第66卷第7期2023年7月丁祎天，胡进军，张辉等.2023.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，66（7）：2920-2932，doi：10.6038/cjg2022P0883.DingYT,HuJJ,ZhangH,etal.2023.Areal-timeseismicintensitypredictionmodelbasedonmulti-parameterdrivenmachinelearning.ChineseJ.Geophys.(inChinese),66(7):2920-2932,doi:10.6038/cjg2022P0883.地球物理学报CHINESEJOURNALOFGEOPHYSICSVol.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1500802中国地震局地震工程与工程振动重点实验室，哈尔滨1500803大连理工大学建设工程学部，辽宁大连116024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（xgBoost）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2010一2018年日本K-NET和KiK-net强震数据，使用24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86.56%，并在10-2～10-3s内完成特征计算和预测.最后，假设2019—2021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2021-11-26，2022-08-25收修定稿Areal-timeseismicintensitypredictionmodelbasedonmulti-parameterdrivenmachinelearningDINGYiTianl-2,HUJinJun'2*,ZHANGHui?,JINChaoYuel?,HULeil-2,WANGZhongWeil-?2,TANGChaol-21InstituteofEngineeringMechanics,ChinaEarthquakeAdministration,Harbin150080,China2KeyLaboratoryofEarthquakeEngineeringVibration,InstituteofEngineeringMechanics,ChinaEarthquakeAdministration,Harbin150080,China3FacultyofInfrastructu...
