综述：利用人工智能识别氡异常作为地震前兆：方法与性能的系统性评估 Félix Díaz, Nhell Cerna, Rafael Liza, Bryan Motta

《Geosciences》：Artificial Intelligence for Radon Anomalies as Earthquake Precursors: A Systematic Review of Methods and Performance Félix Díaz, Nhell Cerna, Rafael Liza and Bryan Motta

　　摘要长期以来，氡一直被研究作为潜在的地震前兆，但其解释仍然受到气象、水文和仪器变异性的挑战，这些因素可能会产生与构造过程无关的表观偏差。本综述综合了人工智能在基于氡的地震前兆研究中的应用，特别强调了异常检测和氡与地震活动关联性的评估。遵循PRISMA指导的工作流程，我们在Scopus和Web of Science核心集合中进行了搜索和筛选，找到了26篇期刊文章，其中大部分集中在少数几个构造活跃的地区。在回顾的文献中，出现了一个一致的模式：人工智能主要用于建模预期的氡背景，而候选前兆主要是通过基于残差或浓度比率的阈值指数来识别的，而不是通过明确的地震概率输出。尽管反复报告了地震前的偏差，但本综述表明，证据基础仍然受到异常操作性定义的局限、研究方法论的巨大差异、对背景拟合度的过度关注而非警报级别性能的重视，以及时间顺序验证的有限使用。这些发现突显了人工智能支持的氡分析的潜力和当前的局限性。该领域的主要贡献不在于直接预测地震，而在于提供一个更结构化的框架，以便区分潜在的构造信号和非地震变异。在这个意义上，本综述为未来的研究提供了重要的方法论综合，并表明，更可重复和操作上更有用的氡监测将取决于更清晰的异常定义、更强的混杂因素控制、更严格的时间验证以及更标准化的性能报告。

1. 引言
在地球科学中，可靠的地震预测仍然是一个重大挑战，特别是在仪器覆盖稀疏且地震危险受到复杂断层系统和不均匀近地表条件影响的地区[1,2,3,4]。在这种背景下，关于地震前兆的研究一直在寻找在地震破裂之前可能出现的岩石圈-水圈-大气系统中的可测量偏差。在提出的各种代理指标中，氡受到了持续关注，因为它是一种自然产生的放射性惰性气体，能够通过断裂的岩石和多孔介质迁移，并可能对渗透性、应力状态和流体循环的变化做出反应。因此，氡时间序列与预期背景的偏差（通常称为氡异常）已在各种构造和环境环境中被反复研究作为可能的地震相关信号[5,6,7,8,9]。
然而，一个核心困难是氡的变异性也受到非构造因素的强烈控制。气象条件、水文变异性和特定地点的传输过程可以产生与假设的前兆行为相似的波动[6,7,10,11,12,13,14,15,16]。这种混杂结构有两个主要影响。首先，氡异常不是一个自明的对象，而是一个依赖于背景定义、评估的变量、设定的阈值以及是否施加持续条件的操作性构建。其次，除非以足够的精度报告测量设置、预处理决策、外源性控制和异常标准，否则难以比较不同研究中的地震相关异常声称[17,18,19]。
人工智能（AI）和机器学习（ML）越来越多地被引入到这个问题中，主要是为了在变化的外源性条件下建模预期的氡背景，并从观测-背景偏差中识别候选异常[20,21,22,23]。这些应用涵盖了不同的模型家族，包括神经网络、基于树的方法和混合分解-学习流程，并与多样的异常提取规则相结合[24,25]。然而，证据在方法论上仍然存在碎片化。研究在监测介质、时间分辨率、协变量结构、预处理策略、异常定义以及用于将检测到的异常与地震关联的时间和空间规则方面存在差异。此外，评估通常集中在重建准确性上，而不是以警报为导向的性能和考虑时间序列的验证设计，这限制了不同地点和研究设计之间的直接比较[19,26,27,28,29]。
在这种背景下，本系统综述提供了基于PRISMA的同行评审研究的综合，这些研究将基于AI的方法应用于在明确地震背景下检测、建模或评估氡异常。综述不是探讨氡是否普遍能够预测地震，而是关注文献如何在AI支持的分析框架下构建和验证氡异常的概念。具体来说，综述探讨了五个问题：（1）基于AI的前兆研究使用了哪些类型的氡数据和监测配置；（2）氡异常是如何操作性定义的；（3）AI方法在分析流程中扮演什么角色，包括对外源性驱动因素的预处理和处理；（4）如何通过时间和空间耦合规则将异常与地震联系起来；以及（5）模型是如何验证的，性能是如何报告的。通过围绕这五个问题组织证据，综述旨在阐明在哪些方法论条件下，基于AI的氡研究支持、削弱或复杂化了前兆声明，并确定最强烈影响可比性、可重复性和潜在操作相关性的报告和设计特征。

