研究背景：
中国川滇地区是一个地震活跃地区，快速准确的震级估计对于建立川滇地区地震预警系统非常有意义。目前，国内正在测试的地震预警系统以及地震预警震级估算的相关研究中大多是采用tc方法和Pd方法，这些方法存在明显的震级估计误差大、小震高估和大震低估的问题。同时，机器学习方法需要基于大量样本数据建立训练数据集，已有机器学习震级估计模型在川滇地区应用需要经过本地数据的迁移训练。所以，本文基于迁移学习方法，使用川滇地区地震事件对基于日本K-NET台网强震动记录预训练的SVM-M模型进行迁移训练，构建了基于迁移学习方法的支持向量机震级估计TLSVM-M模型，目的是探索机器学习方法在川滇地区快速震级估计应用的可行性以及改善震级估计的准确性。
研究方法及结果：
1）基于Zhu等（2022）使用日本K-NET强震动记录建立的SVM-M模型，使用震级范围在4-7级的川滇地区的强震记录对SVM-M模型进行迁移学习训练，并建立基于迁移学习方法的单台支持向量机震级估计TLSVM-M模型对川滇地区的地震事件进行快速震级估计。图1展示了由相同的川滇地震事件组成的测试数据集，在P波到达后3秒时，TLSVM-M模型、SVM-M模型、tc方法和Pd方法的震级估计误差分布。从图1中可以发现：和另外三种方法相比，TLSVM-M模型有更小的误差，且基于TLSVM-M模型的震级估计误差标准差和平均绝对误差也远小于另外三种方法。
2）P波到达后3秒时，基于TLSVM-M模型的震级估计误差与震中距和信噪比的关系如图2所示。从图2中可以发现：P波到达后3秒，基于TLSVM-M模型的震级估计误差主要集中在±0.5震级单位范围内；此外，误差不随震中距和信噪比的变化而发生明显的变化。
3）图3展示了TLSVM-M模型对川滇地区五次代表性地震事件的测试：震级为MS4.2的地震事件、震级为MS5.2的地震事件、2008年MS6.3攀枝花地震事件、2014年MS6.6鲁甸地震事件和2013年MS7.0芦山地震事件。在首台触发后1s，三个地震事件（Ms4.2、5.2和6.3）的震级估计在±0.3震级单位的误差范围内。对于其他两次地震（6.6级和7.0级），在第一个地震台触发后1秒，存在明显的震级低估问题，随着首台触发后时间的增加，震级低估得到改善。同时，对于这两个事件（Ms6.6和7.0），在首台触发后13秒内，震级估计误差均在±0.3个震级单位内。
4）研究表明：TLSVM-M模型能够快速估计川滇地区中小地震（4≤M≤7）的震级。同时，我们推断，该模型可能在地震预警中具有潜在的应用价值。
该成果发表在美国地震学会SSA旗下期刊《Bulletin of the Seismological Society of America》（Zhu Jingbao, Li Shanyou, Ma Qiang, He Bin, Song Jindong*. Support Vector Machine‐Based Rapid Magnitude Estimation Using Transfer Learning for the Sichuan–Yunnan Region, China. Bulletin of the Seismological Society of America, 2022, doi: https://doi.org/10.1785/0120210232）（IF：2.91，*通讯作者）。
图1 P波到达后3秒时，（a）TLSVM-M模型、（b）SVM-M模型、（c）Pd方法和（d）c方法的震级估计误差分布
图2 P波到达后3秒，基于TLSVM-M模型的单台震级估计误差与（a）震中距和（b）信噪比的关系
图3 首台触发后，五次地震事件的震级估计随时间的演化
bgs@iem.ac.cn
English
加入收藏