震前後,由於部分地區出現了大量蚯蚓,因此,臺灣也盛傳著「蚯蚓」是地震警訊的說法。

20101023 聯合報 B2 版 南投竹山竄出蚯蚓群爬滿路上。

新聞年年報的「蚯蚓」上街,真的是地震警訊嗎?

​當街道上出現一大群蚯蚓時,密密麻麻的畫面,不只讓人嚇一跳,也往往讓人感到困惑:為何牠們接連地湧向地表?難道,這真的是動物們在向我們預警天災嗎?動物們看似不尋常的行為,總是能引發人們的好奇與不安情緒。

如此怵目驚心的畫面,也經常成為新聞界的熱門素材,每年幾乎都會看到類似的標題:「蚯蚓大軍又出沒 網友憂:要地震了嗎」,甚至直接將蚯蚓與剛發生的地震連結起來,發布成快訊「昨突竄大量蚯蚓!台東今早地牛翻身…最大震度4級」,讓人留下蚯蚓預言成功的錯覺。

然而,這些蚯蚓大軍,真的與即將來臨的天災有直接關聯嗎?

-----廣告,請繼續往下閱讀-----

蚯蚓與地震有關的傳聞,被學者認為起源於 1999 年的 921 大地震後,在此前,臺灣少有流傳地震與蚯蚓之間的相關報導。

雖然曾有日本學者研究模擬出,與地震相關的電流有機會刺激蚯蚓離開洞穴,但在現實環境中,有太多因素都會影響蚯蚓的行為了,而造成蚯蚓大軍浮現地表的原因,往往都是氣象因素,像是溫度、濕度、日照時間、氣壓等等,都可能促使蚯蚓爬出地表。

大家不妨觀察看看,白日蚯蚓大軍的新聞,比較常出現在天氣剛轉涼的秋季。

因此,下次若再看到蚯蚓大軍湧現地表的現象,請先別慌張呀!

-----廣告,請繼續往下閱讀-----

事實上,除了地震魚和蚯蚓外,鳥類、老鼠、黃鼠狼、蛇、蜈蚣、昆蟲、貓咪到我們最熟悉的小狗,都曾經被流傳為地震預測的動物專家。

但可惜的是,會影響動物行為的因素實在是太多了,科學家仍然沒有找到動物異常行為和地震之間的關聯或機制。

遍地開花的地震預測粉專和社團

這座每天發生超過 100 次地震的小島上,擁有破萬成員的地震討論臉書社團、隨處可見的地震預測粉專或 IG 帳號,似乎並不奇怪。

國內有許多「憂國憂民」的神通大師,這些號稱能夠預測地震的奇妙人士,有些人會用身體感應,有人熱愛分析雲層畫面,有的人甚至號稱自行建製科學儀器,購買到比氣象署更精密的機械,偵測到更準確的地震。

-----廣告,請繼續往下閱讀-----

然而,若認真想一想就會發現,臺灣地震頻率極高,約 2 天多就會發生 1 次規模 4.0 至 5.0 的地震, 2 星期多就可能出現一次規模 5.0 至 6.0 的地震,若是有心想要捏造地震預言,真的不難。 

在學界,一個真正的地震預測必須包含地震三要素:明確的時間、 地點和規模,預測結果也必須來自學界認可的觀測資料。然而這些坊間貼文的預測資訊不僅空泛,也並未交代統計數據或訊號來源。

作為閱聽者,看到如此毫無科學根據的預測言論,請先冷靜下來,不要留言也不要分享,不妨先上網搜尋相關資料和事實查核。切勿輕信,更不要隨意散播,以免造成社會大眾的不安。

此外,大家也千萬不要隨意發表地震預測、觀測的資訊,若號稱有科學根據或使用相關資料,不僅違反氣象法,也有違反社會秩序之相關法令之虞唷!

-----廣告,請繼續往下閱讀-----

​地震預測行不行?還差得遠呢!

由於地底的環境太過複雜未知,即使科學家們已經致力於研究地震前兆和地震之間的關聯,目前地球科學界,仍然無法發展出成熟的地震預測技術。

與其奢望能提前 3 天知道地震的預告,不如日常就做好各種地震災害的防範,購買符合防震規範的家宅、固定好家具,做好防震防災演練。在國家級警報響起來時,熟練地執行避震保命三步驟「趴下、掩護、穩住」,才是身為臺灣人最關鍵的保命之策。

