朱景寶，宋晉東，李山有*

1 中國(guó)地震局工程力學(xué)研究所 地震工程與工程振動(dòng)重點(diǎn)實(shí)驗(yàn)室，哈爾濱 150080 2 地震災(zāi)害防治應(yīng)急管理部重點(diǎn)實(shí)驗(yàn)室，哈爾濱 150080

0 引言

地震預(yù)警是減輕地震造成人員傷亡和財(cái)產(chǎn)損失的有效手段之一.地震預(yù)警依據(jù)P波傳播速度比S波傳播速度快的原理，利用臺(tái)站記錄到的P波初期信息對(duì)地震基本參數(shù)和破壞區(qū)域進(jìn)行估算，搶在破壞性地震波到達(dá)之前向公眾發(fā)布預(yù)警信息，進(jìn)而讓人們提前幾秒或數(shù)十秒采取緊急避險(xiǎn)措施(馬強(qiáng)，2008; 宋晉東，2013).世界上一些地震較為活躍的國(guó)家和地區(qū)已經(jīng)建立了地震預(yù)警系統(tǒng)，如：美國(guó)(Allen et al., 2009; Kuyuk et al., 2014)、日本(Hoshiba et al., 2008; Kamigaichi et al., 2009)、意大利(Satriano et al., 2011; Colombelli et al., 2020)、中國(guó)臺(tái)灣(Wu and Teng, 2002; Hsiao et al., 2009)、墨西哥(Aranda et al., 1995; Suárez et al., 2018)等.同時(shí)，中國(guó)地震預(yù)警系統(tǒng)也在進(jìn)行驗(yàn)證測(cè)試(Peng et al., 2011; Zhang et al., 2016).

在地震預(yù)警系統(tǒng)中，地震破壞區(qū)域的準(zhǔn)確估算以及可靠的預(yù)警信息發(fā)布依賴于震級(jí)估算的結(jié)果，因此準(zhǔn)確而快速地估算震級(jí)，是地震預(yù)警系統(tǒng)的重要工作之一，對(duì)地震預(yù)警也有重要的意義.傳統(tǒng)震級(jí)估算方法主要根據(jù)P波觸發(fā)后單一特征參數(shù)與震級(jí)的經(jīng)驗(yàn)關(guān)系，進(jìn)而估算震級(jí)(張紅才等, 2012).常用的特征參數(shù)包括幅值類(lèi)參數(shù)(Wu and Kanamori, 2005; Wu and Zhao, 2006)、周期類(lèi)參數(shù)(Kanamori, 2005; B?se, 2006; Huang et al., 2015)和能量類(lèi)參數(shù)(Reed and Kassawara, 1990; Nakamura, 2003; Festa et al., 2008).盡管上述特征參數(shù)已經(jīng)被證明與震級(jí)存在一定的線性關(guān)系，但是某一特征參數(shù)包含與震級(jí)相關(guān)的信息較單一，導(dǎo)致震級(jí)估算結(jié)果的誤差較大，并且震級(jí)估算結(jié)果也存在一定程度的小震高估和大震低估問(wèn)題.因此，一些研究人員嘗試采用雙參數(shù)對(duì)震級(jí)進(jìn)行估算，相對(duì)于單參數(shù)震級(jí)估算結(jié)果，有效提高了震級(jí)估算的準(zhǔn)確性(Cuéllar et al.，2018).

