發(fā)布時(shí)間：2022-01-22所屬分類：科技論文瀏覽：1次
摘 要： 摘要：機(jī)器學(xué)習(xí)(MachineLearning，ML)，特別是深度學(xué)習(xí)(DeepLearning，DL)，在 最 近 幾 年發(fā)展迅速，在數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語言處理、數(shù)據(jù)特征提取和預(yù)測等方面的應(yīng)用中取得了令人振奮的進(jìn)展。地震預(yù)測是復(fù)雜、涉及面廣、不成熟而且充滿爭議的科學(xué)問題;其發(fā)展
摘要：機(jī)器學(xué)習(xí)(MachineLearning，ML)，特別是深度學(xué)習(xí)(DeepLearning，DL)，在 最 近 幾 年發(fā)展迅速，在數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語言處理、數(shù)據(jù)特征提取和預(yù)測等方面的應(yīng)用中取得了令人振奮的進(jìn)展。地震預(yù)測是復(fù)雜、涉及面廣、不成熟而且充滿爭議的科學(xué)問題;其發(fā)展受到尚不清楚的地震機(jī)理和孕震結(jié)構(gòu)、不完備的觀測數(shù)據(jù)與真?zhèn)尾磺宓牡卣瓞F(xiàn)象等方面的限制。但是，機(jī)器學(xué)習(xí)有可能改善復(fù)雜地震數(shù)據(jù)的挖掘和發(fā)現(xiàn)，推動地震預(yù)測科學(xué)的發(fā)展。本文回顧了機(jī)器學(xué)習(xí)在地震預(yù)測的應(yīng)用，包括強(qiáng)震、強(qiáng)余震和巖石破裂失穩(wěn)等方面的預(yù)測，并展望了機(jī)器學(xué)習(xí)在地震預(yù)測方面的研究趨勢。
關(guān)鍵詞：地震預(yù)測;地震前兆;機(jī)器學(xué)習(xí);深度學(xué)習(xí)
引言
地震是世界上最具破壞力的自然災(zāi)害之 一，其 直 接 和 次 生 災(zāi) 害 會 導(dǎo) 致 巨 大 的 人 員 傷亡、心理傷害和經(jīng)濟(jì)損失。減輕地震災(zāi)害的主要途徑有兩種：一是進(jìn)行地震場地的安全性評估和建筑設(shè)防等抗震準(zhǔn)備，二是有效的地震預(yù)報(bào)或者震時(shí)非常短暫的地震預(yù)警。以1975年的海城 MS7.3地震為例，鑒于地震局系統(tǒng)對地震形勢的預(yù)測，政府下達(dá)了疏散命令，有效地降低了人員的傷亡[1];該地震因此成為有史以來為數(shù)不多成功預(yù)測的地震之一，也是歷史上毀滅性地震發(fā)生前唯一成功疏散大量人員的地震[2]。
然而，地震預(yù)測仍然是一門不成熟的學(xué)科，預(yù)測方法更多是基于經(jīng)驗(yàn)分析，而非物理機(jī)理。目前相對有效的方法有：識別顯著的地震前兆，或識別大地震發(fā)生之前的某種地球物理趨勢或地震活動模式[3]。地震預(yù)測通常被劃分為長、中、短臨不同的時(shí)間階段，短臨階段的地震預(yù)測往往和地震前兆密切相關(guān)，也是地震是否可以預(yù)測的主要焦點(diǎn)[4]。
持地震不可預(yù)測觀點(diǎn)的學(xué)者認(rèn)為，地震是非線性隨機(jī)過程。1996年在倫敦召開的“地震預(yù)測框架評估”(AssessmentofSchemesforEarthquakePrediction)國際會議認(rèn)為：地球處于自組織的臨界狀態(tài)，任何特定的小地震是否會演變成大地震取決于大量物理?xiàng)l件，而不僅僅是在斷層的附近;這種演變是高度敏感、非線性的，其初始條件不明，很難預(yù)測;難以精確地知道地震大范圍物理狀況的所有細(xì)節(jié);因此，地震本質(zhì)上是不可預(yù)測的[5，6]。震源孕育，無論是否達(dá)到失穩(wěn)階段，都難以看到確定性的前兆[4]。