本文的其余部分组织如下。第2节描述了基于PRISMA的综述设计，包括信息来源、资格标准、筛选和综合程序。第3节根据综述的五个指导问题展示了证据：研究和监测特征、氡异常的操作性定义、AI角色和外源性控制策略、异常-地震耦合框架，以及验证和性能报告。第4节探讨了这些模式的方法论含义，并概述了未来基于氡的地震前兆研究中提高可比性、可重复性和推理质量的优先事项。

2. 方法论
本综述遵循PRISMA 2020框架，以透明地报告证据综合[30]。图1记录了研究选择的工作流程。我们的目标是识别、选择和综合应用人工智能方法来检测、建模或评估氡异常作为潜在地震前兆的同行评审期刊文章，并总结方法论选择和报告的性能。图1. PRISMA 2020研究选择流程图。

2.1. 信息来源和搜索策略
我们在2026年3月10日在两个文献数据库Scopus和Web of Science核心集合中进行了全面搜索。我们将搜索限制在Scopus的“文章标题、摘要、关键词”字段和Web of Science的“主题”字段。
布尔查询由四个概念组组成，并使用AND运算符连接。在每个组内，我们使用OR结合了同义词。引号短语表示精确匹配，星号表示截断：
- 组1（氡信号）：（“氡异常” OR “氡异常” OR “氡浓度” OR “氡气” OR “氡排放” OR “氡呼出” OR “土壤气体氡” OR “Rn-222” OR “土壤氡” OR “氡监测” OR “氡数据”）
- 组2（地震）：（地震* OR “地震活动” OR “地震事件*” OR “地震前兆*” OR “前兆信号”）
- 组3（分析/预测）：（“相关性” OR “相关性” OR “预测价值” OR “预测” OR “预报” OR “统计分析” OR “数据分析” OR “前兆异常” OR “地震前异常”）
- 组4（人工智能）：（“人工智能” OR “机器学习” OR “深度学习” OR “神经网络” OR LSTM OR “支持向量*” OR “随机森林*” OR “决策树*” OR “集成学习” OR “极端梯度提升” OR XGBoost OR “监督方法”）
在搜索阶段，我们没有应用出版年份或语言的过滤器。完整的搜索方程是组1 AND 组2 AND 组3 AND 组4。

2.2. 记录管理和去重
我们从Scopus和Web of Science导出了所有记录，并使用Bibliometrix包在RStudio版本2026.1.1.403中进行了合并，同时在Microsoft Excel中进行了额外的验证。自动和手动检查识别并移除了35个重复项，从而得到了51条独特的记录用于筛选，如图1所示。