近年來(lái)，人工智能已被引入到地震預(yù)警震級(jí)估算研究中.一些學(xué)者也嘗試將多個(gè)地震預(yù)警參數(shù)與機(jī)器學(xué)習(xí)方法相結(jié)合，進(jìn)而對(duì)最終震級(jí)進(jìn)行估算(Münchmeyer et al.，2020；朱景寶等，2021a).Zhu等(2021)使用日本K-net臺(tái)網(wǎng)數(shù)據(jù)，融合多種類(lèi)型的12個(gè)P波初期特征參數(shù)(幅值類(lèi)參數(shù)、周期類(lèi)參數(shù)、能量類(lèi)參數(shù)、衍生類(lèi)參數(shù))作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，構(gòu)建了P波到達(dá)后3 s時(shí)間窗下的DCNN-M模型，進(jìn)而用于地震預(yù)警震級(jí)估算，其結(jié)果優(yōu)于傳統(tǒng)的單參數(shù)τc方法和Pd方法.Ochoa等(2018)基于支持向量機(jī)回歸算法，在單臺(tái)情況下，使用P波觸發(fā)后5 s的信號(hào)得到的25個(gè)參數(shù)(與方位角相關(guān)的參數(shù)、與震級(jí)相關(guān)的參數(shù)、與震中距相關(guān)的參數(shù))作為輸入，進(jìn)而對(duì)里氏震級(jí)進(jìn)行估算，其結(jié)果表明：對(duì)于ML4.5以下的地震，震級(jí)估算有較小誤差，且平均絕對(duì)誤差為0.19個(gè)震級(jí)單位.此外，還有一些學(xué)者嘗試將地震波形數(shù)據(jù)與機(jī)器學(xué)習(xí)方法相結(jié)合，進(jìn)而改進(jìn)震級(jí)估算結(jié)果.胡安冬和張海明(2020)使用日本Kik-net和K-net臺(tái)網(wǎng)強(qiáng)震動(dòng)數(shù)據(jù)建立了NN網(wǎng)絡(luò)用于地震預(yù)警震級(jí)估算，將波形的頻譜信息作為模型輸入，并發(fā)現(xiàn)在3 s時(shí)間窗內(nèi)，該方法優(yōu)于傳統(tǒng)的單參數(shù)τc方法，同時(shí)也認(rèn)為多特征組合輸入的使用將會(huì)得到更優(yōu)異的震級(jí)估算模型.Mousavi和Beroza(2020)基于30 s的波形輸入，構(gòu)建了一個(gè)由卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)組成的震級(jí)估算模型，有效改善了震級(jí)估算結(jié)果.然而，已經(jīng)建立的人工智能地震預(yù)警震級(jí)估算模型對(duì)于中國(guó)地震的震級(jí)估算是否可行亟待研究.

2021年5月21日和22日，在中國(guó)云南漾濞和青?，敹喾謩e發(fā)生了MS6.4地震和MS7.4地震，同時(shí)還伴隨一些前震和余震的發(fā)生.據(jù)大理市抗震救災(zāi)指揮部和青海省應(yīng)急管理廳發(fā)布的消息，地震造成一定程度的人員受傷，以及交通、通信、供水等基礎(chǔ)設(shè)施的破壞.這次地震得到了國(guó)內(nèi)許多研究者的關(guān)注，也為人工智能地震預(yù)警震級(jí)估算模型測(cè)試驗(yàn)證提供了數(shù)據(jù)支持.

本文依據(jù)Zhu等(2021)提出的P波到達(dá)后3 s時(shí)間窗的DCNN-M模型框架，分別使用P波到達(dá)后1～40 s不同時(shí)間窗的特征參數(shù)作為輸入進(jìn)行訓(xùn)練和驗(yàn)證，構(gòu)建不同時(shí)間窗下的單臺(tái)DCNN-M模型，并采用多臺(tái)加權(quán)平均方法對(duì)2021年5月21日和22日發(fā)生在中國(guó)云南漾濞和青?，敹嗟闹髡?、余震和前震進(jìn)行實(shí)時(shí)震級(jí)估算分析，旨在探索DCNN-M模型對(duì)這次漾濞地震和瑪多地震震級(jí)估算的可行性、以及未來(lái)在我國(guó)人工智能地震預(yù)警系統(tǒng)應(yīng)用的可能性.

1 方法

卷積神經(jīng)網(wǎng)絡(luò)主要用于信號(hào)數(shù)據(jù)的處理以及提取數(shù)據(jù)層次特征.Zhu等(2021)使用日本K-net臺(tái)網(wǎng)強(qiáng)震動(dòng)數(shù)據(jù)并基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了P波到達(dá)后3 s時(shí)間窗下的單臺(tái)DCNN-M模型，其目的是為了提高地震預(yù)警震級(jí)估算的準(zhǔn)確性；同時(shí)，Zhu等(2021)研究結(jié)果表明：對(duì)于MJMA3～7.5的地震事件，在P波到達(dá)后3 s時(shí)間窗下，DCNN-M模型的震級(jí)估算結(jié)果的準(zhǔn)確性高于傳統(tǒng)的單參數(shù)τc方法和Pd方法，且沒(méi)有出現(xiàn)明顯的小震高估和大震低估現(xiàn)象.