持地震可以預(yù)測觀點(diǎn)的學(xué)者認(rèn)為，地震發(fā)生是有規(guī)律可循的，目前地震中長期趨勢判斷具有一定的可信度。同時(shí)，隨著對監(jiān)測技術(shù)的改善、新方法的出現(xiàn)和地震機(jī)理認(rèn)識的不斷提高，短臨預(yù)測最終可能實(shí)現(xiàn)[4]。20世紀(jì)60年代地震預(yù)測研究剛起步的時(shí)候，人們認(rèn)為能找到一些作為“前兆”的物理量，這些物理量的“異常”變化達(dá)到一定程度往往預(yù)示著即將發(fā)生地震[7]。通過分析大量的觀測資料，地震前出現(xiàn)的異常非常復(fù)雜，僅有少數(shù)幾個(gè)現(xiàn)象被認(rèn)為是可信的地震前兆[8，9]。
新技術(shù)的涌現(xiàn)可能改變?nèi)藗儗φ鹎盎顒拥恼J(rèn)識，甚至發(fā)現(xiàn)更普遍的地震前兆。例如，海城地震前幾個(gè)月至幾小時(shí)的前震活動，被認(rèn)為是可信的前兆[10]。基于傳統(tǒng)方法產(chǎn)出的地震目錄，只有約10%的主震存在前震。通過地震波形模板掃描方法，Trugman等[11]發(fā)現(xiàn)南加州72%的主震存在幾天到幾星期的前震序列，表明前震可能具有普遍性。因此，地震預(yù)測有可能在新技術(shù)的推動下獲得新的發(fā)展。
傳統(tǒng)的對于“前兆”的預(yù)測大多是經(jīng)驗(yàn)性的，往往憑專家的“直覺”。這些預(yù)測難以用清晰的、定量的物理圖像來描述，其意義是有限的[7]。假若要進(jìn)行程序化表達(dá)，則需要建立一些預(yù)測模型。機(jī)器學(xué)習(xí)(ML)是人工智能的核心研究領(lǐng)域之一，通過對大量數(shù)據(jù)的學(xué)習(xí)發(fā)現(xiàn)其隱含的規(guī)律和特征信息，進(jìn)一步理解事物本質(zhì)，并自動做出預(yù)測或決策。借助大量的地震數(shù)據(jù)，機(jī)器學(xué)習(xí)方法可以提高對地震機(jī)理的認(rèn)識，顯著改善地震預(yù)測的準(zhǔn)確性。
本文首先介紹人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的關(guān)系，闡述了機(jī)器學(xué)習(xí)的分類方法及主要的發(fā)展進(jìn)程。其次，回顧了利用機(jī)器學(xué)習(xí)進(jìn)行地震預(yù)測的最新研究進(jìn)展。最 后，展望了機(jī)器學(xué)習(xí)在地震預(yù)測領(lǐng)域的可能應(yīng)用。
1 機(jī)器學(xué)習(xí)背景介紹
人工智能(ArtificialIntelligence，AI)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門技術(shù)科學(xué)。人工智能研究的范圍非常廣，包括演繹、推理和解決問題、知識 表 示、學(xué) 習(xí)、運(yùn) 動 和 控 制、數(shù) 據(jù) 挖 掘 等 眾 多 領(lǐng) 域。機(jī) 器 學(xué) 習(xí)[12](Ma-chineLearning，ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析和算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。深度學(xué)習(xí)[13](DeepLearning，DL，也稱為深度結(jié)構(gòu)化學(xué)習(xí))是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，是為了提高機(jī)器學(xué)習(xí)能力，更好地實(shí)現(xiàn)人工智能。三者的關(guān)系如圖1所示。
