田唯熙
基于深度学习的通用神经点过程模型是否能在地震预测建模上超越传统地震预测模型？相关的领域知识进入神经点过程模型设计和数据组织后是否能提高模型的预测性能？田唯熙等人2026年在 《Earth’s Future》 发表的 《Can Domain-Informed Design Improve Neural Spatio-Temporal Point Processes for Earthquake Forecasting?》中，基于川滇地区 1970-2024 年地震目录，研究系统检验了通用神经点过程模型和传统地震预测模型的差距，并探索了一些地震学知识启发的的设计，比如震级输入、扩展辅助训练期、延长历史长度等如何影响神经点过程模型的预测性能。结果揭示了领域知识的重要性，神经点过程模型在即时余震时间预测和复杂目录适应方面的潜力，也定位了长程记忆与空间触发建模的关键瓶颈。
一、研究背景
破坏性地震发生后的数小时至数天，是应急处置最关键、信息也最不充分的阶段。建筑物已经受损，救援力量正在调配，余震却可能继续改变风险。此时，科学上能够回答的并不是“下一次地震会在某时某地精确发生”，而是根据已经发生的地震，持续更新未来一段时间内余震发生时间与空间位置的概率。
在这一任务上，流行型余震序列模型 ETAS 是统计地震学中的重要基准。它把数十年的经验规律写进模型：地震可以触发后续事件，大震通常产生更多余震，余震率随时间衰减，空间影响也与震级有关。ETAS 稳健、可解释，但固定的参数形式也可能难以表达真实地震序列中的非平稳性、事件差异以及目录不完整。
神经时空点过程则提供了另一条路线，其使用神经网络从地震序列中学习条件强度，即“在已有历史条件下，下一事件何时、在哪里出现”的概率结构。这类模型主要由计算机科学社区推动，其目标往往是开发能够迁移到不同事件数据的通用框架，并通过更灵活的网络结构与训练方法提升拟合能力。
这种普适性很有价值，但存在几个问题：
“网络更复杂”并不必然等于“对真实事件理解得更好”：神经时间点过程的系统评估曾发现，在部分真实数据集上，简单的、甚至不依赖历史的基线模型也能达到与复杂神经架构相近的表现（Shchur et al., 2021）。
通用模型本身的设计和优化目标未必适用地震预测场景。当地震被当作普通的时空事件流时，模型容易忽略决定地震聚集性的领域结构：震级控制余震生产率和空间尺度，主震与余震通过触发链相互关联，台网探测能力使目录完整性随时间变化，而训练窗口开始之前的地震仍会影响窗口内事件。
数据处理策略问题。以早期计算机领域研究人员用于神经时空点过程评估的日本地震基准为例，目录被切分为相互重叠的月尺度序列，并剔除了 2010 年 11 月至 2011 年 12 月的“过长/异常”序列——这一时段恰好覆盖 2011 年 3 月 11 日东日本大地震及其大规模余震活动。训练、验证和测试序列又采用非时间顺序的交替分配，而不是按照时间先后划分。后续复核指出，这样既移除了最值得预测的强聚集序列，也可能让时间相邻、相互重叠且存在触发关联的窗口落入不同数据集，引入信息泄漏并夸大模型性能。对于地震预测而言，这不是普通的数据清洗细节，而是使评估不再忠实保留地震序列的时间因果性与聚类结构（Stockman et al., 2026）
二、研究区、数据、方法和实验设置
研究使用中国地震台网中心提供的 1970 年 1 月 1 日至 2024 年 1 月 1 日地震目录并选取中国地震科学实验场 CSEP 2.0-CN 的“收集区”作为实验区域。
团队以神经点过程模型DeepSTPP 为研究对象，并以传统地震学模型 ETAS 和均匀泊松模型为基线。评价指标采用测试期事件的时间对数似然、空间对数似然及相对于基准模型的信息增益。对数似然越高，表示模型为真实发生事件分配的概率越大。
实验围绕四个问题展开。第一，加入震级作为输入，模型是否会学习“大震触发更多、影响更远”的规律？第二，把 ETAS 常用的辅助期也纳入神经模型训练，比较是否更公平？第三，把可见历史从最近 20 个事件延长到最多 1,000 个事件，长记忆是否带来增益？第四，将震级截断阈值 Mcut 从 4.0 系统降低到 1.4，在数据量、目录完整性与模型灵活性之间会出现怎样的权衡？