1.1 特征參數(shù)

由于深度學(xué)習(xí)的特征提取是黑箱子，提取特征的物理意義并不明確.因此，DCNN-M模型的輸入不同于Mousavi和Beroza(2020)、胡安冬和張海明(2020)等采用的波形輸入，而是采用與震級(jí)相關(guān)的特征參數(shù)組合作為輸入，再通過(guò)DCNN-M模型提取這些特征參數(shù)的高階特征，使得該模型具有物理意義(Zhu et al., 2021).該模型的輸入是由4類(lèi)特征參數(shù)，共12個(gè)特征參數(shù)組成的一維向量，幅值類(lèi)參數(shù)包括峰值位移Pd(Wu and Zhao, 2006)、峰值速度Pv和峰值加速度Pa(Wu and Kanamori, 2005)；周期類(lèi)參數(shù)包括特征周期τc(Kanamori, 2005)、峰值比Tva(B?se, 2006)、構(gòu)造參數(shù)(Huang et al., 2015)；能量類(lèi)參數(shù)包括速度平方積分IV2(Festa et al., 2008)、累積絕對(duì)速度CAV(Reed and Kassawara, 1990)、累積能量變化率DI(Nakamura, 2003)；衍生類(lèi)參數(shù)(Zhu et al., 2021)包括豎向累積絕對(duì)位移cvad、豎向累積絕對(duì)速度cvav、豎向累積絕對(duì)加速度cvaa.

1.2 DCNN-M模型

DCNN-M模型的網(wǎng)絡(luò)結(jié)構(gòu)是由四個(gè)卷積層、四個(gè)Batch Normalization層(BN層)、四個(gè)池化層和三個(gè)全連接層組成(Zhu et al.，2021).四個(gè)卷積層中卷積核的數(shù)目分別是124、150、190和250；卷積核的大小為4，移動(dòng)步長(zhǎng)為2，padding類(lèi)型使用的是“same”；池化層采用的是最大池化，每個(gè)池化核的大小是2，移動(dòng)步長(zhǎng)是2；三個(gè)全連接層神經(jīng)元數(shù)量分別是250、125、60；最后一個(gè)輸出層的神經(jīng)元數(shù)目是1，輸出結(jié)果為預(yù)測(cè)震級(jí).

本文在Zhu等(2021)提出的P波到達(dá)后3 s時(shí)間窗下的DCNN-M模型框架以及超參數(shù)的基礎(chǔ)上，同樣采用Zhu等(2021)所使用的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的日本K-net強(qiáng)震數(shù)據(jù)，分別計(jì)算了P波到達(dá)后1～40 s不同時(shí)間窗的特征參數(shù)作為輸入，并對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證，進(jìn)而構(gòu)建了在P波到達(dá)后不同時(shí)間窗下的單臺(tái)DCNN-M模型.

由于30 s之后的震級(jí)估算結(jié)果趨于穩(wěn)定狀態(tài)，所以圖1展示了P波到達(dá)后1～30 s不同時(shí)間窗下的單臺(tái)DCNN-M模型對(duì)驗(yàn)證數(shù)據(jù)集(這里的驗(yàn)證數(shù)據(jù)集是指Zhu等(2021)文獻(xiàn)中所使用的測(cè)試數(shù)據(jù)集)的震級(jí)估算結(jié)果.圖中紅色實(shí)線是編目震級(jí)與估算震級(jí)的1∶1線性關(guān)系；紅色虛線表示±0.5震級(jí)單位誤差范圍；σ是估算震級(jí)與編目震級(jí)誤差的標(biāo)準(zhǔn)差，用于衡量誤差的離散性.從圖1中可以發(fā)現(xiàn)：隨著P波到達(dá)后時(shí)間窗的增加，震級(jí)估算誤差逐漸減小，且對(duì)于6級(jí)以上震級(jí)低估問(wèn)題也逐漸改善.

