摘要
固体地球潮汐观测序列反映了地壳变形、地球内部结构以及潮汐动力学的演化过程，对地震前兆监测具有重要的理论和工程价值。传统的独立机器学习模型难以处理固体潮汐数据的非线性、非平稳特性，导致准确率低、泛化能力弱且误差波动不稳定。本文构建了一种基于GBDT（梯度提升树）和LGBM（LightGBM）的混合集成分类模型。GBDT和LGBM作为双重基础学习器，从潮汐时间序列中提取潜在特征，而上层元学习器将它们的输出融合在一起，以利用各自的互补优势。该模型能够区分五种类型的固体潮汐数据：观测系统故障、自然环境干扰、人为干扰、地球物理事件以及正常潮汐波动。模型能够准确区分人为活动和系统故障样本；自然干扰的AUC值达到0.997，而地球物理事件和正常潮汐的AUC值分别为0.944和0.950。少量误分类是由具有轻微基线漂移和局部扰动的相似波形引起的。基准测试表明，该集成模型的平均宏观AUC、准确率和宏观F1值均超过0.97。40次重复实验的箱线图显示指标范围较窄，且无异常值，表明模型过度拟合的风险较低。该模型有效捕捉了潮汐数据中的时间变化，为固体潮汐数据分类和区域地壳动态监测提供了可靠的支持。
