基于 TSOM 和 VDPC 的地震时空活动性分析：创新方法助力地震研究

为解决地震活动性去聚类难题，研究人员开展 TSOM-VDPC 模型研究，结果优于传统算法，有助于地震评估。

　　

地震研究新突破：TSOM-VDPC 模型助力地震分析

在地球的 “脉搏”—— 地震活动中，隐藏着许多奥秘。地震不仅会突然打破人们生活的平静，还可能带来巨大的灾难。为了更好地理解地震的规律，预测地震的发生，科学家们一直在努力探索。

目前，地震活动性去聚类是地震目录分析的关键步骤，它对于理解地震模式和评估地震灾害至关重要。然而，由于地质结构复杂、地震事件间时空相关性高以及大量噪声干扰，准确区分不同类型的地震事件（如主震、余震和背景地震）极具挑战性。现有的去聚类算法存在诸多问题，比如一些算法依赖主观参数，不同算法在处理复杂地震数据时各有局限，至今没有一种被普遍接受的技术能准确处理各种地震序列。在这样的背景下，开展新的地震活动性去聚类研究显得尤为迫切。

为了攻克这些难题，来自 Manipal Institute of Technology Bengaluru 的 Ashish Sharma 和 Malaviya National Institute of Technology Jaipur 的 Satyasai Jagannth Nanda 开展了相关研究。他们提出了一种创新的两阶段方法，结合拓扑自组织映射（TSOM）和变分密度峰值聚类（VDPC）算法，用于空间区域识别和地震活动性去聚类。该研究成果发表在《Environmental and Ecological Statistics》上，为地震研究领域带来了新的突破。

在研究方法上，主要运用了以下关键技术：

• TSOM 模型：传统自组织映射（SOM）在初始化神经元时存在随机初始化导致收敛慢的问题。研究人员引入了分裂合并算法对 SOM 进行改进，形成 TSOM。该算法通过识别输入数据集中的高密度区域来初始化神经元，调整 SOM 的拓扑结构，从而提高聚类效率，减少向量量化误差，更好地保留拓扑结构。
• VDPC 算法：针对传统密度聚类算法（如 DBSCAN）在处理不同密度聚类时的不足，VDPC 算法应运而生。它通过选择代表点、划分密度级别和最终形成聚类这三个主要步骤，能够自主确定不同的密度级别，有效识别不同密度的聚类，在地震事件的时间聚类分析中发挥重要作用。

研究结果如下：

• 空间区域识别：将地震目录中的坐标信息（纬度和经度）输入 TSOM 模型，能够识别出潜在的地震区域（SOM 原型）。通过初始化、识别潜在地震源、更新权重和判断收敛等步骤，TSOM 生成的结构化特征图可以展示地震活动的高发区域，这些区域的节点权重（SOM 原型）能反映地震断层结构和高频地震发生区域。
• 时间聚类分析：运用 VDPC 算法对 TSOM 划分的每个地震区域内的事件进行时间聚类。通过计算局部密度、确定密度级别和形成聚类等步骤，能够有效识别出余震序列和背景地震活动。例如，在不同密度级别的情况下，采用不同的方法（如基本 DPC 方法、共享最近邻聚类算法和自主 DBSCAN 算法）对事件进行分类，准确区分余震和背景事件。
• 模型评估：研究人员使用多种图形和统计参数对 TSOM - VDPC 模型进行验证。结果表明，该模型在识别地震聚类和背景事件方面表现出色。例如，在 COV 指标上，TSOM - VDPC 模型对于余震的 COV_AF值较高，表明能有效识别具有强时间相关性的余震；对于背景事件的 COV_BG值接近 1，说明能准确识别背景事件的随机发生特性。在 m - Morisita 指数方面，该模型计算得到的余震指数（I_{m, δ}^AF）显著大于背景事件指数（I_{m, δ}^BG），且 I_{m, δ}^AF始终大于 1，有效区分了余震和背景事件。

在结论和讨论部分，该研究提出的 TSOM - VDPC 模型在地震活动性去聚类方面展现出显著优势。与其他去聚类模型相比，它能够更准确地分离余震和背景地震活动，为地震分析和灾害评估提供了更精确、可靠的工具。通过 COV、m - Morisita 指数和最近邻距离（NND）等指标验证，该模型在处理复杂地震模式时表现卓越。例如，在对加利福尼亚、印度尼西亚、伊朗和日本地区的地震目录分析中，该模型均能准确识别地震聚类和背景事件。这一成果有助于科学家更深入地理解地震行为，为地震风险缓解和灾害预防提供更科学的依据，对地震学和地震研究领域具有重要的推动作用。