《Earthquake Research Advances》:Multiscale Structure of Forecast-Relevant Information in Earthquake Catalogs
编辑推荐:
高分辨率地震目录描述了跨多个时间尺度的地震活动性,但仍不清楚哪些目录信息在不同预报时间窗和学习算法中始终有用。本研究使用了五种具有不同学习策略的树集成模型,所有模型均基于相同的282个目录衍生特征进行训练,对中国大陆85个区域在未来1个月、3个月、6个月和12
高分辨率地震目录描述了跨多个时间尺度的地震活动性,但仍不清楚哪些目录信息在不同预报时间窗和学习算法中始终有用。本研究使用了五种具有不同学习策略的树集成模型,所有模型均基于相同的282个目录衍生特征进行训练,对中国大陆85个区域在未来1个月、3个月、6个月和12个月时间窗内的M≥5地震发生进行预报。研究人员采用SHAP方法对三个发现模型进行分析,识别出在各预报时间窗内持续重要的信息,随后在两个未参与特征发现的树集成模型中检验其可迁移性。结果揭示了一个可重复的多尺度结构:月尺度特征占总归因的最大份额,尤其在短时间窗内,但其信息分散于众多特征之中;年度和最近100次事件表征则将更多信息集中于较少的特征中,并随着预报时间窗的延长而变得相对更重要。在年度表征内部,第五大震级在所有模型和预报时间窗中均显示出反复出现的高模型归因,这表明与预报相关的信息超出了年度最大震级,延伸至更广泛的上尾震级结构。没有任何单一目录历史表征能够匹配全特征模型的性能,而一个紧凑的多尺度子集则保留了几乎全部完整模型的判别能力。这表明不同目录历史表征之间存在互补信息,并在所测试的区域联合预报设定下揭示了预报相关目录信息的一种可重复且可压缩的多尺度结构,为区域机器学习地震预报中的简约特征设计提供了经验基础。
研究背景与科学问题
地震预报对于地震危险性评估和减灾至关重要,地震目录是统计和机器学习预报模型的主要观测依据。近年来,地震监测技术的进步显著提升了目录的完整性、定位精度和事件计数,但这些改进并未带来相应清晰或稳健的前兆信号,也未持续转化为预报性能的同等提升。这一现象促使研究焦点从单纯追求目录数量转向探讨预报模型如何表征和利用目录中包含的信息。
现有基于目录的方法大致遵循两种策略:事件序列模型(如ETAS模型和神经点过程)直接作用于有序的事件时间、位置和震级序列;而其他机器学习方法则先将目录转换为地震活动性描述符(如事件发生率、频度-震级参数、能量释放、震级极值和聚类度量)。然而,不同方法对何种目录信息最具预测力得出了不同结论。一种自然的应对策略是将目录历史表示为多个时间支撑上的信息并进行整合。SafeNet框架通过融合一个明确的282维目录表征与地震分布、断层和地质图实现了这一策略。尽管这些研究表明了多时间尺度目录表征的价值,但尚不清楚哪些组成部分承载了预测信息,不同历史尺度是冗余还是互补的,以及它们的贡献是否随预报时间窗变化。
研究方法概述
研究人员使用中国大陆1970年至2021年中国地震台网中心目录,将研究区域划分为85个固定4°×4°预报单元,构建了包含282个目录衍生特征的三重多尺度表征体系——月尺度表征(252个特征)、年度表征(15个特征)和最近100次事件表征(15个特征)。采用随机森林、ExtraTrees、LightGBM、XGBoost和CatBoost五种树集成模型,结合滚动内验证折叠和独立的2012年1月至2020年11月外测试集进行评估。通过SHAP方法进行跨模型特征发现,并设计了嵌套移除和仅保留重训练实验来检验信息结构的可重复性和可压缩性。
研究结果