延伸閱讀

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

1
1

文字

分享

0
1
1
地震預測行不行:地震前兆研究
鳥苷三磷酸 (PanSci Promo)_96
・2023/12/16 ・4123字 ・閱讀時間約 8 分鐘

本文由 交通部中央氣象署 委託,泛科學企劃執行。

  • 文/何其恩

地震災害真的這麼可怕嗎?綜觀 1900 年以來天然災害事件的死亡人數排名,第一名的確不是地震災害(根據統計資料,目前死亡人數最多的是發生在 1931 年的江准水災,造成約莫 200 萬人死亡)。但以前十名來說,地震災害就佔了一半了,分別是:2010 海地地震 31 萬人、2004 年印度洋大地震 30 萬人(南亞大海嘯)、1920 年海原大地震 27 萬人、1976 年唐山大地震 24 萬人以及 1923 年關東大地震 14 萬人。

二十世紀以來前十名的自然災害死亡人數,其中地震災害就佔了一半。 圖/envato

這說明了地震災害對人類社會有一定的致命性。它沒辦法像颱風、豪大雨可以發布透過天氣預報,也不像土石流、火山爆發有明確的指標能提早預警,做出相對應的防災措施。以目前的科技來說,地震發生到具有強大破壞性的 S 波到達,只有短短幾秒的預警時間。雖然地震測報技術比起十幾年前大有進步,距離理想的防災機制還有一大段路要走。

這也是為什麼地震預測對我們來說這麼重要。如果真的能做到像天氣預報一樣,我們就有更充裕的時間針對震災做出對應的防災動作。這篇文章統整了地震前兆相關研究及背後可能的物理機制,讓我們來認識什麼是地震前兆吧!

-----廣告,請繼續往下閱讀-----

地震前兆的線索:地震發生的物理機制對應的可能現象

地震發生前會有什麼現象呢?首先要探討地震發生的原因及過程。撇除火山爆發、隕石撞擊、人為活動⋯⋯等因素,世界上多數地震都是由斷層錯動產生的。

因為地球板塊無時無刻都在運動,當一個區域基於一些因素而鎖定,地層就會持續的累積應力。某處發生形變、岩石產生破裂,而使地層回彈,就是地震發生的物理過程。

在這個假設下,地震要發生前必須要有應力累積,這就是地震前兆的第一個突破口。如果我們能觀察、監測到異常的應力變化,或許我們就能推測地震什麼時候可能發生。

當然,應力畢竟是一種能量,我們需要藉由其他方式去觀測、計算。像是在應力持續增加下,岩層中的裂隙可能會越來越多、孔隙率可能也會改變,以至於深層的流體往上跑,讓地下水或土壤成分發生變化;又或者因為應力改變造成岩石的磁感率發生變化,進而導致大地磁場、電場,甚至是電離層的電子濃度發生改變。

-----廣告,請繼續往下閱讀-----

接下來我們就來討論地震前兆研究中,幾種相對直觀的前兆訊號:地殼異常形變、地下水改變、小地震增加。

大地測量

大地應力的來源大多是板塊移動,換句話說,監測地表位移就是檢驗大地應力結構的方法之一。

最直接的測量方法就是在出露的斷層兩側加上應變計(應力計)、潛變計⋯⋯等測量儀器。例如在大坡國小裡就能看到裝在池上斷層兩側的「潛變計」,藉由潛變計的數據變化,可以得知斷層兩側的相對位移,進而了解大地應力的變化。

我們統計了不同的地震,以及地表變形的數據記錄,就有機會找出它們之間的關係式。像是日本地震學家坪川家恒就曾經提出「地殼異常變形的持續天數」與「下一個可能發生的地震規模」的經驗公式。

-----廣告,請繼續往下閱讀-----

隨著科技的進步,遙測技術也應用在大地位移場的監測。一部分的科學家把注意力放在遙測資料上,它可以更大範圍了解整體地塊移動情況,克服難以部署設備的困境,像是 GNSS、InSAR⋯⋯等方法,不過它們的缺點就是解析度有限。

地下水監測

有時候深部的變化沒辦法直接反映在地表形變,這時我們就需要參考其他數據。地下水就是一個不錯的方式,主要可以分成兩個指標:地下水位變化、地下水成分變化。

後者比較好理解,一開始我們提到,在地震發生前應力累積的時期,地層可能已經出現許多裂隙,而深部的氣體就可以沿著這些通道往地面移動。如果遇到地下水層,氣體就會進入地下水,造成地下水組成的變化。

最常使用的目標氣體就是氡氣(Rn),它在空氣的組成非常稀少,主要存在地球內部。所以當地下水監測到異常的氡氣含量,我們就會推測可能有什麼原因造成地球內部氣體往地表擴散。1966 年的蘇聯,就有科學家在加爾姆地區的地下水井中觀測到氡氣異常,進而預測接下來發生的塔什干地震。

