基于进化神经架构搜索（ENAS）与多输出深度学习的苏门答腊地震活动率及高风险区预测——集成流行病型余震序列（ETAS）模型

《Annals of GIS》：Integrating Epidemic-Type Aftershock Sequence (ETAS) model and multi-output deep learning for forecasting seismicity rate and high-risk zones in Sumatra

　　

地震预测仍是减灾领域的关键挑战，尤其在苏门答腊等地震活跃区域。为预测目的，流行病型余震序列（ETAS）模型近期已与神经网络相结合。然而，存在两个主要问题：（1）神经网络模型中大量超参数难以调节；（2）分离式处理流程不切实际。在本研究中，研究人员引入进化神经架构搜索（ENAS）以获得最优超参数，并采用多输出深度学习架构，实现对印度尼西亚苏门答腊地区最大地震活动率和最高风险地理区域的同步预测。结果表明，与传统深度学习技术相比，预测性能有所提升，具体表现为更高的准确性和计算效率。这些发现强调了ENAS和多输出架构在增强地震预报方面的潜力，为地震多发地区的灾害备灾和风险降低提供了实用见解。

论文解读：基于ETAS模型与ENAS及多输出深度学习的苏门答腊地震活动率与高风险区联合预测

一、研究背景与问题提出

地震是最具破坏性的自然灾害之一，常导致重大人员伤亡、基础设施广泛损毁和严重经济冲击。准确的震情预报对于及时实施减灾策略至关重要，尤其在地震活跃区域如印度尼西亚苏门答腊地区。该地区历史上曾发生包括2004年9.1级亚齐地震在内的多次毁灭性事件，凸显了建立稳健预测模型的迫切需求。

传统的地震建模与短期预测方法主要依赖时空点过程，如Cox点过程和流行病型余震序列（ETAS）模型。尽管ETAS模型在揭示地震事件的时空聚类特征方面提供了宝贵洞见，但其预测性能仍受制约。关键局限在于模型依赖固定参数，难以捕捉地震活动背后复杂的非线性动态。近年来，深度学习的发展为克服纯点过程模型的局限性提供了可能。先前的研究已尝试将ETAS模型与卷积神经网络（CNN）和长短期记忆网络（LSTM）结合，有效提升了地震强度和位置的预测精度。然而，现有方法存在两大瓶颈：一是模型高度依赖手动设计的架构和大量待调优的超参数，难以适配地震数据的特定特征；二是通常采用分离的CNN和LSTM架构分别预测最大地震强度和最高强度区域，导致计算效率低下。因此，本研究旨在通过引入自动化架构优化与联合预测框架来解决上述问题。

二、研究内容与核心结论

研究人员提出了一项包含两项主要贡献的改进方案，用于提升最大地震强度和高风险区的预测能力。首先，引入进化神经架构搜索（ENAS）实现CNN和LSTM架构的自动优化，减少人工设计和参数选择的需求。其次，构建多输出深度学习模型，允许同时预测地震的最大条件强度（即最大地震活动率）和最高风险的地理区域，从而提供更集成的预测策略并提高计算效率。研究利用美国地质调查局（USGS）提供的2004年1月1日至2025年12月31日期间苏门答腊地区的地震目录数据，选取震级≥4.0 M_W、深度≤60 km的事件，并将区域划分为1°×1°网格作为输入。研究对比了单输出基线模型、ENAS优化的单输出模型以及ENAS优化的多输出模型在多个时间步长配置下的表现。结果表明，ENAS算法持续提升了LSTM和CNN架构的性能。ENAS优化的LSTM在10天输入窗口下取得最佳均方误差（MSE）；ENAS优化的CNN在相同配置下达到最高分类准确率。多输出模型虽能在统一框架内同时完成两项任务，但在单项任务上的性能未超越最优单输出模型。总体而言，ENAS显著强化了地震预测任务的模型设计，而多输出框架则为联合预测提供了操作性更强的替代方案。