圖1 驗(yàn)證集在1～30 s時(shí)間窗下震級(jí)估算結(jié)果Fig.1 Magnitude estimation at 1～30 second time window for validation dataset

1.3 多臺(tái)加權(quán)平均

圖2展示了構(gòu)建的單臺(tái)DCNN-M模型對(duì)訓(xùn)練集和驗(yàn)證集震級(jí)估算誤差的標(biāo)準(zhǔn)差與P波到達(dá)后時(shí)間窗的關(guān)系.從圖2中可以發(fā)現(xiàn)：訓(xùn)練集和驗(yàn)證集的震級(jí)估算誤差標(biāo)準(zhǔn)差比較接近，且隨著時(shí)間窗的增加逐漸減小，這也說(shuō)明我們所構(gòu)建的P波到達(dá)后1～40 s的不同時(shí)間窗下DCNN-M模型有較好的連續(xù)性和泛化能力.

圖2 基于DCNN-M模型的訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的震級(jí)估算誤差標(biāo)準(zhǔn)差與時(shí)間窗的關(guān)系Fig.2 Relationship between standard deviation of magnitude estimation error and time window for training dataset and validation dataset based on DCNN-M model

我們將基于P波到達(dá)后不同時(shí)間窗下建立的單臺(tái)DCNN-M模型以及多臺(tái)加權(quán)平均方法對(duì)2021年5月21日和22日發(fā)生在中國(guó)云南漾濞和青?，敹嗟闹髡?、余震和前震進(jìn)行實(shí)時(shí)震級(jí)估算.

根據(jù)圖2中驗(yàn)證集的震級(jí)估算誤差標(biāo)準(zhǔn)差隨著時(shí)間窗的增加而減小，且驗(yàn)證集反映的是模型的性能，同時(shí)，標(biāo)準(zhǔn)差反映的是相應(yīng)時(shí)間窗時(shí)模型在單臺(tái)情況下的震級(jí)估算的離散程度.因此，隨著時(shí)間窗的增加，震級(jí)估算的標(biāo)準(zhǔn)差越小，說(shuō)明單臺(tái)的震級(jí)估算準(zhǔn)確性越高，所以在多臺(tái)加權(quán)平均計(jì)算的時(shí)候，權(quán)重與驗(yàn)證數(shù)據(jù)集在P波到達(dá)后相應(yīng)時(shí)間窗下的DCNN-M模型震級(jí)估算的標(biāo)準(zhǔn)差成反比(Colombelli et al., 2012; Peng et al., 2017).

實(shí)時(shí)多臺(tái)震級(jí)加權(quán)平均計(jì)算公式如下：

(1)

(2)

2 數(shù)據(jù)及處理

中國(guó)地震局工程力學(xué)研究所為本研究提供了2021年5月21—22日云南漾濞和青?，敹嗟卣鸬膹?qiáng)震動(dòng)數(shù)據(jù)，震級(jí)范圍MS4.0～7.4，共11次地震事件，129條三分向地震記錄.在本研究中，沒(méi)有對(duì)數(shù)據(jù)的震中距以及信噪比進(jìn)行篩選.另外，DCNN-M模型是基于日本K-net臺(tái)網(wǎng)建立的，采用的震級(jí)標(biāo)度是MJMA；這兩次地震序列的震級(jí)標(biāo)度采用的是MS.依據(jù)Peng等(2017)、Kuyuk和Allen(2013)、Olson和Allen(2005)建立多國(guó)家多地區(qū)震級(jí)統(tǒng)計(jì)關(guān)系對(duì)于震級(jí)標(biāo)注的處理方式，即不區(qū)分震級(jí)標(biāo)度，本研究將估算震級(jí)標(biāo)度統(tǒng)一記作為M.