2.2.1. 包含和排除标准
我们定义了资格标准，以保留那些明确在地震背景下使用人工智能方法分析氡异常的研究。只有当研究满足所有核心包含标准且不满足任何排除标准时，我们才包括这些研究。
- 研究必须是原创的研究文章。我们优先考虑那些报告了自己数据、建模、分析和结果的文章。我们排除了那些仅是概念性的、基于观点的、评论性的、综述性的，或者仅关注网络或仪器的文章。
- 研究必须将人工智能、机器学习、深度学习或计算智能作为方法的中心组成部分。一个通用的决策结构或评估逻辑是不够的。该方法必须明确实现算法，如人工神经网络、长短期记忆网络、支持向量机、随机森林、极端梯度提升、决策树或集成方法。
- 氩必须是研究设计中的中心变量。我们包括了那些以土壤、地下水、空气或氡时间序列中的氡为主要分析信号的研究。我们没有保留那些在更广泛的多变量框架中仅轻微出现氡的研究。
- 主要目标必须针对氡异常。这是最重要的标准。我们包括了旨在检测氡异常、识别或分类它们、建模预期氡背景以隔离异常、比较识别氡异常的方法，或将氡异常解释为可能的地震前兆的研究。
- 研究必须建立与地震的明确联系。仅仅模拟氡与气象变量的关系是不够的。为了符合条件，研究必须明确将氡的变化或异常与地震事件、地震活动、地震前兆期或氡作为地震前兆的潜在用途联系起来。
- 研究必须至少提供与方法或性能相关的贡献。我们优先考虑那些报告了拟合或误差指标、算法比较、异常检测标准、识别率或具体性能结果的文章。只有当氡成分在分析上保持中心地位时，我们才接受多模态研究。
- 我们还谨慎地接受了那些主要目标是建模氡背景的研究，当该模型后来被用来分离被解释为地震相关的异常时。
- 当以下一个或多个条件适用时，我们排除了研究：
- 主要焦点不是氡异常分析，而是其他地震任务。
- 研究仅将氡作为输入来预测不同的目标，如震中、震级或任何其他非以氡异常分析形式表述的地震输出[31,32,33,34,35,36,37,38,39]。
- 研究一般关注地震前兆，而不是将氡异常作为中心方法论对象[31,32,33,34,35,36,38,40,41,42]。
- 主要目标是另一个与氡相关的物理过程，而不是前兆异常检测。我们排除了那些以土壤或大气电离、岩石圈-大气-电离层耦合为主要目标，或估计从氡导出的变量而非氡异常检测本身的研究[20,36,37,39,41]。
- 文章主要是关于仪器、网络设计或观测系统的。当主要贡献是站点设计、传感器、遥测或观测网络的设计，而研究没有集中开发和评估用于氡异常检测的人工智能方法时，我们将其排除在主要文本中[37,42,43,44,45]。
- 研究专注于氡时间序列的填充、重建或预处理，而没有解决中心的审查问题。关于填充的文章可以使用机器学习和氡序列，但它们没有解决检测氡异常作为地震前兆的方法[43,44,45]。
- 研究关注火山活动或破火山口的不稳定性，而不是构造地震。尽管其中一些研究在方法论上相关，但如果地震成分不强烈且不明确，我们不将其视为核心审查的一部分[20]。
- 文章不是原始的实证研究。我们排除了观点性文章、战略提案、概念性评论和类似的出版物[46]。
- 在操作上，我们包括了那些使用人工智能处理氡数据来检测、建模、分类或解释与地震明确相关的氡异常的研究。当我们使用氡和人工智能，但预测或解释的目标是不同的变量（如震中、震级、电离或更广泛的多变量预测框架）时，我们排除了这些研究。
这个规则指导了资格边界处的几个决定。我们保留了那些模型学习了氡的预期行为，并且后来将偏离该预期行为解释为地震相关异常的研究。当氡仍然是一个明确的异常信号而不是次要预测器时，我们也保留了多模态研究。相比之下，我们排除了那些将氡仅作为另一个预测任务的一个特征的研究，以及主要致力于一般地震预测而不是具体氡异常检测的研究。筛选与选择流程
我们进行了两个筛选阶段：（i）标题和摘要的筛选；（ii）全文的资格评估。所有评审员都是作者团队的成员。两名评审员根据预先规定的资格标准独立地进行标题和摘要的筛选以及全文的评估。在任何阶段出现分歧时，他们会通过讨论和共识来解决问题。如果无法达成共识，第三名评审员将进行裁决。我们维护了一个决策日志，以确保包含和排除决策的可追溯性，并标准化标准的应用。

首先，我们筛选了51条记录。在此阶段，我们排除了不符合要求的文件类型，包括会议论文、综述和书籍章节。然后，我们尝试获取44条记录的全文，但未能检索到其中1份报告。因此，我们评估了43份报告的资格。根据2.2.1节中描述的标准，我们排除了17份不符合要求的报告。最终纳入的研究样本共26篇，如图1所示。

