基于ASDTM的高精度地震波预报:一种STL分解的季节性池化与树突变换模型

《Journal of Applied Geophysics》:High-accuracy seismic wave forecasting using ASDTM: A STL-decomposed seasonal pooling with Dendritic Transform Model

【字体: 大 中 小 】 时间:2026年09月29日 来源:Journal of Applied Geophysics 2.6

编辑推荐:

   •使用连云港地震局的一个非公开数据集。•ASDTM对季节分量引入了移动平均操作。•该方法将STL与树突变换模型相结合。•将ASDTM方法与其他几种模型的性能进行了比较。引言地震事件对人类和社会的影响意义重大,尤其是在经济和生活安全方面(Abbasi等,2021,Falanga

  
  • •
    使用连云港地震局的一个非公开数据集。
  • •
    ASDTM对季节分量引入了移动平均操作。
  • •
    该方法将STL与树突变换模型相结合。
  • •
    将ASDTM方法与其他几种模型的性能进行了比较。

引言

地震事件对人类和社会的影响意义重大,尤其是在经济和生活安全方面(Abbasi等,2021,Falanga等,2022)。尽管近年来地震预测受到越来越多的关注,并且对地震产生机制的科学理解不断深入,但地震仍然是最难预测的自然灾害之一(Akhouayri等,2015)。预测地震事件的能力仍然是一个重大挑战。
显而易见的是,地震学家已能够利用地震仪确定地震产生的地震波性质(Kanamori,2005,Allen等,2009,Allen和Melgar,2019)。其他地震监测和预测方法基于卫星数据,使用全球定位系统(GPS)(Mazzotti等,2000,Su等,2016,Gitis等,2021)和InSAR技术(Massonnet等,1994,Zebker和Goldstein,1986,Hooper等,2012)。尽管科学家们付出了巨大努力,但传统技术耗时较长,且由于其复杂性难以准确预测地震(Bhatia等,2023,Xin等,2022)。
基于传统地震预测的不足,机器学习(ML)方法适用于地震预测问题(Zhang等,2024)。例如,当面对新颖且未曾观测到的数据时,机器学习算法能够利用计算能力和效率,基于先验知识生成精确的预测或解释(Pwavodi等,2023),并且它们还被期望能够基于仪器观测数据预测地震活动(Zhou等,2017)。
许多其他研究使用机器学习处理历史数据并数学提取地震特征指标。人工神经网络(ANN)、长短期记忆网络(LSTM)、随机森林(RF)、支持向量机(SVM)、自适应神经模糊推理系统(ANFIS)和K近邻(KNN)已被广泛应用于地震预测(Essam等,2021,Azis等,2020,Hoque等,2020,Khalil等,2021,Sadhukhan等,2023)。Maya等人使用元学习和迁移学习技术提高了人工神经网络在地震预测中的应用(Maya和Yu,2019)。Jain等人使用不同的算法——多层感知器、RF和SVM,依赖于地震的位置和深度数据进行地震预测,并进行了分析和讨论,其中MLP表现最佳(Jain等,2021)。然而,这些模型在处理复杂时间序列数据方面存在局限性,无法充分考虑所有事件(Berhich等,2022)。混合模型的出现代表了该领域的重要发展(Bilal等,2022,Abdalzaher等,2023)。然而,这些复杂的混合模型仍面临输入特征选择敏感性和长期预测性能不佳等挑战。
地震波是由地震产生的能量传播形式,地震波形的变化可以直接反映震源特征,快速估算地震大小和震中位置,从而争取预警时间。在地震学中,Z、E和N分量分别对应垂直、东西和南北方向(Ple?inger等,1986)。横波(S波)主要在N(南北)和E(东西)分量上振荡。因此,本研究选择Z分量作为研究纵波(P波)的数据集,P波是最先到达观测点的地震波。地震发生后,破坏力更强的S波传播速度较慢(在P波到达地面后数秒至数十秒到达)。因此,提前检测P波信号对于在破坏性地震波到达之前提供及时预警至关重要。
2023年,一种Conv2D卷积神经网络(CNN)架构被提出用于处理地震波形(Turarbek等,2023),其表现优于当时其他流行的机器学习方法和技术进展。虽然结果令人鼓舞,但模型不稳定的问题仍然存在。此外,假设地震事件遵循周期模式的观点是有缺陷的,因为地震并非严格周期性的。为了解决其他算法在预测问题中的局限性,本研究提出了一种新的方法,将使用LOESS进行的季节-趋势分解(STL)(RB,1990)通过对季节分量的进一步移动平均处理与树突变换模型(DTM)相结合(Xu等,2021,Jia等,2022,Jia等,2020,Jia等,2018b)。在这些过程中,STL将时间序列分解为季节分量、趋势分量和残差分量,使模型能够捕捉Z分量的周期性波动、长期趋势和随机变化(Wu等,2024,Wang等,2024,Jia等,2019,Jia等,2018a,Jia等,2021)。
传统的MLP、CNN和RNN等模型性能有限,例如MLP泛化能力差、CNN不稳定,且难以应对地震数据稀缺的问题。另一方面,Transformer面临参数量大和计算成本高的问题。相比之下,DTM具有模仿神经元的学习机制。这一设计平衡了模型复杂度和学习能力,在复杂度和计算效率之间取得了均衡。高复杂度模型需要大量数据集,而地震工作中往往无法获得,而简单模型则无法从复杂的地震数据中学习。DTM通过使用单个神经元的计算能力克服了这一问题。它保持了对地震数据非线性特征和长程特征的高学习能力,降低了网络复杂度,提高了模式处理效率。
通过这种结合,本文提出了ASDTM模型,提供了一种差异化技术方法以提高地震预测的准确性。本研究的主要贡献如下:
(1)利用STL,将地震波Z分量分解为表示周期变化的季节分量、表示长期特征的趋势分量和表示随机波动的残差分量。
(2)趋势分量通过三次多项式进行非线性拟合以获得合适的趋势曲线,参数使用最小二乘法确定。季节分量通过移动平均进行进一步处理以减少随机噪声和波动,从而突出周期性。残差分量包含非线性变化;使用深度学习(DTM)提供复杂的机制来管理这些复杂性并最小化预测误差。
(3)将提出的ASDTM与最先进的机器学习模型进行全面比较,结果表明ASDTM在捕捉短期和长期变化方面具有更优的稳定性和准确性。