圖3展示了本研究中震中以及臺(tái)站的分布，記錄到青?，敹郙S7.4主震的最近臺(tái)站是63DAW,震中距為175.6 km，且UD、EW、NS方向的最大加速度分別為-19.1 cm·s-2、46.0 cm·s-2、40.6 cm·s-2；記錄到云南漾濞MS6.4主震的最近臺(tái)站是53YBX,震中距為7.9 km，且UD、EW、NS方向的最大加速度分別為-448.4 cm·s-2，-379.9 cm·s-2，-720.3 cm·s-2(朱景寶等，2021b).

對(duì)于本研究中采用的地震記錄，首先采用馬強(qiáng)等(2013)提出的P波撿拾方法確定P波到時(shí)；然后對(duì)加速度記錄進(jìn)行一次積分得到速度記錄，再對(duì)速度記錄進(jìn)行一次積分得到位移記錄，并對(duì)積分后的結(jié)果使用4階0.075 Hz的巴特沃斯濾波器進(jìn)行高通濾波，以消除積分帶來(lái)的低頻飄移的影響(Peng et al., 2017; 宋晉東等, 2018).

3 結(jié)果

為了驗(yàn)證DCNN-M模型對(duì)于漾濞和瑪多地震震級(jí)估算的魯棒性，圖4和圖5分別展示了云南漾濞MS6.4主震和青?，敹郙S7.4主震在首臺(tái)觸發(fā)后實(shí)時(shí)的震級(jí)估算結(jié)果，以及觸發(fā)臺(tái)站數(shù)隨首臺(tái)觸發(fā)后時(shí)間增加的變化.圖4和圖5的橫坐標(biāo)是首臺(tái)觸發(fā)時(shí)間，即第一個(gè)觸發(fā)的臺(tái)站后n秒.圖中黑色實(shí)線表示實(shí)際震級(jí)；黑色虛線表示實(shí)際震級(jí)±0.5震級(jí)單位誤差范圍；紅色實(shí)線表示首臺(tái)觸發(fā)后，n秒內(nèi)DCNN-M模型對(duì)已觸發(fā)臺(tái)站震級(jí)估算結(jié)果的多臺(tái)加權(quán)平均值；藍(lán)色虛線表示距離震中最近臺(tái)站的震級(jí)估算結(jié)果；其他顏色的實(shí)線表示已經(jīng)觸發(fā)的單個(gè)臺(tái)站的震級(jí)估算結(jié)果.

圖4 云南漾濞6.4級(jí)主震的震級(jí)估算結(jié)果Fig.4 The magnitude estimation of Yunnan Yangbi MS6.4 mainshock

從圖4中可以觀察到：對(duì)于漾濞主震，大部分臺(tái)站的單臺(tái)震級(jí)估算結(jié)果都分布在±0.5震級(jí)單位誤差范圍內(nèi)，這表明本文訓(xùn)練后的DCNN-M模型具備單臺(tái)震級(jí)估算準(zhǔn)確性；首臺(tái)觸發(fā)后2 s時(shí)，DCNN-M模型的震級(jí)估算結(jié)果為M6.0；隨著首臺(tái)觸發(fā)時(shí)間的增加，估算震級(jí)逐漸接近實(shí)際震級(jí)，且在首臺(tái)觸發(fā)后9 s時(shí)，DCNN-M模型的震級(jí)估算結(jié)果為M6.2；同時(shí)，隨著首臺(tái)觸發(fā)時(shí)間的持續(xù)增加以及觸發(fā)臺(tái)站數(shù)的增加，DCNN-M模型的震級(jí)估算結(jié)果仍在不斷接近實(shí)際震級(jí).

