久久久国产乱子伦精品作者 I av在线免费观看不卡 I 色猫咪av I www.桃色av嫩草.com I 国产免费午夜福利蜜芽无码 I 日本大片免a费观看视频 I 三男一女吃奶添下面视频 I 18禁美女裸体免费网站 I 亚洲夜夜操 I 无码av最新无码av专区 I 欧美激情插插插 I 日韩国产欧美 I 性色免费视频 I 日本少妇bbw撒尿视频 I 久久www免费人成看片美女图 I 日韩电影一区二区三区 I 中文在线а√在线天堂中文 I 久久青青草原一区二区 I 性做久久 I 嫩草视频 I 亚洲色图40p I 久久久久综合一区二区不卡 I 日韩在线精品 I 中文字幕免费高清在线观看 I 很很鲁在线视频播放影院 I 无码精品人妻一区二区三区中 I 久久久网址 I 久久久久久黄色片 I 777精品出轨人妻国产 I 日韩一级在线视频

<abbr id="swswu"></abbr>

<pre id="swswu"></pre>

資訊內容 / 研究亮點

資訊內容

研究亮點

基于循環神經網絡和遷移學習的中國現地儀器地震烈度預測

發布時間： 2023-05-22 點擊數量：4346

研究背景：

地震烈度是地震引起的地面震動及其影響的強弱程度。地震烈度評定通常是綜合運用宏觀調查和儀器測定的多指標方法。中國是一個地震活躍的國家，在地震發生后，快速地、準確地預測儀器地震烈度對于地震預警、地震影響程度的判斷、震后災害救援和地震烈度圖的繪制都是非常有意義的。同時，這對于減輕中國的地震災害也是非常有價值的。

中國地震烈度表規定：儀器地震烈度的確定是基于現地的地震動加速度記錄的最大值（PGA）和現地的地震動速度記錄的最大值（PGV）。在地震預警中，傳統的現地PGA和現地PGV預測方法通常是基于單個的P波特征參數建立經驗的PGA和PGV預測方程。然而，由于單一的P波特征參數包含與地震動峰值相關的信息較少，且線性的經驗預測方程過于簡單，這導致預測的PGA和PGV存在誤差大和不確定大的現象。

為了對中國儀器地震烈度實現快速且魯棒的預測，本研究提出了一個結合了循環神經網絡和遷移學習的現地儀器地震烈度預測方法。

研究方法及結果：

（1）我們提出了一個結合了循環神經網絡和遷移學習的深度學習方法去提高中國儀器地震烈度預測的魯棒性。基于循環神經網絡的變體雙向門控單元（BIGRU）和日本K-NET臺網記錄的強震動數據建立現地PGA預測模型（R-PGA）和現地PGV預測模型（R-PGV）。然后，通過遷移學習，凍結R-PGA模型和R-PGV模型的BIGRU模塊，基于中國地震臺網記錄的強震動記錄對R-PGA模型和R-PGV模型重新進行訓練和微調，建立了經遷移后的PGA預測模型（TLR-PGA）和PGV預測模型（TLR-PGV）。我們對TLR-PGA模型和TLR-PGV模型的預測結果和基線模型進行了比較，同時還分析了基于TLR-PGA模型和TLR-PGV模型得到的現地儀器地震烈度和警報情況。

（2）在遷移學習中，建立一個具有良好性能的預訓練模型對于遷移學習模型的性能是非常重要。在P波到達后3秒，圖1和圖2分別展示了R-PGA模型和R-PGV模型的預測PGA和預測PGV。從圖中可以發現，基于R-PGA模型和R-PGV模型的預測PGA和預測PGV呈現明顯的1:1線性關系，相關系數R達到了0.8以上。且測試集和訓練集的結果比較接近，這也說明模型沒有出現過擬合現象。同時，預測PGA和預測PGV誤差主要分布在±0.5范圍內。

（3）對于相同的中國測試數據集，在P波到達后3秒，表1展示了基于TLR-PGA模型、TLR-PGV模型和基線模型的預測結果。從表1中可以發現：和傳統PGA和PGV預測方法以及未使用遷移學習的神經網絡模型，基于TLR-PGA模型和TLR-PGV模型可以獲得誤差更小的PGA和PGV預測結果。這也說明：本文提出基于循環神經網絡和遷移學習方法對于中國儀器烈度預測是可行的。

（4）為了驗證本文提出的方法的魯棒性，我們將該方法應用到中國訓練數據集和測試集之外的五次破壞性地震事件中。基于本文提出的方法，在P波到達后3秒，圖3展示2022年門源6.9級地震的儀器地震烈度預測結果及警報性能。從圖3中可以看到：預測的儀器地震烈度和觀測地震烈度是非常接近的，且基于預測的儀器地震烈度，只發生了一次漏報，且沒有誤報現象。同時，圖4展示了這五次破壞性地震事件的儀器地震烈度預測誤差和警報情況。從圖4中可以發現：P波到達3s后，儀器地震烈度預報誤差主要在±1以內，平均絕對誤差為0.78；成功報警的比例達到90%，誤報警的比例為0%。研究表明：本文的研究對于現地地震預警是有幫助的。

該成果發表在地球科學領域期刊《Journal of Asian Earth Sciences》（Zhu Jingbao, Li Shanyou, Wei Yongxiang, Song Jindong*. On-site instrumental seismic intensity prediction for China via recurrent neural network and transfer learning. Journal of Asian Earth Sciences, 2023, https://doi.org/10.1016/j.jseaes.2023.105610）（IF：3.374，JCR：Q2分區，*通訊作者）。