基于多参数驱动机器学习的实时地震烈度预测模型.pdf

第6 6 卷第7 期2023年7 月丁祎天，胡进军，张辉等.2 0 2 3.基于多参数驱动机器学习的实时地震烈度预测模型地球物理学报，6 6（7）：2 92 0-2 932，doi：10.6038/cjg2022P0883.Ding Y T,Hu J J,Zhang H,et al.2023.Areal-time seismic intensity prediction model based on multi-parameter drivenmachine learning.Chinese J.Geophys.(in Chinese),66(7):2920-2932,doi:10.6038/cjg2022P0883.地球物理学报CHINESE JOURNAL OF GEOPHYSICSVol.66,No.7Jul.,2023基于多参数驱动机器学习的实时地震烈度预测模型丁祎天1.2，胡进军1.2*，张辉，靳超越1-2，胡磊1.2，王中伟12，汤超1.21中国地震局工程力学研究所，哈尔滨150 0 8 02中国地震局地震工程与工程振动重点实验室，哈尔滨150 0 8 03大连理工大学建设工程学部，辽宁大连116 0 2 4摘要地震烈度的实时估计可为地震预警、紧急处置和应急响应提供决策依据.目前地震烈度实时预测方法多是基于P波提取单一特征参数估计全时程的峰值参数，然而单一特征难以表征地震动的全部信息，本文基于机器学习中的ExtremeGradientBoosting（x g Bo o s t）算法提出了一种多参数驱动的实时仪器地震烈度预测方法.基于2010一2 0 18 年日本K-NET和KiK-net强震数据，使用2 4种特征参数建立地震烈度实时预测模型.为了解决模型复杂度的问题，本文研究了特征参数之间的相关性，并使用排列重要性方法优化模型，最终确定了10 个重要特征参数.本文使用时间窗间隔为1s的扩展时间窗方法实时预测地震烈度，P波到达1s后在测试集中的预测准确率为8 6.56%，并在10-2 10-3s内完成特征计算和预测.最后，假设2 0 192 0 2 1年的地震记录为新发生的地震事件，验证了模型的泛化性，证明其可应用于未来发生的地震事件.结果表明本文提出的模型改善了仪器地震烈度预测的准确性，为地震烈度的实时预测提供了一种可行的方法.关键词仪器地震烈度；xgBoost算法；实时预测；多参数驱动；应急响应doi:10.6038/cjg2022P0883中图分类号P315收稿日期2 0 2 1-11-2 6，2 0 2 2-0 8-2 5收修定稿Areal-time seismic intensity prediction model basedon multi-parameter driven machine learningDING YiTianl-2,HU JinJun2*,ZHANG Hui?,JIN ChaoYuel?,HU Leil-2,WANG ZhongWeil-?2,TANG Chaol-21 Institute of Engineering Mechanics,China Earthquake Administration,Harbin 150080,China2 Key Laboratory of Earthquake Engineering Vibration,Institute of Engineering Mechanics,China Earthquake Administration,Harbin 150080,China3 Faculty of Infrastructure Engineering,Dalian University of Technology,Dalian Liaoning 116024,ChinaAbstract Real-time estimation of seismic intensity can provide a decision basis for earthquakeearly warning,emergency disposal and emergency response.Most of the current methods for real-time intensity prediction are based on primary wave extraction of a single characteristic parameterto estimate the peak parameters of the full-time range,however,it is difficult to characterize allinformation of ground motion by a single feature.In this paper,a multi-parameter driven real-time instrumental seismic intensity prediction model is proposed based on the Extreme GradientBoosting(xgBoost)algorithm in machine learning.Based on the Japanese K-NET and KiK-net基金项目国家自然科学基金项目（U1939210,52078470）资助.