從圖5中可以觀察到：對(duì)于青?，敹郙S7.4主震，大部分臺(tái)站的單臺(tái)震級(jí)估算結(jié)果都分布在±0.5震級(jí)單位誤差范圍內(nèi)，只有63DAW、63HEN、63XIH、63GUD臺(tái)站在觸發(fā)后1 s內(nèi)震級(jí)估算結(jié)果在±0.5震級(jí)單位誤差范圍以外，這表明本文訓(xùn)練后的DCNN-M模型具備單臺(tái)震級(jí)估算準(zhǔn)確性；首臺(tái)觸發(fā)后1 s時(shí)，DCNN-M模型的震級(jí)估算結(jié)果為M6.4，可以判斷青?，敹嘀髡馂橐淮未笳?；首臺(tái)觸發(fā)后2 s時(shí)，DCNN-M模型的估算震級(jí)是M7.0；隨著首臺(tái)觸發(fā)后時(shí)間的增加，在首臺(tái)觸發(fā)后9 s時(shí)，DCNN-M模型的估算震級(jí)是M7.3；且隨著首臺(tái)觸發(fā)后時(shí)間的持續(xù)增加和觸發(fā)臺(tái)站數(shù)的增加，DCNN-M模型的震級(jí)估算結(jié)果也逐漸接近實(shí)際震級(jí).

圖6展示了這11次地震事件基于DCNN-M模型的震級(jí)估算誤差隨首臺(tái)觸發(fā)后時(shí)間的變化.圖中紅色實(shí)線表示青?，敹郙S7.4主震的震級(jí)估算誤差；藍(lán)色實(shí)線表示云南漾濞MS6.4主震的震級(jí)估算誤差；綠色實(shí)線表示漾濞余震以及前震的震級(jí)估算誤差；黑色虛線表示±0.5震級(jí)單位誤差范圍.從圖中可以看到：首臺(tái)觸發(fā)后1 s時(shí)，對(duì)于余震以及前震的震級(jí)估算誤差主要集中在±0.5震級(jí)單位范圍內(nèi)，對(duì)于云南漾濞MS6.4主震和青?，敹郙S7.4主震的震級(jí)估算結(jié)果分別是M5.5和M6.4，誤差接近1.0震級(jí)單位，對(duì)于瑪多主震和漾濞主震在首臺(tái)觸發(fā)后1 s時(shí)低估的原因可能是大震在發(fā)生后幾秒內(nèi)并沒(méi)有完全破裂，且P波并未攜帶完整的與震級(jí)相關(guān)的信息；但是在首臺(tái)觸發(fā)2 s以后，云南漾濞MS6.4主震和青?，敹郙S7.4主震的震級(jí)估算誤差都在±0.5震級(jí)單位內(nèi)，且隨著首臺(tái)觸發(fā)后時(shí)間的增加，誤差逐漸減小，該結(jié)果也與圖4和圖5的結(jié)果相一致.

圖5 青?，敹?.4級(jí)主震的震級(jí)估算結(jié)果Fig.5 The magnitude estimation of Qinghai Madoi MS7.4 mainshock

圖6 震級(jí)估算誤差隨首臺(tái)觸發(fā)后時(shí)間的變化Fig.6 The variation of magnitude estimation error with the trigger time of the first station

4 討論與結(jié)論

本研究在Zhu等(2021)使用日本的K-net強(qiáng)震動(dòng)數(shù)據(jù)構(gòu)建的P波到達(dá)后3 s時(shí)間窗的DCNN-M模型框架和超參數(shù)的基礎(chǔ)上，分別使用P波到達(dá)后1～40 s不同時(shí)間窗下的特征參數(shù)作為輸入進(jìn)行訓(xùn)練，構(gòu)建了在P波到達(dá)后不同時(shí)間窗下的單臺(tái)DCNN-M模型，并對(duì)2021年5月21—22日云南漾濞和青?，敹嗟腗S4.0到MS7.4共11次地震進(jìn)行震級(jí)估算，分析了基于單臺(tái)DCNN-M模型和多臺(tái)加權(quán)平均方法得到的震級(jí)估算結(jié)果隨首臺(tái)觸發(fā)后時(shí)間的變化，探索了DCNN-M模型對(duì)于這幾次地震在地震預(yù)警震級(jí)估算中的可行性.