图 1 研究区、地震分布与数据划分。川滇地区 CSEP 2.0-CN 研究范围，以及 1970-2024 年地震目录的时间分布和辅助期、训练期、验证期、测试期划分。
图 2 DeepSTPP 架构与领域知识驱动的实验设计。
如图2的DeepSTPP 架构与领域知识驱动的实验设计，研究分别检验震级输入、辅助训练期、可见历史长度和震级截断阈值对模型表现的影响。
三、主要结果和发现
3.1 公平比较首先改变了结论
过去的比较中，ETAS 通常利用训练期之前的辅助目录来缓解时间边界效应；DeepSTPP 却往往只看到最近 20 个历史事件。两类模型掌握的历史信息并不对等，可能低估了神经模型的潜力。
当研究把辅助期纳入 DeepSTPP 的训练后，结果发生了明显变化。在 Mcut=2.5 的主实验中，使用辅助期的神经模型在时间预测上超过 ETAS，而且优势几乎都集中在大震后的余震阶段。以 2013 年 4 月 20 日 ML 7.2 芦山地震序列为例，未使用辅助期的 DeepSTPP 在最初余震阶段低估地震率；加入辅助期后，模型对震后早期地震率的刻画更接近观测。
但这一优势没有同步扩展到空间预测。ETAS 的平均空间对数似然仍显著优于所有神经模型。换言之，补充历史信息解决了“没看见足够训练结构”的问题，却没有自动解决“如何表示空间触发”的问题。
图 3 辅助期带来的时间预测增益。
如图3，加入辅助期后，DeepSTPP 的时间预测增益主要出现在大震后的早期余震阶段；空间平均表现仍落后于 ETAS。
3.2 把震级交给模型，不等于模型真正学会使用震级
震级是地震目录中最重要的属性之一。ETAS 通过明确的生产率关系和空间尺度关系，把“大震触发更多余震、影响范围更广”直接写进模型。DeepSTPP 则把震级作为普通输入特征，希望神经网络自行提取信息。
结果显示，当最近 20 个历史事件中出现 M >6 的大震时，加入震级的模型确实能改善随后的时间预测，说明网络识别到了大震与余震数量之间的关系。然而，这类情形在整个测试集中的比例很小，因此没有转化为总体时间表现的显著提升；空间增益也没有随历史最大震级呈现清晰趋势。
此外， “提供特征”与“利用机制”是两回事。若训练目标没有明确要求模型使用震级，而架构又很快忘记主震，那么震级信息可能只在少数样本中发挥作用。领域知识需要进入模型结构或损失函数，而不只是进入输入表。
3.3 历史并非越长越好，时间与空间需要不同的记忆
研究将 DeepSTPP 的可见历史从 20 个事件逐步延长至 1,000 个事件。直觉上，更多历史应当包含更完整的触发链和长期依赖；实验却显示，时间预测随历史变长而持续下降，空间预测在历史长度增加到约 50 个事件时明显改善，此后趋于饱和。
这一分化暴露了当前架构的两个限制。其一，DeepSTPP 使用指数时间核，影响衰减过快，难以表达地震触发常见的长尾行为。其二，Transformer 面对很长序列时会出现“注意力稀释”：相关事件被大量低相关历史淹没，模型反而更难抓住关键主震。
因此，时间和空间可能不应共享同一段固定历史。时间预测更依赖近期高相关事件，空间预测则可能需要更长的聚集结构。分离时间与空间编码器、采用不同历史掩码，是研究提出的重要改进方向。
图 4 可见历史长度对时间和空间预测的不同影响。
如图4，延长历史会降低时间预测表现，却在一定范围内改善空间预测，说明两类任务需要不同的有效记忆。
3.4 低震级目录显示出神经模型的韧性，也带来解释陷阱
降低 Mcut 会纳入更多小震，为神经网络提供更大样本；与此同时，也会引入震后漏记、小震检测能力随时间变化以及局部目录伪影。研究发现，随着 Mcut 降低，DeepSTPP 的时间表现总体上升，并在 Mcut =1.4-2.8 时超过 ETAS 的时间预测。
