研究背景：

地震预警，是在地震发生后利用震中附近台站的地震波初期信息快速判定地震影响程度。其本质是地震动预警，核心是地震动影响场预测。现地预警指的是利用P波初期信息直接预测台站端的峰值，随着地震监测预警台网建设的越来越密集，所有现地台站峰值预测即可以近似为地震动场，同时，地震的潜在破坏预测也依赖于准确的现地PGV预测。Kanamori（2015）认为现地预警对下一代地震预警极其重要，方法的准确性与时效性是未来应解决的问题。

传统的现地PGV预测方法利用P波初期中提取的单个参数（如：峰值位移Pd或平方速度积分IV2）建立PGV预测的线性比例关系，结果误差大、且具有相当程度的不确定性。此外，目前机器学习方法使用单个模型（如：卷积神经网络CNN、循环神经网络RNN、支持向量机SVM）建立地震动峰值预测模型。然而，使用单个机器学习模型提取的特征在一定程度上存在单一性和有限性。

本研究提出了一个混合深度学习网络用于现地PGV快速预测，同时也探索了基于现地PGV预测的地震潜在破坏区域估计。

研究方法及结果：

 1）我们提出了一个由CNN和RNN特征提取块组成的混合深度学习网络（HybridNet）模型用于预测现地PGV。模型采用单个台站的多个物理特征时间序列、地震原始波形和场地特征Vsz作为输入，因此该模型考虑了更多与PGV相关的信息。本研究利用日本K-NET强震动台网在2007-2019年记录到的地震动记录建立训练集和测试集对HybridNet模型进行训练和测试。图1展示了HybridNet模型网络架构。同时，基于HybridNet模型预测的现地PGV，根据PGV与地震潜在破坏（仪器烈度）之间的关系，通过对预测的PGV进行融合插值，我们还研究了潜在破坏区域估计的可行性。

2）对于相同的测试数据集，在P波到达后3秒，表1给出了HybridNet模型和基线模型（Pd方法、IV2方法、SVM模型、CNN模型和RNN模型）的PGV预测的平均绝对误差（MAE）、标准差（Std）和确定系数（R²）。表1中，括号里的第一个数字是基线模型的MAE、Std和R²与HybridNet模型的MAE、Std和R²之间的差值；括号里的第二个数字是HybridNet模型的MAE和Std与基线模型相比的减少率，以及HybridNet模型的R²与基线模型相比的增长率。从表1中可以发现：和基线模型相比，HybridNet模型在测试数据集上表现出更好的性能。此外，在相同的测试数据集中，表2展示了场地特征Vsz对于HybridNet模型结果影响，这表明场地特征Vsz作为HybridNet模型输入可以提高模型的性能。

 3）对于独立于训练集和测试集的5次地震事件（M≥6.5），该工作分析了HybridNet模型的预测PGV对潜在破坏区域估计的可行性。图2展示了其中一次地震事件在P波到达后3秒时潜在破坏区域的估计和警报性能。从图2中可以看到，基于HybridNet模型的预测PGV获得的潜在破坏区域与USGS提供的ShakeMap有很好的一致性，且成功报警的准确性达到了87.8%，没有发生误报。

 4）对于这5次地震事件，在潜在破坏场地中，图3展示了报警率以及平均观测预警时间与P波到达后时间窗的关系。从图3（a）中可以看到：随着P波到达后时间的增加，漏报率逐渐减少，成功报警率逐渐增加。在P波到达后2 s时，成功报警率的超过60%。此外，在P波到达后10秒时，成功报警率超过98%，漏报率不到2%。从图3（b）中可以看到：当在P波到达后4秒内，平均观测预警时间超过14秒。此外，平均观测预警时间随着P波到达之后时间的增加而逐渐减小。在P波到达后10秒时，平均观测预警时间仍超过10.5秒。

 5）基于日本K-NET强震动台网记录的地震动记录，本文构建了用于PGV预测的混合深度学习网络（HybridNet）模型，这不同单个深度学习模型（如CNN或RNN模型），也不同于使用单个基于物理的特征（如Pd或IV2）建立PGV预测等式的方法。结果表明：在本文的数据集中，HybridNet模型优于Pd方法、IV2方法、SVM模型、CNN模型和RNN模型；在P波到达后几秒内，基于HybridNet模型预测的现地PGV可以获鲁棒的潜在破坏区域估计；该方法在现地地震预警中有一定的应用潜力。

该成果发表在地球物理领域顶刊《IEEE Transactions on Geoscience and Remote Sensing（地球科学与遥感汇刊）》（Zhu Jingbao, Li Shanyou, Song Jindong. Hybrid Deep-Learning Network for Rapid On-Site Peak Ground Velocity Prediction. IEEE Transactions on Geoscience and Remote Sensing, 2022, https://doi.org/10.1109/ TGRS.2022
.3230829） （IF：8.125，JCR：Q1分区）。

ResearchGate:https://www.researchgate.net/publication/366422949_Hybrid_Deep-Learning_Network_for _Rapid
_On-Site_Peak_Ground_Velocity_Prediction

图1 HybridNet模型网络架构

图2 P波到达后3秒时的潜在破坏区域估计和警报性能

   图3 报警性能和平均观测预警时间与P波到达后时间窗的关系