第一作者简介丁祎天，男，1998 年生，硕士研究生，主要从事地震工程研究.E-mail：8 130 2 7 493q q.c o m*通讯作者胡进军，男，197 8 年生，研究员，博士生导师，主要从事地震动模型和强度指标研究E-mail：h u j i n j u n i e m.a c.c n7期database from 2010 to 2018,a real-time seismic intensity prediction model is developed using 24characteristic parameters.To address the problem of model complexity,this paper investigatesthe correlation between the characteristic parameters and optimizes the model using the permutationimportance method,and finally identifies 1o important characteristic parameters.This paper usesthe extended time window method with a time window interval of 1 second to predict the seismicintensity in real time.The prediction accuracy in the test set is 86.56%after 1 second of P-wavearrival,and the parameters are calculated and predicted within 10-2 s to 10-3 s.Finally,thegeneralization of the model is verified by assuming that the records from 2019 to 2021 are newseismic events,which proves that it can be applied to future occurrence of seismic events.Theresults show that the model proposed in this paper effectively improves the accuracy of instrumentalseismic intensity prediction and provides a feasible method for real-time prediction of seismic intensity.Keywordss Instrumental seismic intensity;XgBoost algorithm;Real-time prediction;Multi-parameter driven;Emergency response0引言破坏性地震可能带来人员伤亡、设施损坏等一系列严重后果（USGS，2 0 2 0).地震烈度代表地震对地面及工程建筑的破坏程度，可靠快速的获取地震烈度可为紧急处置、灾情研判、应急响应、灾后恢复等提供科学依据（Savage，2 0 0 2；Z s id is in e t a l.，2005).仪器地震烈度可以客观、快速地反应地震影响的强弱程度（金星等，2 0 13）.仪器地震烈度是通过研究地震动参数和实际调查的地震烈度得到的关系，是由实测地震动记录计算得到的参数（KarimandYamazaki，2 0 0 2）.我国于2 0 2 0 年实施了中国地震烈度表（国家市场监督管理总局，国家标准化管理委员会，2 0 2 0），其中定义了仪器地震烈度的计算方法.仪器地震烈度已被应用到地震预警、灾后损失快速评估等各个方面（陈以伦和金星，2 0 16；孙得璋等，2 0 18；刘如山等，2 0 2 1).在地震预警中需要实时估计地震可能造成的最大破坏并发布预警信息，在地震损伤评估中需要在震后快速评估地震对结构的影响程度.因此，实时准确的预测仪器地震烈度在减灾救援中发挥着重要的作用.现地地震预警和地震损伤评估需要从地震记录中提取地震动特征参数，例如地震预警中频率参数t。（c h a r a c t e r is t ic p e r io d)和幅值参数Pa（Pe a kdisplacement),地震损伤评估中 PGA(Peak GroundAcceleration)以及谱加速度 Sa（T)(s p e c t r a l a c c e l e r a t i o nat fundamental period），其都与目标值有较好的对应关系（Kanamori，2 0 0 5；W u a n d Z h a o，2 0 0 6；Z o lloetal.，2 0 10；Bu r a tti，2 0 12.近些年研究人员提出了丁祎天等：基于多参数驱动机器学习的实时地震烈度预测模型2921更加有效的特征参数（WangandZhao，2 0 18；Wangetal.，2 0 2 2），然而地震动蕴含了时域、频域等信息，难以用单个参数代表其全部特征.因此，基于多特征参数的预测模型被提出，其减少了预测中的不确定性、增加了准确性（Wu and Kanamori，2005;Baker and Cornell,2008;Gehl et al.,2013;Zhuet al.，2 0 2 2).近些年有研究分别使用形状函数、离散点等线性方法实时预测仪器地震烈度，可以较为准确地预测震源距为50 2 0 0 km的台站（陈以伦和金星，2 0 16）.然而，从特征参数到仪器地震烈度的映射存在较大非线性且目前的线性方法对于近场地震的预测效果有待提高.综上所述，目前实时估计仪器地震烈度还缺少较为准确且高效的预测模型.相较于线性回归方法，机器学习算法的非线性拟合能力更强，可以进行高维度的输人，并且更全面考虑影响因素，从而使得数据信息更加完备(Goodfellow et al.,2016;Zhou et al.,2021;Wongetal.2021).本文应用机器学习中监督学习的方法实现上述目标,其中监督学习将问题分为回归问题和分类问题.目前地震动