由于人口密集，并存在众多重要的设施，城市中一旦发生破坏性地震将引发灾难性的后果。因此，各国当局和科学家们都在努力加强城市区域内的地震活动监测。然而，同样由于人口密集，设施众多的原因，城市区域的地震活动监测也遭受着人为活动产生的噪声所影响。
这些噪声包括交通运输引起的地面震动，风作用在地标建筑上引起的震动，以及其他的震动事件。
科学家们曾经尝试改变传统的单站监测模式，建立了一套密集阵列，来试图削弱这些噪声的影响，以探测强度较低的地震活动。2011年至2012年，人们在洛杉矶大都会区建立了这么一套阵列(探测单元间间距约100米)，但效果并不让人满意。
直到最近，研究人员开发了一套基于深度学习的人工智能(AI)算法。他们提取了犹他大学地震台网高信噪比的地震事件信号，以及洛杉矶阵列记录的当地噪声信号，并将两者混合，产生不同信噪比的数据集，用来训练该人工智能。
随后，他们使用洛杉矶阵列中没有用作训练的信号，以及La Habra的区域性地震网台的信号，对训练后的人工智能进行检验。结果显示，这套被命名为UrbanDenoiser的人工智能既能处理阵列的信号，也能处理区域性网台的信号。
通过它的降噪处理，人们可以发现一些过去并未能发现的地震事件，从而提高对当地地震活动的了解。这对于城市，特别是向洛杉矶、东京这些人口密集的大城市的地震活动监测将带来极大的帮助。
研究人员表示，尽管这一系统是针对地震活动进行开发的，但通过合适的训练，同样适用于对其他震动事件的监测。当然，在这个时候，地震的信号就应该按噪声来处理。