3.1 判别能力和特征归因的跨模型一致性
五种树集成模型在相同282维表征下产生了高度可比的池化判别能力,各预报时间窗内ROC-AUC最大差异仅为0.016,PR-AUC差异为0.034,Brier分数差异不超过0.003。ExtraTrees在所有四个时间窗中获得了最高的ROC-AUC点估计,但模型间的小差异表明整体性能相当。SHAP排名显示,在单个预测因子层面,年度和最近100次事件表征主导了高频排名特征,其中年度第五大震级、最近100次事件平均震级和年度平均震级是最一致的预测因子。当月尺度同类描述符跨窗口聚合后,月尺度特征变得更为突出,尤其震级极值统计量,但最强信号仍集中在少量年度和最近100次事件描述符上。
3.2 多尺度目录历史在不同层面的贡献
在信息组层面,震级极值构成了跨预报时间窗的主导和最持久组分。月尺度震级极值在所有时间窗中贡献约21.3%-24.0%的总归一化绝对SHAP值,年度震级极值从1个月的16.0%小幅增加至12个月的18.1%,两者合计占39.4%-41.1%。在目录历史表征层面,归因随预报时间窗系统性重新分布:月尺度特征占比从1个月的53.1%下降至12个月的33.5%,同期年度归因从25.7%增至33.3%,最近100次事件归因从21.2%增至33.3%。经维度调整后,低维的年度和最近100次表征的平均每特征归因显著高于月尺度表征,表明月尺度信息虽总归因量大但分散,而年度和最近100次表征的信息更为集中。
3.3 多尺度特征组形成紧凑的可迁移核心
月尺度震级极值在所有预报时间窗中保持领先地位。在1个月时间窗内,该组的净归因强烈集中在最近的月度窗口;到12个月时间窗时,最新窗口的优势消失,归因更均匀地分布于前一年各月份。任何单一目录历史表征均无法重现全特征模型的判别能力,但一个跨越多个目录表征的小规模特征组合却能做到。研究人员通过冻结的内验证SHAP排名确定了特征组顺序:月尺度震级极值和年度震级极值在所有时间窗中位列第一和第二,第三位在1个月时为最近100次事件震级分布,在3、6和12个月时为最近100次事件时间聚类。这70-74个特征的紧凑核心在20个模型-时间窗任务中的19个达到了预设的非劣效性标准,且在未参与特征发现的随机森林和LightGBM中表现出相同的整体保留模式。
讨论与结论
讨论部分指出,年度表征中最值得关注的结果是第五大震级而非最大震级成为最反复归因的震级次序统计量。第五大震级与最大震级和年度事件计数均强相关,但与年度平均震级几乎无关,表明它作为一个复合描述符反映了多个较大地震占据年度上尾的目录状态。这种模式并非唯一依赖于第五阶统计量本身,而是由相邻年度次序统计量共享的相关上尾状态的反复代表。
研究人员总结认为,预报相关归因呈现多尺度和高度可压缩的结构。月尺度特征提供广泛的归因,尤其在短时间窗内;年度上尾震级结构构成更集中和持久的骨架;最近100次事件序列信息的作用随预报时间窗系统性变化。没有任何单一目录历史表征能重现完整模型的判别能力,而一个冻结的70-74特征核心(涵盖领先的月尺度、年度和最近100次事件组)能以显著更少的特征保留近乎完整的池化判别能力。该核心在保留模型中再现了整体保留和移除模式,且当使用仅ML≥3的事件重建完整特征集时,主要归因层级得以保持。
研究结论:这些发现识别出一个在测试模型和预报时间窗中可重复的紧凑多尺度目录基础。结论基于当前CENC目录、85个4°×4°区域网格、ML≥5目标定义、1970-2021目录周期和五种测试的树集成算法。未来目录特征构建可能受益于表征多事件上尾震级结构,而非仅依赖最大震级,同时保留近期地震活动和序列组织信息,为开发更简约和可解释的地震预报模型提供了基础。