機(jī)器學(xué)習(xí)根據(jù)學(xué)習(xí)系統(tǒng)的“反饋”性質(zhì)可以分為三大類：有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)(圖2)。有監(jiān)督學(xué)習(xí)是通過已有的輸入、結(jié)果數(shù)據(jù)集(標(biāo)簽數(shù)據(jù))，學(xué)習(xí)輸入至輸出的映射規(guī)則，主要用于分類和回歸。其中代表性的有 K 近鄰算法、決策樹、樸素貝葉斯、邏輯回歸和隨機(jī)森林等分類方法;線性回歸、多項(xiàng)式回歸和嶺回歸等回歸模型;還有可用于分類或回歸任務(wù)的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和梯度提升決策樹等模型。無監(jiān)督學(xué)習(xí)需要從無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)到相應(yīng)的表示或隱藏模式，主要 用 于 聚 類(如 層 次 聚 類、譜 聚 類、密度聚類和模型聚類等)和降維(如 主 成 分分析和自編碼器等)。強(qiáng)化學(xué)習(xí)是通過交互和反饋，在 價(jià) 值、策 略 或 模 型 的 迭 代 中 改進(jìn)學(xué)習(xí)的過 程。機(jī)器學(xué)習(xí)的主要發(fā)展歷程如圖3所示。
從圖3可以看到，人工神經(jīng)網(wǎng)絡(luò)(Arti-ficialNeuralNetworks，ANN)在機(jī)器學(xué)習(xí)發(fā)展歷程中具有重要的地位。ANN 是比較類似于大腦神經(jīng)結(jié) 構(gòu) 的 一 種 模 型，很 早 就用于機(jī)器學(xué)習(xí)。但早期的 ANN 是較為簡單的淺層神經(jīng) 網(wǎng) 絡(luò)，表示復(fù)雜函數(shù)的能力有限，導(dǎo)致其在繁復(fù)的場景下泛化能力不足。隨著計(jì)算和 存 儲 能 力 的 大 幅 度 增 長，以 及開 源 學(xué) 習(xí) 框 架 的 推 出 (如 Tensorflow、Torch等軟件)，可 以 很 容 易 構(gòu) 建 出 更 多、更深層次的神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，提高泛化能力，深度學(xué)習(xí)也因此在最近幾年獲得全新的突破[13，14]。
2 機(jī)器學(xué)習(xí)在地震預(yù)測中的應(yīng)用
2.1 機(jī)器學(xué)習(xí)地震預(yù)測的數(shù)據(jù)和方法
地震過程涉及地下物質(zhì)物理或化學(xué)變化，震前現(xiàn)象復(fù)雜多變，如地震活動性、地表形變、電磁場、地溫、重力、地下流體和地球化學(xué)等。在眾多觀測數(shù)據(jù)中，地震目錄可能是目前比較可靠和相對完備的數(shù)據(jù)集，也是機(jī)器學(xué)習(xí)中最為常用的輸入數(shù)據(jù)。
地震目錄包含震級、空間和時(shí)間三個(gè)方面的信息。一般通過簡單的預(yù)處理或使用先驗(yàn)地震規(guī)律對地震目錄進(jìn)行轉(zhuǎn)換后，作為機(jī)器學(xué)習(xí)的輸入來訓(xùn)練、建 模 和 預(yù) 測。如 Alarifi等[16]將地震的發(fā)生時(shí)間轉(zhuǎn)換為序號，地震的位置(經(jīng)緯度和深度)以及震級轉(zhuǎn)換為預(yù)先劃分好的網(wǎng)格，用于訓(xùn)練和預(yù)測。Panakka等[17]和 Adeli等[18]基于古登堡-里克特冪律(G-R關(guān)系)和特征地震模型兩個(gè)先驗(yàn)統(tǒng)計(jì)模型，將地震目錄轉(zhuǎn)換為8個(gè)地震活動性參數(shù)作為指標(biāo)(表1)。這些活動性參數(shù)甚至被演化為更多的地震參數(shù)，如 Asim 等[19]提出60個(gè)地震參數(shù);也有部分研究僅用其中的一個(gè)或幾個(gè)指標(biāo)[20]。
