資訊內容
/
研究亮點
基于可解釋集成學習的實時地震烈度預測框架
發布時間： 2023-07-03 點擊數量：7329研究背景：
破壞性地震可能造成嚴重的工程破壞和人員傷亡。地震烈度代表了對地面和工程結構的破壞程度。可靠、快速地獲取地震烈度可以為應急響應和災害恢復提供科學依據。在地震預警領域，地震烈度已被使用多年。現地地震預警系統根據P波到來后獲得的信息預測地動峰值，在破壞性橫波（S波）到來之前提供預警；這使得人們、重要設施和其他物體能夠采取有效措施，防止或減少潛在的損害。針對不同需求的用戶，地震預警系統根據預測的地震烈度等級不斷發布不同的預警信息，以減少地震和次生災害造成的損失和人員傷亡。因此，有必要對地震烈度進行準確可靠的實時預測。
研究方法及結果：
提出了一個準確、可靠、高效的地震烈度實時預測框架，以解決傳統方法（如Pd）擬合能力不足、機器學習模型中存在不相關和冗余參數、以及機器學習模型因其黑箱狀態而可信度低等問題。預測模型的建立是基于K-NET數據庫和集合學習。然后，研究了特征參數之間的關聯性，并對復雜的模型進行了優化。此外，本研究通過使用PDP、ICE和SHAP解釋方法解釋機器學習模型。得到了以下結論。
1）提出的實時地震烈度預測框架可以連續可靠地預測地震烈度。該框架通過構建數據庫、建立和優化模型、驗證和解釋模型、使用最佳模型進行預測等四個步驟，確保了連續地震烈度預測的準確性和可靠性。
2）提出的基于集合學習的模型比Pd模型更準確，而且同樣有效。在時間窗口為1秒的情況下，測試集的準確率可以達到95.947%，在時間窗口為2秒后，其準確率穩定在98%以上。相比之下，在3秒的時間窗口下，xgBoost模型在所有評價指標上都優于Pd模型。此外，每個樣本的預測可以在10-2秒內完成，滿足地震預警的實時性要求。
3）消除了冗余和不相關參數的模型實現了復雜性的降低和模型效率的提高。采用皮爾遜相關系數定義特征參數之間的相關性，并將24個特征參數根據其相關程度優化為14個特征參數。這就減少了計算量，優化了模型，同時保證了模型的準確性。
4）對具有最優效果的xgBoost模型進行了解釋，提高了黑箱模型的可信度，并確定了對模型有重大影響的參數，為特征參數的選擇提供了參考。用PDP、ICE和SHAP方法對模型進行解釋，確定參數的重要程度，同時確定參數變化對預測結果的影響。PvUD對模型影響最大, PvUD和IV23主要是與IaUD正向影響；PvUD和IV23之間的正向影響不顯著。
該成果發表在國際期刊《Seismological Research Letters》（Jinjun Hu*, Yitian Ding, Hui Zhang, et al. A Real‐Time Seismic Intensity Prediction Framework Based on Interpretable Ensemble Learning, Seismological Research Letters, doi: 10.1785/0220220167）（IF：3.754，*通訊作者）。
圖1 3秒時間窗下的預測值和觀測到的地震烈度的比較，時間表示時間窗的大小。灰色區域是正確的預測值，藍色區域是高估的預測值，黃色區域是低估的預測值。綠點表示（a）Pd模型，紅三角表示（b）xgBoost模型。
圖2 震中距和預警時間之間的關系。數據點的顏色代表地震烈度
圖3 (a)基于SHAP值的參數的全局重要性排名。(b) 不同參數的SHAP匯總圖，數據點的顏色從藍色（低）到紅色（高）過渡代表參數的低值到高值。
圖4 每個模型對不同烈度范圍的實時預測性能。綠色的藍線和紅線表示CART RF和xgBoost模型的實時預測，黃色的虛線表示觀察到的實時烈度，水平紅線表示觀察到的最大烈度。時間T表示實時烈度達到最大值的時刻。