2.4. 数据提取
我们在RStudio和Excel中使用标准化的提取表格和编码指南，对每项纳入的研究进行了结构化的数据提取。两名评审员独立完成数据提取工作。对于提取字段或编码决策上的分歧，他们通过共识解决；必要时，第三名评审员会进行裁决，采用的决策追踪方法与筛选阶段相同。提取模板涵盖了 bibliographic metadata（文献元数据）、研究地点和监测地点的位置、氡气检测方式及采样方案、环境协变量及其处理方法、人工智能方法及模型规格、目标任务（例如背景建模、异常检测或预测）、氡气异常的操作定义、相对于地震事件的标记窗口、验证设计，以及原始作者报告的性能指标。当研究包含多种模型或设置时，我们提取并保留了所有相关的配置。

2.5. 方法与性能的综合
由于纳入的研究在仪器、采样间隔、环境校正、建模选择、异常标准和验证窗口等方面存在方法上的异质性，我们没有计划进行定量元分析。相反，我们采用叙述性方法对各种方法和性能进行了综合。我们按照建模家族和分析流程中的角色对研究进行了分组，并总结了原始文章中提供的各项指标。我们从定性角度讨论了研究之间的可比性，重点关注仪器差异、环境标准化和地震背景的差异。我们使用图1中展示的PRISMA流程来指导整个过程的每个阶段。

3. 结果
3.1. 研究、监测和氡气测量特征
最终纳入的研究样本共26篇期刊文章，所有文章都符合纳入标准，如表1所示。从2002年到2018年，相关出版物数量较少，但从2020年开始增加，在2020年和2024年达到最高水平，如图2a所示。表1列出了纳入的研究及其监测地点的位置；图2展示了氡数据集的产生时间和地理分布。监测地点在样本中的分布不均，主要集中在南亚和欧洲部分地区，特别是沿喜马拉雅山脉、北安纳托利亚断层以及一些地热或喀斯特地区。在纳入的样本中，没有监测地点位于美洲或非洲。这些研究涵盖了与断层相关的土壤-气体监测站、洞穴、泉水、大学放射性同位素设施以及网络平台，这些因素决定了可用于建模和异常分析的氡数据的时间结构和测量特征。

3.1.1. 氡气载体介质
表2显示，样本涵盖了多种氡气载体介质和监测地点类型。最常见的配置是通过位于活断层附近的连续监测站或每周一次的整体Sienna计数探测器（SSNTD）进行监测。较小的子集使用了近地表积累系统、地下水和温泉中的氡气数据、大学放射性同位素设施中的大气氡或电离电流代理数据，以及洞穴空气或洞穴-土壤混合配置。

3.1.2. 仪器和校准实践
仪器主要分为三类：用于土壤气体的连续主动监测仪、洞穴空气监测仪、积累系统；以每周一次的整体模式运行的Sienna计数探测器（SSNTD）系统；以及针对水和大气氡气的特定应用系统。关于校准的报告情况参差不齐。SMARTRnDuo和BhaROSA系统[64,70]明确报告了探测器的开发或校准过程，而基于SSNTD的研究则依赖于已建立的校准曲线或协议[53,65]。一些主动监测研究还提供了详细的探测器规格或测量原理，包括RTM-2200、RADIM3A和RaMonA以及AlphaGUARD[57,58,71]。

3.1.3. 采样深度和安装几何结构
对于土壤气体监测，采样深度通常在表层一米以内，尽管样本中也包括大约5米和10米深的钻孔监测站。近地表积累系统直接设置在表面下方，并配备了扩散控制结构或防护外壳。安装报告的详细程度也各不相同。一些研究详细描述了套管、密封措施、防护装置、泵组、管线布置或钻孔构造，以提供测量的背景信息；而其他研究仅提供了部分信息。

3.1.4. 采样频率和时间分辨率
时间分辨率范围从每10-60分钟的连续监测到每周一次的整体SSNTD测量，以及地下水环境中的长期每日记录。高频观测数据通常在建模或异常分析前被汇总为每日值。每周一次的SSNTD测量基于七天的积分计算，而地下水记录则包括十年期甚至更长时间的每日观测数据。总体而言，采集方案因监测介质、仪器技术和研究设计而异。