常規(guī)臺網(wǎng)產(chǎn)出的地震目錄通常只是離散地記錄了斷裂帶失穩(wěn)破裂的信息，缺失更多微弱的或非常規(guī)的(如斷裂顫動、蠕滑等)斷裂帶活動。目前，基于模板檢測或機(jī)器學(xué)習(xí)在連續(xù)記錄的地震波形中發(fā)現(xiàn)了部分缺失的地震、顫動或慢地震，取得了顯著的成 效[11]。所以，直接挖掘地震波形記錄，可以獲得更豐富的地震活動信息進(jìn)行預(yù)測研究。Rouet-Leduc等[21]通過實(shí)驗(yàn)室聲發(fā)射(AE)連續(xù)波形數(shù)據(jù)，提取每個(gè)時(shí)間窗大約100個(gè)潛在相關(guān)統(tǒng)計(jì)特征(如均值、方差、峰度和自相關(guān))，然后遞歸選擇最有用的特征輸入。Ren等[22]在濾波器預(yù)處理后，將地震信號上的滑動時(shí)間窗口導(dǎo)出的特征作為輸入。馬士振等[23]輸入三分量地震波形提取地脈動特征。
其他類型數(shù)據(jù)用于模型訓(xùn)練和預(yù)測目前相對較少。Corbi等[24]將94個(gè)描述模擬模型的表面變形特征作為輸入;Nicolis等[25]將研究區(qū)域內(nèi)過去30d的強(qiáng)度函數(shù)的最大值作為輸入;DeVries[26]將主震周圍三維網(wǎng)格化的同震靜態(tài)庫倫應(yīng)力變化作為訓(xùn)練和預(yù)測的輸入。
可操作的地震預(yù)測/預(yù)報(bào)需要同時(shí)給出震級、時(shí)間和地點(diǎn)三要素的概率性或確定性結(jié)果;但大部分關(guān)于機(jī)器學(xué)習(xí)對預(yù)測的研究都把復(fù)雜的問題進(jìn)行降維，只對震級、時(shí)間和地點(diǎn)三要素之一的單要素或其中雙要素進(jìn)行預(yù)測。在實(shí)際應(yīng)用中，這些要素還需要進(jìn)一步對時(shí)間或震級離散化，或進(jìn)行空間網(wǎng)格化，從而使預(yù)測簡化為分類或回歸問題。訓(xùn)練和預(yù)測輸出結(jié)果一般為一個(gè)概率向量。在二分類地震預(yù)測任務(wù)中，輸出的發(fā)震概率與指定閾值進(jìn)行比較，當(dāng)預(yù)測概率高于閾值時(shí)，認(rèn)為發(fā)生地震。
基于神經(jīng)網(wǎng)絡(luò)的方法，特別是深度學(xué)習(xí)，對復(fù)雜問題表現(xiàn)出更優(yōu)的解決能力，在地震預(yù)測研究中應(yīng)用最為廣泛。Mignan等[27]對1994—2019年77篇有關(guān)人工神經(jīng)網(wǎng)絡(luò)地震預(yù)測的研究文章總結(jié)發(fā)現(xiàn)兩個(gè)趨勢：一是近年來將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于地震預(yù)測的興趣逐漸增加，二是嘗試搭建更復(fù)雜的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)去預(yù)測地震。基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)模型涉及的輸入、輸出和架構(gòu)如表2所示。
2.2 模型評價(jià)體系
建立合理的評估框架對于預(yù)測問題非常重要，有利于預(yù)測模型的性能評估和不同模型的對比。考慮到研究的初始階段和預(yù)測問題的復(fù)雜性，大部分研究把地震預(yù)測問題簡化成二分類問題，并通過混淆矩陣(ConfusionMatrix)進(jìn)行評測，表3是四個(gè)基礎(chǔ)指標(biāo)。
