研究成果详情

研究摘要

鉴于人工智能（Artificial Intelligence, AI）技术具有强大的非线性回归能力，其在许多地球物理任务中的表现值得称赞。然而，AI技术存在以下问题：(a)其“黑盒”性质；(b)一些声称性能优越的复杂人工神经网络（artificial neural networks, ANN）并没有超越一些简单的地球物理模型，这些模型清楚地描述了潜在的物理过程。许多报告依赖于标准的机器学习指标，通常使用空间均匀的泊松（spatially uniform Poisson, SUP）分布作为参考。良好的性能仅仅意味着ANN优于这个基本参考，可能给科学界带来的新鲜感很小。更糟糕的是，这可能会导致虚假的推理。我们通过使用人造夜间灯光月平均值图和不同时空单位的地震累积能量作为长短期记忆模型的输入来证明这一点。目标是预测整个中国大陆M≥5.0级的地震。根据SUP参考模型，ANN得出结论，人造夜间灯光具有很强的地震预测能力。这显然是有缺陷的推理。我们表明，这源于较差的参考模型，当使用由统计地震学提供的空间变化泊松（spatially varying Poisson, SVP）模型组成的更好的基准时，这种虚假推断就会消失。这是通过对ANN的惩罚/奖励进行加权来实现的，这些惩罚/奖励与更强的SVP模型提供的先验概率相关联。利用时空Molchan图获得的分数表明，使用更好的参考模型训练ANN获得了较强的性能改进。