3.2. 氡气异常的操作定义
我们使用统一的符号来比较不同研究中的操作异常规则。这种符号仅用于综合说明，因为原始论文使用不同的符号，并且并非所有指标的定义方式都相同。特别是，一些研究引入了特定来源的标签，如观测值与预测值的差异；除非为了解释精度需要使用原始符号，否则我们在统一的残差符号下讨论这些量。我们用表示时间t处的测量氡浓度，用表示基于模型的背景值。当研究将观测值与模型预测的背景值进行比较时，我们将残差表示为，并将两个相对不匹配的指数表示为（1）。

对于基于计数的监测，表示采样区间内的检测计数。我们用表示整个数据序列的长度，用T表示定义的地震窗口的半宽度（如果有的话），用表示异常规则要求的最短持续时间。当研究将单独的超出值合并为群体或事件时，我们保留了报告中使用的事件标签和摘要，包括CA（连续异常）、FA（局部分布异常）和NA（未检测到异常）。

下面的异常类别是根据决策变量及其对应的决策规则组织的。具体的建模流程被视为这些更广泛类别在各自研究中的实现方式。

3.2.1. 单变量序列的阈值处理
第一类异常定义是将氡序列的偏离程度与散布度相乘后的参考范围进行比较：
(2)
其中，和分别表示研究使用的参考期间内的平均值和标准差，k是阈值乘数，即宣告异常所需的标准差数量。在层状神经网络和Adaline研究中，假设地震以外的异常现象会导致氡浓度超过基于平均值的参考范围超过一天[47,48]。一篇相关的ANN研究将氡异常定义为超过平均值[53]的数值。在自动异常检测研究中，当氡浓度偏离超过[56]时也视为异常。一项为期三年的比较研究分析了原始数据、校正数据和使用神经网络预测的数据，同样基于平均值和标准差的偏差来进行判断[52]。对比原始数据和预测数据时，还考虑了年度、季节性或FFT周期内的偏差[52]。相比之下，另一篇ANN研究在预测的氡序列中，将高于和低于平均值的峰值视为异常[64]。

3.2.2. 基于残差的阈值（观测值-预测值）
基于残差的异常定义是指观测值与模型预测值之间的偏差：
(4)
其中，和分别表示每项研究报告中估计的残差平均值和标准差，k仍然是以标准差为单位的阈值乘数。基于ARIMA的残差分析对残差氡值应用了严格的阈值[65]。在一项联合Radon-TEC研究中，异常标准应用于表现最好的模型的残差，残差超过[63]的数值被视为异常点。在使用随机森林的大气氡应用中，异常是根据观测值与预测值之间的差异来识别的[66]。

3.2.3. 带状或固定阈值的基于模型的相对指数
另一类异常定义使用从观测氡和预测氡之间的比较得出的无量纲指数：
(5)
其中，表示预设的阈值。在热泉水地质学研究中，基于模型的相对指数表示为，主要阈值设定为，灵敏度检查设在和[50]。一项决策树研究将观测氡与模型预测氡之间的相对差异超过[54]时视为异常。一项混合多ANN研究使用特定的相对变化作为异常指标[67]。在另一种方法中，将高于的比值视为可能的异常[67]。

3.2.4. 不确定性带规则
这一类异常定义将观测值与模型预测值之间的差异与不确定性范围进行比较：
(8)
在一个混合框架中，当原始氡序列中的值超出预测值的置信区间[55]时，被认为是正或负异常。报告的置信区间构建为：
(9)
其中，表示预测数据的标准差，n表示信号的长度[55]。另一种混合方法将原始氡序列中的值视为异常值，当它超出预测信号的置信区间[57]时。图4直观展示了这种基于残差的异常检测方法。

3.2.5. 基于模型的相对指数与固定阈值
这一类异常定义使用从观测值和预测值之间的比较得出的无量纲指数：
(7)
其中，表示明确规定的阈值。在某项研究中，当超过时，认为是异常[58]。在另一项研究中，使用相关的指数[72]，当比值超过时视为异常，并结合CA（连续异常）、FA（局部分布异常）和NA（未检测到异常）进行标记[51]。图5示意了这两种主要的基于相对指数的异常检测方法。