通常混淆矩陣中 TP與 TN 的數(shù)量越大，F(xiàn)P與 FN 的數(shù)量越小表示預(yù)測效果越好。但是混淆矩陣的數(shù)據(jù)很難衡量模型的好壞，因此從混淆矩陣又延伸出5個(gè)指標(biāo)將矩陣轉(zhuǎn)化為0到1之間的比率(表4)，以便于進(jìn)行標(biāo)準(zhǔn)化的衡量。此外，由于受試者工作特征曲線(ReceiverOperatingCharacteristic，ROC)能給出比較穩(wěn)定的評價(jià)，在工程應(yīng)用中使用較多。ROC以假陽率為 X軸坐標(biāo)，以真陽率為 Y 軸坐標(biāo)，曲線 越 靠 近 左 上 角 則 說 明 模 型 算 法 性 能 越 好，其對角線對應(yīng)于“隨 機(jī) 猜 測”模 型 的 性 能。ROC曲線下的面積(AreaUnderCurve，AUC)被用于衡量模型的算法性能。AUC值范圍為0～1，值越大模型算法的性能越好，其中值為0.5表示模型等價(jià)“隨機(jī)猜測”，為1時(shí)說明模型達(dá)到理想狀態(tài)。
2.3 不同情景的地震預(yù)測
地震序列中，主震突發(fā)性顯著，震級大破壞性強(qiáng);攻克強(qiáng)主震預(yù)測，能夠顯著減少人員傷亡和降低經(jīng)濟(jì)損失。但是強(qiáng)震，特別是針對某條斷裂帶的強(qiáng)震，面臨著地震復(fù)發(fā)周期長，可用于機(jī)器學(xué)習(xí)的數(shù)據(jù)樣本少等問題。在此情況下，發(fā)展余震或?qū)嶒?yàn)室?guī)r石破裂的預(yù)測，對地震預(yù)測研究也很重要。
余震預(yù)測研究具有更好的數(shù)據(jù)基礎(chǔ)和經(jīng)驗(yàn)?zāi)Ｐ图s束。全世界范圍內(nèi)余震占地震總數(shù)為30%～40%[28]，可以為預(yù)測研究提供大量的訓(xùn)練樣本。主震發(fā)生后，后續(xù)強(qiáng)震主要發(fā)生在余震區(qū)及周邊，現(xiàn)有的經(jīng)驗(yàn)定律可以很好地解釋余震的最大強(qiáng)度及其隨時(shí)間衰減規(guī)律和空間分布[29]。這些基礎(chǔ)將更有利于機(jī)器學(xué)習(xí)對地震預(yù)測研究的開展和改進(jìn)。
小尺度的巖石破裂實(shí)驗(yàn)可以分離斷層快速破裂或慢速蠕滑的影響因素，是識別地震主要機(jī)理的重要研究手段。相對于自然界的斷層破裂，在可控環(huán)境下的巖石破裂行為更為簡單。對巖石破裂的預(yù)測，也許可對預(yù)測天然地震指出方向，也可為預(yù)測方法對比提供參照基礎(chǔ)。
2.3.1 強(qiáng)主震預(yù)測
Alves[30]認(rèn)為地震活動的混沌特性和經(jīng)濟(jì)預(yù)測相似，受 此 啟 發(fā) 提 出 用 人 工 神 經(jīng) 網(wǎng) 絡(luò)(ANN)進(jìn)行地震預(yù)報(bào)。通常，對地震影響的評估可以采用地震震級或者強(qiáng)度。前者與釋放能量成比例，但有一個(gè)缺點(diǎn)：可用的數(shù)據(jù)序列只從20世紀(jì)開始，而要預(yù)測破壞性地震，需要研究相當(dāng)長時(shí)間的跨度。因此，此文采用半定量的強(qiáng)度數(shù)據(jù)評估地震的影響(用 MMI表示[31])。將地震的時(shí)間、地點(diǎn)、MMI代入7個(gè)金融學(xué)上的數(shù)學(xué)計(jì)算表達(dá)式，計(jì)算預(yù)測趨勢并輸入人工神經(jīng)網(wǎng)絡(luò)中，輸出為預(yù)測的時(shí)間、地點(diǎn)以及 MMI范圍，實(shí)現(xiàn)了輸入和輸出的一致性，且將輸出定量化。通過在葡萄牙亞速爾群島地區(qū)進(jìn)行測試，該方法正確預(yù)測了1998年7月(MMI=8)和2004年1月(MMI=5)地震。雖然，此文對預(yù)測結(jié)果沒有進(jìn)行系統(tǒng)評估，而且預(yù)測的地震烈度略有出入，但兩個(gè)震例預(yù)測的時(shí)間窗口都是準(zhǔn)確的(±5個(gè)月內(nèi))，表明了神經(jīng)網(wǎng)絡(luò)在預(yù)測上的潛力。
