研究成果详情

研究摘要

目前，将统计学先验知识融入深度学习模型以开展地震预测的研究仍相对有限。传统深度学习模型通常需要从头开始学习大量模型参数。针对这一问题，本研究提出一种时空卷积（Spatio-Temporal Convolutional，STC）模型，将ETAS模型中的时空衰减先验知识融入卷积核。通过这种方式，STC 模型在训练初始阶段便具备刻画主震触发余震模式的基本原型，并仅需利用 4 个神经元对其进行进一步微调。在加利福尼亚地区，我们分别采用 STC 模型和 ETAS 模型预测未来一天内震级达到 M ≥ 3、M ≥ 4 和 M ≥ 5 的地震，并利用受试者工作特征（Receiver Operating Characteristic，ROC）曲线、精确率–召回率（Precision-Recall，PR）曲线以及赌徒分数（Parimutuel Gambling Score，PGS）对两种模型的预测性能进行评估。评估结果表明，STC 模型在未来一天地震预测中的表现优于 ETAS。进一步分析表明，在 STC 模型中纳入低于目录完整震级阈值的地震事件，可以提高模型的分类预测性能。这一结果说明，即使是完整震级以下的小震，也可能包含与未来地震发生有关的有效信息。