基于周边强震动记录与深度学习的累积绝对速度预测方法

针对现有地震后累积绝对速度(CAV)预测方法难以同时利用历史强震数据和实时监测数据的局限，研究人员提出基于周边强震动记录和深度学习的新型预测方法。通过构建包含10,463个站点组的数据库，开发了图神经网络模型GraphStation，实现了R2 达0.91的高精度预测，为缺乏监测数据的区域提供了可靠的地震破坏性评估工具。

　　

在地震工程领域，准确评估地震破坏性始终是防灾减灾的核心课题。累积绝对速度(CAV)作为综合反映地震动振幅和持续时间的关键强度指标(IM)，被广泛应用于建筑安全评估、核电站抗震设计等领域。然而，传统CAV预测方法面临两难困境：地面运动预测方程(GMPE)虽能利用历史数据建立统计模型，却无法整合实时监测数据；插值方法虽可基于周边站点数据推算目标位置CAV，但难以挖掘历史数据规律。这种"数据割裂"现象严重制约了地震应急响应效率。

针对这一挑战，中国研究人员创新性地将深度学习引入地震工程领域。通过分析日本K-NET和KiK-net强震观测网络1996-2024年的10万余条记录，团队构建了包含10,463个站点组的特殊数据库——每个站点组由1个虚拟目标站点和4个真实观测站点组成。基于此，开发了专为站点组数据设计的图特征表示方法，并据此训练出图神经网络模型GraphStation。该模型通过同时学习历史强震规律和实时站点数据，实现了对无监测区域CAV的精准预测。

关键技术包括：(1)采用事件划分法构建抗数据泄露的训练集；(2)设计包含距离、方位角、CAV差异等特征的图结构输入；(3)开发集成图注意力机制和全连接层的混合神经网络架构；(4)利用日本强震数据库验证模型泛化能力。

【Station group database construction】
研究团队从日本国立研究开发法人防灾科学技术研究所(NIED)获取强震数据，筛选M3.6以上地震事件构建包含100,187条记录的数据库。创新性地提出"四站包围"策略：以虚拟目标站点为中心，选择距离最近且呈空间对称分布的4个真实站点构成站点组，确保数据空间代表性。

【Graph neural network: GraphStation】
模型突破传统神经网络局限，设计三层架构：图注意力层捕捉站点间空间关联，全连接层处理地震参数(如震级、V_S30
)，融合层整合两类特征。特别引入"CAV差异比"作为边特征，量化站点间CAV变化梯度，增强模型对地震动传播规律的捕捉能力。

【Model evaluation】
在独立测试集上，GraphStation的R²
达0.91，显著优于IDW插值法(0.72)和最优GMPE模型(0.69)。案例分析显示，对2024年福岛近海M5.8地震的预测误差仅8.3%，且成功再现了CAV随震中距衰减的非线性特征。

【Conclusions】
该研究通过深度融合深度学习与地震工程学，解决了历史数据与实时观测的整合难题。GraphStation模型不仅将CAV预测精度提升30%，更开创了"站点组"数据范式，为地震预警系统提供了新思路。研究获得国家重点研发计划(2023YFC3805800)等资助，相关数据已通过NIED官网公开。这项发表于《Engineering Applications of Artificial Intelligence》的成果，标志着人工智能在地震工程应用领域取得重要突破，为发展智能防灾技术奠定了方法论基础。