各章节摘要

树突神经元模型(DNM)

DNM(图1)是一种开创性的神经网络模型,旨在模拟生物神经元的功能特征。其四层框架已被证明能够有效地模拟自然神经系统中观察到的信号传递和整合过程(Jia等,2025a,Ji等,2022)。架构中每一层在信息处理中起着至关重要的作用,具体说明如下:突触层负责接收和

数据来源

本研究使用的地震波Z分量数据集来自连云港地震局,包括连云港附近及其邻近海域的四个地震数据集。这些数据集可用于评估和验证模型对不同地震事件的预测性能。每个数据集被划分为训练集和测试集。前者用于模型学习数据中的模式和规律,后者用于客观地

结果与讨论

为了评估ASDTM的模型性能,使用十种比较算法分别在四个地震波Z分量数据集上进行了实验:SVM、Informer、ANFIS、Elman、Autoformer、DLinear、TimeXer、PatchTST、iTransformer和MLP(Zamani等,2013,Nie等,2022,Liu等,2023,Zeng等,2016,Wu等,2021,Wang等,2024)。相同数据集上的所有模型采用相同的训练集和测试集比例,以确保公平性和

结论

本研究提出了一种新型混合模型ASDTM,以解决地震波预测问题。通过STL分解,时间序列数据被分离为季节分量、趋势分量和残差分量。在ASDTM中,DTM被设计用于处理残差分量中的复杂非线性动力学,而趋势分量使用最小二乘法进行拟合,可以准确拟合时间序列数据的趋势方向。季节分量使用

CRediT作者贡献声明

周敬如:撰写 – 初稿、可视化、验证、资源、方法论、形式分析、数据整理。贾东宝:监督、项目管理、方法论、经费获取、形式分析、数据整理、概念化。马丁:撰写 – 审阅与编辑、可视化、验证、方法论。

利益冲突声明

作者声明不存在已知的竞争经济利益或个人关系可能影响本文所报告的工作。

致谢

本研究受国家自然科学基金委员会(NSFC)资助(项目编号:12105120和62373171)、南京大学新型软件技术国家重点实验室开放基金资助(项目编号:KFKT2026B93)、连云港市博士后专项基金资助(项目编号:LYGBSH2025005)以及江苏省教育厅"青蓝工程"资助。
周敬如|贾东宝|马丁
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号