通過(guò)對(duì)云南漾濞MS6.4主震和青?，敹郙S7.4主震在首臺(tái)觸發(fā)后實(shí)時(shí)的震級(jí)估算結(jié)果的觀察：在首臺(tái)觸發(fā)后2 s時(shí)，DCNN-M模型對(duì)云南漾濞地震的主震和青海瑪多地震的主震的震級(jí)估算結(jié)果分別是M6.0和M7.0；在首臺(tái)觸發(fā)后9 s時(shí)，DCNN-M模型對(duì)云南漾濞主震和青?，敹嘀髡鸬恼鸺?jí)估算分別是M6.2和M7.3；隨著首臺(tái)觸發(fā)后時(shí)間的增加和觸發(fā)臺(tái)站數(shù)量的增加，震級(jí)估算結(jié)果逐漸接近實(shí)際震級(jí).同時(shí)，這兩次地震事件的前震和余震，在首臺(tái)觸發(fā)后1 s時(shí)，震級(jí)估算的誤差主要都集中在±0.5震級(jí)單位內(nèi)；隨著首臺(tái)觸發(fā)后時(shí)間的增加，這11次地震事件的震級(jí)估算誤差逐漸減小.本文的研究結(jié)果表明：DCNN-M模型對(duì)于2021年5月21—22日發(fā)生在中國(guó)云南漾濞和青海瑪多的11次地震事件在首臺(tái)觸發(fā)后10 s內(nèi)可以得到較為穩(wěn)定的震級(jí)估算結(jié)果.這為我國(guó)建立人工智能地震預(yù)警系統(tǒng)提供了潛在可能.但是，對(duì)于深度卷積神經(jīng)網(wǎng)絡(luò)震級(jí)估算模型DCNN-M在中國(guó)地震預(yù)警系統(tǒng)中的應(yīng)用還需要大量的中國(guó)數(shù)據(jù)進(jìn)行驗(yàn)證和測(cè)試.

需要注意的是，由于作為DCNN-M模型輸入的幅值類(lèi)參數(shù)、能量類(lèi)參數(shù)和衍生類(lèi)參數(shù)是需要進(jìn)行震源距修正，統(tǒng)一校正到參考震源距10 km(Zollo et al., 2006; 彭朝勇等, 2013)，其目的是為了消除幅值類(lèi)參數(shù)、能量類(lèi)參數(shù)和衍生類(lèi)參數(shù)因距離衰減對(duì)震級(jí)估算的影響，所以在實(shí)際的地震預(yù)警過(guò)程中，DCNN-M模型準(zhǔn)確的震級(jí)估算結(jié)果還依賴于地震預(yù)警系統(tǒng)的準(zhǔn)確定位.此外，由于MJMA和MS這兩個(gè)震級(jí)標(biāo)度并非完全相同，依據(jù)Peng等(2017)，只是近似的將這兩個(gè)震級(jí)標(biāo)度相等，并且將估算震級(jí)統(tǒng)一記作M，而這兩種震級(jí)標(biāo)度的差異性可能會(huì)對(duì)本研究的結(jié)果造成一定的誤差影響，對(duì)于這兩個(gè)震級(jí)標(biāo)度的準(zhǔn)確轉(zhuǎn)換仍需更深的研究和討論.

同時(shí)，本研究是基于日本K-net強(qiáng)震數(shù)據(jù)訓(xùn)練得到的DCNN-M模型對(duì)漾濞和瑪多地震的主震、余震和前震進(jìn)行震級(jí)估算.更進(jìn)一步的改善對(duì)漾濞和瑪多地震的主震、余震和前震的震級(jí)估算結(jié)果，我們還考慮了兩種方案：一、在原有DCNN-M模型的基礎(chǔ)上加上中國(guó)強(qiáng)震數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)訓(xùn)練，而是否可以成功應(yīng)用遷移學(xué)習(xí)方法改進(jìn)結(jié)果還存在爭(zhēng)議；二、使用中國(guó)目前已經(jīng)公開(kāi)的地震數(shù)據(jù)，建立屬于中國(guó)的DCNN-M模型，而對(duì)于目前中國(guó)的地震數(shù)據(jù)量是否可以建立泛化能力強(qiáng)且具有穩(wěn)定性的模型還有待研究.這些方案也是我們對(duì)國(guó)內(nèi)地震震級(jí)估算在下一步研究中需要探索的地方.

致謝中國(guó)地震局工程力學(xué)研究所為本研究提供數(shù)據(jù)支持.文中圖件使用通用制圖工具GMT(Genetic Mapping Tools)繪制.