基于多参数驱动机器学习的实时地震烈度预测模型

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Extreme Gradient Boosting(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2010-2018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1 s的扩展时间窗方法实时预测地震烈度,P波到达1 s后在测试集中的预测准确率为86.56％,并在10-2～10-3 S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

所属期刊栏目：66

分类号：P315(大地（岩石界）物理学（固体地球物理学）)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-07-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：2920-2932