基于机器学习和迁移学习的地震预警震级估计

震级估计是地震预警的重要环节之一。快速且可靠的震级估计可以为地震预警系统提供有效的地震预警信息。传统的地震预警震级估计方法主要利用从P波信号中提取单一的特征建立震级估计经验预测方程,且震级估计误差较大。为了提高地震预警震级估计的可靠性以及探索机器学习方法在中国川滇地区地震预警震级估计的可行性,基于日本K-NET台网记录的强震动数据建立用于震级估计的机器学习预训练模型(CRnet-M),CRnet-M模型结合了卷积神经网络和循环神经网络;结合迁移学习和中国川滇地区的强震动数据,对预训练的CRnet-M模型进行微调和训练,进而建立了用于中国川滇地区的震级估计模型(TLCRnet-M)。研究结果表明:对于日本的测试数据集,在P波触发后3 s,和传统的地震预警震级估计方法相比,预训练的CRnet-M模型有更小的震级估计误差,且绝对误差在0~0.5震级单位范围内的百分比达到了86.89%;对于川滇地区的测试数据集,在P波触发后3 s,和传统的地震预警震级估计方法以及未使用迁移学习的CRnet-M模型相比,使用迁移学习的TLCRnet-M模型提高了震级估计的可靠性,且绝对误差在0~0.5震级单位范围内的百分比为76.25%。方法在一定程度上提高了地震预警震级估计的可靠性,且对于地震预警系统有一定意义。