三、关键技术方法概述

研究人员采用了以下关键技术方法：流行病型余震序列（ETAS）模型，用于从地震目录数据生成每日预测强度矩阵，作为后续深度学习的输入特征；进化神经架构搜索（ENAS），采用遗传算法（GA）对CNN和LSTM的网络层数、滤波器尺寸、丢弃率、优化器及激活函数等超参数进行自动寻优，搜索种群规模为10，进化10代；多输出深度学习架构，在共享特征提取层后分支出两个并行分支，一个通过全连接层进行高风险区域分类，另一个通过LSTM进行次日最大强度回归预测，训练采用复合损失函数平衡两项任务。所有计算均在配备A100 GPU的Google Colaboratory平台上完成。

四、研究结果

LSTM性能分析： LSTM-ENAS模型在所有测试的时间窗口下均实现了比基线模型更低的MSE值，例如在20天输入窗口下，MSE从基线的0.3523降至0.3459。同时，优化后的模型平均运行时间略有缩短，表明ENAS在改善预测误差的同时也提升了计算效率。

CNN性能分析： CNN-ENAS在所有时间窗口下均提升了分类准确率，例如在30天窗口下，准确率从基线的63.21%提升至69.37%。虽然计算时间有所增加，但准确率的显著提升证明了ENAS发现了更高效的CNN架构。

多输出模型分析： 多输出ENAS模型在10天输入窗口下取得了最佳的综合性能，MSE为0.4475，准确率为63.15%。尽管其回归误差高于最优单输出LSTM，分类准确率低于最优单输出CNN，但它提供了兼顾两项任务的均衡性能。多输出模型在30天窗口下需211.6秒，约为单输出模型的5-10倍，但考虑到单输出路线需要两次独立的搜索和训练，且多输出模型收敛所需的轮次大幅减少，这一开销是合理的。在5天短窗口下，多输出模型的分类准确率波动较大，这是由于共享编码器接收的时序帧过少，且复合损失函数被回归项主导所致。因此，研究人员推荐至少使用10天的输入窗口。

预测效果可视化分析： 深度学习的预测曲线能够较好地追踪真实地震强度的尖峰模式。所有模型在面对突发极端峰值事件时均表现出最大的预测偏差，例如2021年5月15日和2025年11月28日的事件。单输出LSTM-ENAS在极端峰值上略微缩小了预测差距，而多输出模型则表现出更大的最大误差间隙，印证了其在单项任务上的精确度略逊于专用模型。

空间预测分析： CNN-ENAS的空间预测边界比基线模型更一致地贴合实际地震高发区域。模型在高频活跃区域（如对应于安达曼-苏门答腊-爪哇俯冲带的区域）表现出色，准确率可达70%-90%。而对于远离主俯冲带、位于稳定巽他板块的区域（如Zone 2、3、6），因无地震记录，模型无法做出有效预测。综合来看，CNN-ENAS提供了最均衡的整体空间增强效果，显著提升了中等活跃区域的预测能力。

五、讨论与结论

研究人员在讨论中指出，ENAS算法通过自动化架构搜索和参数优化，显著减少了对手动调参的依赖，提高了方法的可及性。对于多输出模型在5天窗口下的高离散度，研究人员将其归因于时序证据不足、损失函数失衡以及类别不平衡三个因素。在空间预测方面，模型在高频活跃区的优异表现与其沿俯冲带和断层的地理位置直接相关。研究结论明确指出：ENAS一致性地提升了LSTM和CNN相对于基线模型的性能和计算效率；ENAS优化的单输出模型在各自任务上表现最佳；多输出ENAS模型虽提供了一个更实用的联合预测方案，但其单项任务性能未超越最优单输出模型。未来研究方向包括降低计算成本、改善多任务性能平衡以及纳入深度和地球物理协变量等额外地震特征。