研究背景：
地震烈度是地震引起的地面震動及其影響的強弱程度。地震烈度評定通常是綜合運用宏觀調(diào)查和儀器測定的多指標方法。中國是一個地震活躍的國家，在地震發(fā)生后，快速地、準確地預(yù)測儀器地震烈度對于地震預(yù)警、地震影響程度的判斷、震后災(zāi)害救援和地震烈度圖的繪制都是非常有意義的。同時，這對于減輕中國的地震災(zāi)害也是非常有價值的。
中國地震烈度表規(guī)定：儀器地震烈度的確定是基于現(xiàn)地的地震動加速度記錄的最大值（PGA）和現(xiàn)地的地震動速度記錄的最大值（PGV）。在地震預(yù)警中，傳統(tǒng)的現(xiàn)地PGA和現(xiàn)地PGV預(yù)測方法通常是基于單個的P波特征參數(shù)建立經(jīng)驗的PGA和PGV預(yù)測方程。然而，由于單一的P波特征參數(shù)包含與地震動峰值相關(guān)的信息較少，且線性的經(jīng)驗預(yù)測方程過于簡單，這導(dǎo)致預(yù)測的PGA和PGV存在誤差大和不確定大的現(xiàn)象。
為了對中國儀器地震烈度實現(xiàn)快速且魯棒的預(yù)測，本研究提出了一個結(jié)合了循環(huán)神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的現(xiàn)地儀器地震烈度預(yù)測方法。
研究方法及結(jié)果：
（1）我們提出了一個結(jié)合了循環(huán)神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的深度學(xué)習(xí)方法去提高中國儀器地震烈度預(yù)測的魯棒性?；谘h(huán)神經(jīng)網(wǎng)絡(luò)的變體雙向門控單元（BIGRU）和日本K-NET臺網(wǎng)記錄的強震動數(shù)據(jù)建立現(xiàn)地PGA預(yù)測模型（R-PGA）和現(xiàn)地PGV預(yù)測模型（R-PGV）。然后，通過遷移學(xué)習(xí)，凍結(jié)R-PGA模型和R-PGV模型的BIGRU模塊，基于中國地震臺網(wǎng)記錄的強震動記錄對R-PGA模型和R-PGV模型重新進行訓(xùn)練和微調(diào)，建立了經(jīng)遷移后的PGA預(yù)測模型（TLR-PGA）和PGV預(yù)測模型（TLR-PGV）。我們對TLR-PGA模型和TLR-PGV模型的預(yù)測結(jié)果和基線模型進行了比較，同時還分析了基于TLR-PGA模型和TLR-PGV模型得到的現(xiàn)地儀器地震烈度和警報情況。
（2）在遷移學(xué)習(xí)中，建立一個具有良好性能的預(yù)訓(xùn)練模型對于遷移學(xué)習(xí)模型的性能是非常重要。在P波到達后3秒，圖1和圖2分別展示了R-PGA模型和R-PGV模型的預(yù)測PGA和預(yù)測PGV。從圖中可以發(fā)現(xiàn)，基于R-PGA模型和R-PGV模型的預(yù)測PGA和預(yù)測PGV呈現(xiàn)明顯的1:1線性關(guān)系，相關(guān)系數(shù)R達到了0.8以上。且測試集和訓(xùn)練集的結(jié)果比較接近，這也說明模型沒有出現(xiàn)過擬合現(xiàn)象。同時，預(yù)測PGA和預(yù)測PGV誤差主要分布在±0.5范圍內(nèi)。
（3）對于相同的中國測試數(shù)據(jù)集，在P波到達后3秒，表1展示了基于TLR-PGA模型、TLR-PGV模型和基線模型的預(yù)測結(jié)果。從表1中可以發(fā)現(xiàn)：和傳統(tǒng)PGA和PGV預(yù)測方法以及未使用遷移學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，基于TLR-PGA模型和TLR-PGV模型可以獲得誤差更小的PGA和PGV預(yù)測結(jié)果。這也說明：本文提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)方法對于中國儀器烈度預(yù)測是可行的。
（4）為了驗證本文提出的方法的魯棒性，我們將該方法應(yīng)用到中國訓(xùn)練數(shù)據(jù)集和測試集之外的五次破壞性地震事件中。基于本文提出的方法，在P波到達后3秒，圖3展示2022年門源6.9級地震的儀器地震烈度預(yù)測結(jié)果及警報性能。從圖3中可以看到：預(yù)測的儀器地震烈度和觀測地震烈度是非常接近的，且基于預(yù)測的儀器地震烈度，只發(fā)生了一次漏報，且沒有誤報現(xiàn)象。同時，圖4展示了這五次破壞性地震事件的儀器地震烈度預(yù)測誤差和警報情況。從圖4中可以發(fā)現(xiàn)：P波到達3s后，儀器地震烈度預(yù)報誤差主要在±1以內(nèi)，平均絕對誤差為0.78；成功報警的比例達到90%，誤報警的比例為0%。研究表明：本文的研究對于現(xiàn)地地震預(yù)警是有幫助的。
該成果發(fā)表在地球科學(xué)領(lǐng)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分區(qū)，*通訊作者）。
圖1 基于R-PGA模型的預(yù)測結(jié)果
圖2 基于R-PGV模型的預(yù)測結(jié)果
表1 對于相同的中國測試數(shù)據(jù)集，基于TLR-PGA模型、TLR-PGV模型和基線模型的預(yù)測結(jié)果
圖3 儀器地震烈度預(yù)測及警報性能
圖4 五次破壞性地震事件的儀器地震烈度預(yù)測誤差和警報的分布情況
資訊內(nèi)容
/
研究亮點
