快速准确地预测记录台站的仪器地震烈度, 并在地震预警过程中向潜在用户提供及时和准确的警报至关重要.本文提出了一种结合深度学习和物理参数特征的算法, 用于更可靠地预测仪器地震烈度.收集并处理了2001—2021年日本K-NET和KiK-net强震仪台网记录的3386次地震事件作为研究样本.对这些地震事件进行截取、基线校正、质量筛选等预处理, 共得到25714条三通道地震波形.使用18000条地震记录(90%训练, 10%验证)构建了一个窗长为3秒的仪器地震烈度预测模型(CNN-PP), 并对7714条地震记录进行了测试.结果表明, CNN-PP模型在预测仪器地震烈度方面优于传统的单一特征参数方法.此外, 离线震例测试结果显示, CNN-PP模型的报警成功率达到95.03%, 没有出现误报情况, 为解决地震预警仪器地震烈度的测定提供了一种潜在方法.
本文使用了日本强震台网(K-NET和KiK-net井上) 在P波触发后3 s的数据，提出了一种结合深度学习和物理参数特征的算法.该算法将三通道地震波形和物理特征参数作为模型的输入，仪器地震烈度作为输出，成功训练出一个窗长为3 s的仪器地震烈度预测模型(CNN-PP).本文的主要结论如下：
(1) 通过调参对比试验，选择了具有最高预测精度和稳健性的模型.该模型由7层卷积层、7层BN层、7层池化层和2层全连接层构成.
(2) 在P波触发后3 s，通过对比分析，发现CNN-PP模型相较于传统的Ⅳ2和Pd模型，在小震高估和大震低估方面有明显改善，表现出更优越的预测性能.该模型的预测偏差在±1度范围内占93.24%，在±2度范围内占99.64%.
(3) 地震事件的离线测试结果表明，CNN-PP模型在P波触发后3 s内的仪器烈度预测误差主要集中在±1度范围内.该模型的成功报警率达到95.03%，漏报率为9.68%，并且没有出现误报情况.
综上所述，P波触发后3 s时间窗内，CNN-PP模型相较于传统的Ⅳ2和Pd模型在仪器地震烈度上的预测性能有明显提升.然而，在面对6.5级及以上的大震时，仍然存在一定程度的烈度低估问题.造成模型低估的原因可能包括以下几个因素：第一，地震级别的不同，小震和大震在破裂方式和破裂时间上存在差异.然而，在本文中，这两类地震被混合在一起进行模型训练，这可能影响了模型的训练，从而导致最后的预测结果出现较大的偏差.第二，时间窗口的限制，P波触发后3 s内所包含的波形特征相对有限，难以完全匹配大震事件破裂的全部过程，进而影响了预测的准确性.第三，缺乏大震数据，大震事件的样本相对较少，模型可能无法充分学习到大震的特征，缺乏足够的信息来理解大震的特有特征，导致其泛化能力不足，会在一定程度上出现低估或高估现象.
郑周, 林彬华, 金星, 于伟恒, 李军, 韦永祥, 王士成, 李水龙, 周施文. 2024. 利用深度学习与物理特征预测仪器地震烈度. 地球物理学报, 67(7): 2712-2728, doi: 10.6038/cjg2023R0521