-----廣告,請繼續往下閱讀-----

而地下水井的水位變化,地震發生前累積應力導致地層產生應變,可能會使地層產生微小的裂隙,改變地層的孔隙率及滲透率,而造成地下水位高度變化。921 集集地震前,車籠埔斷層附近地下水井的地下水位出現明顯升降的變化。然而除了地震可能影響地下水位變化外,包括降雨、大氣壓力、潮汐甚至人為抽水等其他因素都會影響地下水井的水位變化,因此地下水前兆研究尚有重重難關,還需要更多的觀測及研究。

異常的微震數量

在應力累積的階段,斷層上小小的破裂也會產生地震,這些破裂可能隨著應力累積而持續增加,地震數量也會增加直到主震發生。在中國海城地震發生前,就曾經觀測到微震的數量突然增加。

至於地震前應力會在哪裡累積?目前還沒有一個準確的答案,可能就在震源附近,或是完全沒有預期的遙遠區域!科學家們也在研究其中的可能。

在地震發生前,應力會在哪裡累積?目前科學家們還沒有一個準確的答案。 圖/envato

從有形到無形:從大地電場及大地磁場看地震前兆

應力改變可能還會影響到什麼呢?除了在壓力表現之外,同時也可能改變岩石的磁感率。這時我們就有機會藉由觀測大地電場及磁場的改變,尋找地震前兆的線索。

-----廣告,請繼續往下閱讀-----

可以想像地球就像一個巨大的發電機,時時刻刻都在產生電磁場,而這些原生電磁場會在地下岩層產生或大或小的渦電流,進而產生次生電磁場穿出地表。

如果地下岩石的物理性質改變,次生電磁場也會發生異常的變化,進而造成大地電磁場異常。而另一個理論是,當岩石破裂會產生電流,伴隨強大的電磁場。

像是中央大學的研究團隊,就曾經在美濃大地震前,觀測到震央周圍數個測站出現異常的電訊號,為地震前兆研究注入了一劑強心針。雖然以目前的技術及知識,沒辦法在每次大地震前都觀測到電場異常,但它確實是一個有利的研究方向!

太空也有地震前兆?跳脫地圈的電離層觀測

擴大來看,電磁場異常還會影響遠在太空中的電離層。921 集集大地震前三天,臺灣上空的電離層濃度相較於前 15 天的中位數有降低的趨勢;在四川大地震前也曾經觀測到四川地區上空的電離層濃度明顯減少。

-----廣告,請繼續往下閱讀-----

為什麼會影響電離層呢?目前學界有非常多相關物理模型,像是岩層可能具有壓電特性,受到壓力就會釋放出正電,形成渦電流影響電離層;或是當岩石破裂產生的電流影響電磁場,使電離層中的電漿溫度升高、體積膨脹而導致電漿粒子減少濃度降低。不過相關的理論及研究尚未成熟,其中還有許多限制及假設。

地震前兆的其他可能性:從地球科學推演到更廣的科學層面

當然有人會問:「以前聽過動物行為異常也代表有大地震發生,難道動物行為不能當作地震前兆嗎?」

現在科學家也沒辦法給出明確的答案,因為動物的行為機制太複雜了!可能某些物種能捕捉到人類無法發現的前兆,但現在階段我們真的不能確認,今天冬眠的蛇大量跑出洞穴,是因為有地震要發生?還是有其他環境因子?或者牠們只是心情不好想要透氣而已?

這些可能的方法,需要靠更多跨領域科學家們合力研究,將可能的原因及現象一一分析,未來十年、二十年後,或許地震前兆研究可以更完整、更多元。

-----廣告,請繼續往下閱讀-----

地震前兆的困境與展望

回到現實層面,既然有這麼多地震前兆研究方法,為什麼地震預測到現在還沒有像天氣預報這麼成熟的系統呢?

為什麼有這麼多理論,我們到現在仍無法預測地震呢? 圖/envato

雖然理論看起來可行,實際上會遇到許多困難:

1. 地層結構比想像中的還要複雜,增加許多不確定性。

地層是非均勻的。理論上我們會形容底下的地層被鎖定、在累積應力,但現實上,是有些地方被鎖定、有些地方已經破裂、有些地方呈現韌性的穩定滑移⋯⋯。理論指出的現象沒辦法穩定且顯著的發生,因為存在太多變數了!

2. 一百條斷層有超過一百個可能的物理模式。

不同地方一定存在差異,何況同一條斷層也可能因時間推移產生改變。之前就有學者嘗試計算斷層的活動週期,但結果不如預期。當時算出的地震發生週期,就在下一次地震時,又脫離了原本的週期。這也說明了斷層活動不只具有空間變異性,也同時具有時間的變異性。

為了突破這個困境,不同領域都在努力精進。相信有朝一日人類能準確地預測地震,這是災防的一大突破,也代表更了解我們所在的地球!

延伸閱讀:

-----廣告,請繼續往下閱讀-----

討論功能關閉中。