由于人口密集，并存在眾多重要的設施，城市中一旦發生破壞性地震將引發災難性的后果。因此，各國當局和科學家們都在努力加強城市區域內的地震活動監測。然而，同樣由于人口密集，設施眾多的原因，城市區域的地震活動監測也遭受著人為活動產生的噪聲所影響。

這些噪聲包括交通運輸引起的地面震動，風作用在地標建筑上引起的震動，以及其他的震動事件。

科學家們曾經嘗試改變傳統的單站監測模式，建立了一套密集陣列，來試圖削弱這些噪聲的影響，以探測強度較低的地震活動。2011年至2012年，人們在洛杉磯大都會區建立了這么一套陣列(探測單元間間距約100米)，但效果并不讓人滿意。

直到最近，研究人員開發了一套基于深度學習的人工智能(AI)算法。他們提取了猶他大學地震臺網高信噪比的地震事件信號，以及洛杉磯陣列記錄的當地噪聲信號，并將兩者混合，產生不同信噪比的數據集，用來訓練該人工智能。

隨后，他們使用洛杉磯陣列中沒有用作訓練的信號，以及La Habra的區域性地震網臺的信號，對訓練后的人工智能進行檢驗。結果顯示，這套被命名為UrbanDenoiser的人工智能既能處理陣列的信號，也能處理區域性網臺的信號。

通過它的降噪處理，人們可以發現一些過去并未能發現的地震事件，從而提高對當地地震活動的了解。這對于城市，特別是向洛杉磯、東京這些人口密集的大城市的地震活動監測將帶來極大的幫助。

研究人員表示，盡管這一系統是針對地震活動進行開發的，但通過合適的訓練，同樣適用于對其他震動事件的監測。當然，在這個時候，地震的信號就應該按噪聲來處理。