[论文解读] Deep learning for magnitude prediction in earthquake early warning

Yanwei Wang, Zifa Wang+2 more|arXiv (Cornell University)|Dec 2, 2019

Seismology and Earthquake Studies被引用 4

一句话总结

本文提出 EEWNet，一种深度学习模型，通过原始垂直分量加速度时程图直接预测地震震级，无需特征工程。通过根据输入长度自适应调整架构，并在超过 10,000 条记录上进行训练，EEWNet 在震级预测精度方面优于传统基于参数的方法（如 τlog、τc 和 Pd）。

ABSTRACT

Fast and accurate magnitude prediction is the key to the success of earthquake early warning. We have proposed a new approach based on deep learning for P-wave magnitude prediction (EEWNet), which takes time series data as input instead of feature parameters. The architecture of EEWNet is adaptively adjusted according to the length of the input, thus eliminates the need of complicated tuning of hyperparameters for deep learning. Only the unfiltered accelerograms of vertical components are used. EEWNet is trained on a moderate number of data set (10,000s of records), but it achieves excellent results in magnitude prediction compared with approaches using parameters τlog, τc and Pd.

研究动机与目标

• 提升地震早期预警系统中震级预测的准确性和速度。
• 消除在震级估计中对人工设计特征（如 τlog、τc 和 Pd）的依赖。
• 开发一种能够动态适应不同输入长度、无需超参数调优的深度学习模型。
• 仅使用中等规模数据集中的未滤波垂直分量加速度时程图，训练出鲁棒的模型。
• 通过端到端学习原始地震时间序列，实现更快、更可靠的早期预警。

提出的方法

• EEWNet 以原始、未滤波的垂直分量加速度时程图为输入，跳过特征提取步骤。
• 该模型采用自适应架构设计，可根据输入长度动态调整，减少对手动超参数调优的需求。
• 采用包含卷积层和全连接层的深度神经网络，直接从地震信号中学习时间模式。
• 在约 10,000 条地震记录的数据集上进行端到端训练，以预测震级。
• 未进行任何预处理或特征工程（如不计算 τlog、τc 或 Pd）；仅使用原始加速度时程图。
• 模型优化了推理速度，适用于实时地震早期预警应用。

实验结果

研究问题

• RQ1 在原始地震时间序列上直接训练的深度学习模型，是否能优于传统震级预测方法？
• RQ2 自适应架构设计在多大程度上可减少地震震级预测中对超参数调优的需求？
• RQ3 当仅使用垂直分量加速度时程图时，EEWNet 的性能与 τlog、τc 和 Pd 等成熟方法相比如何？
• RQ4 在中等规模数据集（10,000 条记录以上）上训练的模型，能否实现实时震级估计的高精度？
• RQ5 从原始数据端到端学习是否能提升地震早期预警系统中预测速度与准确性？

主要发现

• 与传统方法（如 τlog、τc 和 Pd）相比，EEWNet 在震级预测精度方面表现更优。
• 该模型通过直接处理未经滤波或参数提取的原始加速度时程图，消除了对特征工程的依赖。
• 自适应架构设计使 EEWNet 能够处理长度可变的输入，且无需手动调整超参数。
• 尽管仅在 10,000 多条记录的中等规模数据集上进行训练，EEWNet 仍实现了优异的震级预测性能。
• 通过利用原始地震信号的深度学习，该方法实现了更快、更可靠的早期预警。
• 结果表明，端到端深度学习在实时地震震级估计中具有可行性与有效性。