加州十年前瞻性地震预测基准数据库：CSEP合作研究平台的创新贡献与科学价值

本研究由Francesco Serafini等国际团队在《Scientific Data》发表，首次公开了CSEP（Collaboratory for the Study of Earthquake Predictability）2008-2018年间25种地震预测模型生成的5万余份加州次日地震网格化预测数据。通过标准化实验设计（如统一使用0.1°×0.1°空间网格和M≥3.95震级范围），结合pyCSEP开源工具包，该研究建立了首个完全前瞻性的地震预测基准数据库，为评估ETAS（Epidemic-Type Aftershock Sequence）等模型的预测效能提供了关键数据支撑，对推动可操作地震预测（OEF）发展具有重要意义。

　　

地震预测一直是地球科学领域的重大挑战。尽管科学家们开发了多种短期预测模型，但缺乏统一标准来验证这些模型的可靠性。传统评估方法往往存在"回溯偏差"问题——即使用已知地震数据优化模型参数，导致预测性能被高估。更棘手的是，不同研究团队采用的数据格式、评估区域和时间范围各异，使得模型间比较如同"鸡同鸭讲"。这种混乱局面严重阻碍了地震预测科学的进步。

为破解这一困局，国际地震预测合作组织CSEP（Collaboratory for the Study of Earthquake Predictability）开展了一项开创性工作。研究团队系统收集了2007-2018年间25种预测模型生成的50,000多份加州次日地震预测数据，涵盖ETAS、STEP（Short-term Earthquake Predictability）等主流模型变体。这些预测全部采用标准化格式：空间上采用0.1°×0.1°网格覆盖加州全境，震级范围限定为M≥3.95，深度0-30km，时间分辨率精确到天。所有模型在"零自由度"条件下运行——即仅允许使用预测生成前的历史地震目录（如ANSS ComCat）作为输入，确保评估的纯粹前瞻性。

这项发表于《Scientific Data》的研究首次公开了这一宝贵数据库，并配套发布pyCSEP开源工具包。通过HDF5数据格式存储的预测文件，研究者可方便地进行时空模式分析、一致性检验（如N-test、S-test）和模型比较（如Kagan信息评分）。特别值得注意的是，数据库包含2010年M7.2 El Mayor-Cucapah地震等重大事件的预测记录，为研究模型在极端事件中的表现提供了独特窗口。

关键技术方法包括：1）基于HDF5格式的标准化数据存储体系，实现年/月/日三级目录结构；2）通过pyCSEP工具包实施Schorlemmer和Zechar开发的Poisson似然检验；3）采用Rhoades信息增益和Kagan评分进行模型间比较；4）使用自适应平滑核技术处理非参数模型（如K3Md2）。所有数据来自美国地震监测网络（ANSS）的ComCat目录。

研究结果主要体现在三个方面：

模型性能对比

通过累积预测分析发现，ETAS模型在2010年El Mayor-Cucapah地震序列期间表现出更稳定的预测能力。Kagan评分显示，ETAS在震后30天的累积信息增益比STEP模型高37%，主要归因于其对余震时空分布的更准确刻画。

检验方法验证

N-test（数量检验）揭示ETAS模型在85%的预测日内观测值落在95%置信区间内，符合Poisson分布预期；而STEP模型在强震后出现系统性低估。S-test（空间检验）则表明各模型在断层带区域的预测精度显著高于稳定地块。

数据异常诊断

技术验证发现ETASV1.1等模型存在少量重复预测日（约0.1%），通过对比相邻日预测值的连续性进行人工校正。绝大多数缺失数据（平均每模型缺失15天）源于服务器故障等非科学因素。

这项研究的意义远超数据共享本身。首先，它确立了地震预测领域的首个"黄金标准"——研究者可将新模型与该数据库的25个基准模型直接对比，就像运动员有了统一的计时器。其次，标准化评估流程（如通过floatCSEP生成可重复性软件包）极大提升了研究透明度。最重要的是，数据库揭示了现有模型的共性缺陷：例如在2014年南纳帕M6.0地震前，所有模型均未显示出预测异常，这为下一代模型研发指明了方向。

正如作者强调，该数据库将持续更新并扩展至其他地震活跃区。随着机器学习等新技术的引入，这些历时十年积累的"地震预测实验记录"将成为检验创新方法的试金石，最终推动可操作地震预测从科研走向实践。