研究背景：
地震烈度是地震引起的地面震动及其影响的强弱程度。地震烈度评定通常是综合运用宏观调查和仪器测定的多指标方法。中国是一个地震活跃的国家，在地震发生后，快速地、准确地预测仪器地震烈度对于地震预警、地震影响程度的判断、震后灾害救援和地震烈度图的绘制都是非常有意义的。同时，这对于减轻中国的地震灾害也是非常有价值的。
中国地震烈度表规定：仪器地震烈度的确定是基于现地的地震动加速度记录的最大值（PGA）和现地的地震动速度记录的最大值（PGV）。在地震预警中，传统的现地PGA和现地PGV预测方法通常是基于单个的P波特征参数建立经验的PGA和PGV预测方程。然而，由于单一的P波特征参数包含与地震动峰值相关的信息较少，且线性的经验预测方程过于简单，这导致预测的PGA和PGV存在误差大和不确定大的现象。
为了对中国仪器地震烈度实现快速且鲁棒的预测，本研究提出了一个结合了循环神经网络和迁移学习的现地仪器地震烈度预测方法。
研究方法及结果：
（1）我们提出了一个结合了循环神经网络和迁移学习的深度学习方法去提高中国仪器地震烈度预测的鲁棒性。基于循环神经网络的变体双向门控单元（BIGRU）和日本K-NET台网记录的强震动数据建立现地PGA预测模型（R-PGA）和现地PGV预测模型（R-PGV）。然后，通过迁移学习，冻结R-PGA模型和R-PGV模型的BIGRU模块，基于中国地震台网记录的强震动记录对R-PGA模型和R-PGV模型重新进行训练和微调，建立了经迁移后的PGA预测模型（TLR-PGA）和PGV预测模型（TLR-PGV）。我们对TLR-PGA模型和TLR-PGV模型的预测结果和基线模型进行了比较，同时还分析了基于TLR-PGA模型和TLR-PGV模型得到的现地仪器地震烈度和警报情况。
（2）在迁移学习中，建立一个具有良好性能的预训练模型对于迁移学习模型的性能是非常重要。在P波到达后3秒，图1和图2分别展示了R-PGA模型和R-PGV模型的预测PGA和预测PGV。从图中可以发现，基于R-PGA模型和R-PGV模型的预测PGA和预测PGV呈现明显的1:1线性关系，相关系数R达到了0.8以上。且测试集和训练集的结果比较接近，这也说明模型没有出现过拟合现象。同时，预测PGA和预测PGV误差主要分布在±0.5范围内。
（3）对于相同的中国测试数据集，在P波到达后3秒，表1展示了基于TLR-PGA模型、TLR-PGV模型和基线模型的预测结果。从表1中可以发现：和传统PGA和PGV预测方法以及未使用迁移学习的神经网络模型，基于TLR-PGA模型和TLR-PGV模型可以获得误差更小的PGA和PGV预测结果。这也说明：本文提出基于循环神经网络和迁移学习方法对于中国仪器烈度预测是可行的。
（4）为了验证本文提出的方法的鲁棒性，我们将该方法应用到中国训练数据集和测试集之外的五次破坏性地震事件中。基于本文提出的方法，在P波到达后3秒，图3展示2022年门源6.9级地震的仪器地震烈度预测结果及警报性能。从图3中可以看到：预测的仪器地震烈度和观测地震烈度是非常接近的，且基于预测的仪器地震烈度，只发生了一次漏报，且没有误报现象。同时，图4展示了这五次破坏性地震事件的仪器地震烈度预测误差和警报情况。从图4中可以发现：P波到达3s后，仪器地震烈度预报误差主要在±1以内，平均绝对误差为0.78；成功报警的比例达到90%，误报警的比例为0%。研究表明：本文的研究对于现地地震预警是有帮助的。
该成果发表在地球科学领域期刊《Journal of Asian Earth Sciences》（Zhu Jingbao, Li Shanyou, Wei Yongxiang, Song Jindong*. On-site instrumental seismic intensity prediction for China via recurrent neural network and transfer learning. Journal of Asian Earth Sciences, 2023, https://doi.org/10.1016/j.jseaes.2023.105610）（IF：3.374，JCR：Q2分区，*通讯作者）。
图1 基于R-PGA模型的预测结果
图2 基于R-PGV模型的预测结果
表1 对于相同的中国测试数据集，基于TLR-PGA模型、TLR-PGV模型和基线模型的预测结果
图3 仪器地震烈度预测及警报性能
图4 五次破坏性地震事件的仪器地震烈度预测误差和警报的分布情况
bgs@iem.ac.cn
English
加入收藏