基于多参数驱动机器学习的实时地震烈度预测模型 |
| |
引用本文: | 丁祎天,胡进军,张辉,靳超越,胡磊,王中伟,汤超.基于多参数驱动机器学习的实时地震烈度预测模型[J].地球物理学报,2023(7):2920-2932. |
| |
作者姓名: | 丁祎天 胡进军 张辉 靳超越 胡磊 王中伟 汤超 |
| |
作者单位: | 1. 中国地震局工程力学研究所;2. 中国地震局地震工程与工程振动重点实验室;3. 大连理工大学建设工程学部 |
| |
基金项目: | 国家自然科学基金项目(U1939210,52078470)资助; |
| |
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 |
|
|