中国地震局：郑周-利用深度学习与物理特征预测仪器地震烈度

主要观点总结

本文提出了一种结合深度学习和物理参数特征的算法，用于预测仪器地震烈度。研究使用了日本K-NET和KiK-net强震仪台网的数据，构建了名为CNN-PP的预测模型。该模型在预测仪器地震烈度方面表现出优于传统方法的效果，报警成功率达到95.03%，且没有出现误报情况。

关键观点总结

关键观点1: 研究背景

研究旨在更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及时向用户提供准确警报。

关键观点2: 研究方法

本研究采用了一种结合深度学习和物理参数特征的算法，使用了日本K-NET和KiK-net强震仪台网的数据，构建了仪器地震烈度预测模型（CNN-PP）。

关键观点3: 模型性能

CNN-PP模型在预测仪器地震烈度方面表现出优越性能，相较于传统方法有明显改善。报警成功率达到95.03%，没有出现误报情况。

关键观点4: 模型改进方向

研究提出了几个改进方向，包括将不同级别的地震视为不同问题分别建模、在模型中引入FinDer方法并扩展时间窗口、收集更多大震数据并使用数据增强技术。

文章预览

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. 结论及展望 本文使用了日本强震台网(K-NET和KiK-net井 ………………………………