Panakkat等[17]和 Adeli等[18]將地震預(yù)測問題描述為一個(gè)分類任務(wù)，目標(biāo)是在指定區(qū)域內(nèi)預(yù)測下個(gè)月最大震級。2007年P(guān)anakkat等[17]采用了前饋反向傳播神經(jīng)網(wǎng)絡(luò)(LMBP)、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)三種不同的方法對問題進(jìn)行建模，在南加州和舊金山灣地區(qū)進(jìn)行了訓(xùn)練和測試。總體而言，與 LMBP和 RBF相比，RNN 可產(chǎn)生最佳的預(yù)測精度。以此為基礎(chǔ)，2009年提出了概率神經(jīng)網(wǎng)絡(luò)(PNN)并使用南加州地震帶的數(shù)據(jù)進(jìn)行 了 測 試。結(jié) 果 表 明，對4.5～6.0 級 事 件 有 較 好 的 預(yù) 測 精 度，而 當(dāng) 震 級 大 于6.0時(shí)，性能則表現(xiàn)一般。這兩篇文章的研究相輔相成，Adeli等[18]建議使用 RNN 預(yù)測大地震，PNN 預(yù)測中小地震。
Moustra等[32]通過使用不同類型的輸入數(shù)據(jù)來評估 ANN 在希臘地區(qū)地震預(yù)測的準(zhǔn)確性。采用兩個(gè)不同的研究案例。第一個(gè)研究僅使用震級作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出為第二天的震級。預(yù)測的平均準(zhǔn)確率為80.55%，大地震的準(zhǔn)確率只為58.02%。第二個(gè)案例使用震電信號(SeismicElectricSignals，SES)作為神經(jīng)網(wǎng)絡(luò)的輸 入。此案例又分為兩個(gè)部分，區(qū)別是如何構(gòu)造缺失的SES。第一部分隨機(jī)構(gòu)造，預(yù)測的準(zhǔn)確率略高于60%;第二部分利用 ANN 構(gòu)造數(shù)據(jù)，震級預(yù)測的準(zhǔn)確率提升至83.56%。這說明了在恰當(dāng)?shù)臄?shù)據(jù)上訓(xùn)練模型的重要性。Alarifi等[16]基于多隱含層前饋神經(jīng)網(wǎng)絡(luò)提出智能震級預(yù)測模型系統(tǒng)，在北部紅海地區(qū)如亞喀巴灣、蘇伊士灣和西奈半島進(jìn)行測試。采用均方誤差(MAE)和平均絕對誤差(MSE)衡量不同方法的性能，結(jié)論為神經(jīng)網(wǎng)絡(luò)模型比其他方法至少要好32%。
Cortés等[33]研究了機(jī)器學(xué)習(xí)在克羅地亞不同孕震區(qū)的震級預(yù)測性能，計(jì)算了精確率、靈敏度和特異性等評價(jià)指標(biāo)，認(rèn)為該技術(shù)可以很好改善預(yù)測效能。同年，Cortés等[34]探究了人工神經(jīng)網(wǎng)絡(luò)(ANN)在東京及其周圍200km 區(qū)域中對于大地震震級預(yù)測的準(zhǔn)確性。預(yù)測范圍設(shè)定為7d，使用了16個(gè)地震活動性參數(shù)。通過應(yīng)用統(tǒng)計(jì)，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)比其他方法有明顯的優(yōu)越性。Cortés[20]等進(jìn)一步應(yīng)用四個(gè)回歸器(廣義線性模型、梯度提升機(jī)、深度學(xué)習(xí)和隨機(jī)森林)及其組合預(yù)測未來7d內(nèi)最大地震事件的震級。研究發(fā)現(xiàn)，使用更復(fù)雜的回歸器組合具有最好的準(zhǔn)確性。——論文作者：袁愛璟1，王偉君1，彭 菲1，閆 坤2，寇華東2