这说明神经模型更能适应规模大、完整性复杂的真实目录。但必须谨慎解释：模型可能更准确地拟合了“被观测到的目录”，其中包括漏记与伪影，并不必然意味着它更准确地恢复了“真实地震发生过程”。补充材料中的坐标扰动、训练期敏感性、合成完整/不完整目录、不同阈值与不同地震序列检验，正是为了区分这些可能性。论文因此明确限定结论：在业务地震预测更关注的 Mcut ≥3.0 范围，DeepSTPP 尚未达到 ETAS；即使在较低阈值下取得局部时间优势，其时间与空间联合对数似然仍低于 ETAS。
图 5 不同震级阈值下的模型表现。
降低震级阈值同时改变数据量和目录完整性；神经模型在低阈值下的时间优势需要结合目录伪影与漏记共同解释。
3.5 为什么空间预测仍是短板？
进一步诊断显示，DeepSTPP 的二维高斯空间核衰减过快，难以表达真实地震中可能存在的长距离触发。更重要的是，模型为不同震级事件学习到的空间影响范围几乎相同：对小震而言过宽，对大震而言又过窄。
在芦山地震案例中，DeepSTPP 对主震后最初 50 个事件中的 78% 给出了高于 ETAS 的空间信息增益，但在随后 150 个事件中这一比例降至 31%，且少数严重误判带来的负增益压过了多数小幅正增益。模型在主震仍位于最近历史窗口时能够利用它；一旦主震退出窗口，空间预测便迅速失去关键约束。
这解释了一个看似矛盾的结果：神经模型可以在部分即时余震上表现很好，平均空间成绩却仍明显落后。评价模型不能只看“有多少事件赢了”，还要看误判的幅度以及整个概率分布是否合理。
图 6 神经模型空间预测的局部优势与结构性限制。
如图6，DeepSTPP 的即时余震优势随主震退出历史窗口而减弱；其高斯核还倾向于为不同震级赋予近似相同的影响范围。
四、结论和展望
这项工作的结论并不是“人工智能（神经点过程）已经取代 ETAS”。更准确地说：当地震学知识进入数据组织和训练流程后，神经点过程模型 在大震后最初一批余震的时间预测上显示出优势；但在空间预测、长程记忆以及业务更关注的 Mcut ≥3.0 区间，ETAS 仍然更可靠。研究真正推进的是：回答神经模型何时有效、为何失效，以及下一步应如何改造。
沿着论文揭示的瓶颈，未来工作可以从三个方向推进。一是把经验地震学规律写入神经架构。以幂律时间核和空间核替代快速衰减的指数核与高斯核，并显式建模震级控制的余震生产率和空间尺度，使网络保留灵活性的同时不必重新“猜”已知规律。二是重构长序列记忆。采用稀疏、层级或全局注意力，让模型在数百至数千个历史事件中优先识别真正相关的主震和触发链；同时分离时间与空间编码器、历史窗口和损失权重，减少两类任务相互干扰。三是显式描述观测过程。把台网检测能力、震后短时漏记和目录伪影纳入模型或似然函数，区分“事件没有发生”与“事件没有被记录”，从而判断性能提升究竟来自更好的物理刻画，还是更强的观测偏差适应能力。
最有希望的路线不是让神经网络抛开地震学重新学习一切，也不是把 ETAS 原封不动地神经化，而是把经验规律、物理约束、目录观测机制与数据驱动的灵活表达结合起来。
五、论文与作者
该研究由英国布里斯托大学地球科学学院、中国地震局地球物理研究所、应急管理部地震预测与风险评估重点实验室以及中国地震局地震预测研究所合作发表在美国地球物理学会（AGU）旗下的Earth's Future期刊；中国地震局地球物理研究所博士研究生田唯熙为第一作者兼通讯作者。合作者包括哈佛大学博士后Samuel Stockman，地震预测研究所张永仙研究员，以及布里斯托大学地球物理与自然灾害副教授Maximilian J. Werner 博士。
Tian, W., Stockman, S., Zhang, Y., & Werner, M. J. (2026). Can domain-informed design improve neural spatio-temporal point processes for earthquake forecasting? Earth's Future, 14(8), e2025EF007318. https://doi.org/10.1029/2025EF007318