3.2.6. 不确定性带规则
这一类异常定义将观测值与模型预测的背景值及其不确定性范围进行比较：
(8)
在一个混合框架中，当原始氡序列中的值超出预测信号置信区间[55]时，认为是异常。物理-环境梯度规则
基于梯度的规则通过检测氡浓度的时间梯度和水文代理的联合行为来发现异常。使用有限差分方法，（10）定义了（11）。这里，表示监测探头上方的水位。当梯度方向相同且超过固定幅度阈值时，就声明存在异常：（12）。一个典型的实现使用和，并在水文阈值[50]处进行额外的敏感性检查。在那项研究中，异常后来被总结为CA、FA或NA，并可以分组为簇[50]。图7展示了基于梯度的异常家族，其中异常判断取决于氡和水文梯度的联合符号和幅度。图7. 基于梯度的异常检测的概念性说明。当氡和水文梯度方向相同且都超出各自的阈值时，就声明存在氡异常，即当、和时。灰色阴影区域表示满足这些联合符号和阈值条件的时间间隔，因此被标记为异常窗口。

3.2.6. 性能启发式和分类器聚合规则
一些研究从固定幅度区间转向了以性能为导向的启发式方法。有两种策略反复出现：在预定义的窗口内预测一致性的下降，以及在日级别上聚合样本级的分类器输出。
窗口内的性能下降。
窗口W内的预测一致性通过（13）来总结，其中是W内的平均值。在EMD–LSTM研究中，通过比较非地震期和地震期的值来识别氡异常。地震窗口的宽度分别为、和天，当相应值之间的差异大于[61]时识别异常。
样本级地震指标的日度聚合。在这个家族中，样本级输出为，其中表示被分类为地震的样本，表示被分类为非地震的样本。将第d天的样本分组为36个读数的块，每日地震比例为（14）。当（15）时，将一天标记为异常，其中指示因子设置为[59]。这个规则将分散的样本级输出聚合为日级别的地震指标[59]。

3.2.7. 子序列不协调得分
一个独特的家族将异常识别为与其在同一序列中最接近的邻居有异常大距离的子序列。如果表示从索引t开始的子序列分配的矩阵轮廓得分，那么异常候选者通过（16）进行选择。这种操作形式与[63]中使用的STUMPY基础检测器相匹配，其中距离最大的序列被视为异常模式，并选择前七个此类序列进行分析[63]。

3.2.8. 没有事先定义氡异常的操作定义的研究
除了那些预先指定明确异常规则的研究之外，我们还识别了一组不固定事先决策标准的异常研究。为了综合和可比性，这些研究遵循重复的方法论模式。
一些贡献在非地震期间学习背景模型，然后事后将地震周围的偏离解释为异常，而不事先固定定量超过规则。这包括在环境参数上训练的模型树，其中在地震活跃期间降低的可预测性被解释为异常行为[49]。它还包括基于ANN的基线，这些基线将预测的非地震氡行为与记录地震周围的观测浓度进行比较，并将显著偏差解释为异常，而不事先定义单一的阈值规则[68]。相关的集成和委托回归方法报告了地震窗口之间的预测误差，并评估模型预测的氡与实际观测到的氡的一致性，但它们不定义与氡衍生指数相关的单一操作异常标准[60]。
其他研究根本不定义氡异常规则，而是直接将任务表述为地震窗口与非地震窗口的监督分类。在这一思路下，窗口根据地震时间进行标记，并通过AUC、准确性和相关分类指标来评估模型性能，而不是通过预先设定的氡衍生量的阈值[69]。

3.3. 人工智能、预处理和外部驱动因素的控制
在实施明确异常工作流程的研究中，人工智能主要用于估计预期的氡背景，而不是直接预测地震。然后从残差、相对差异、置信带超出或相关的基于规则的标准中推断出候选前兆，如表3所总结的。这种以背景为导向的逻辑并不涵盖所有研究。一些研究通过预测技能的下降来识别异常时期，而其他研究则直接对窗口或片段进行分类，而不定义基于残差的异常变量。代表性的实现包括经过气象校正的基线，随后进行阈值处理[64]，在Q带下使用不匹配指数进行阈值处理[58]，基于比率的异常指数如[72]，以及将残差视为异常成分的自适应线性学习器[48]。表3. 跨研究的人工智能角色的工作流程级综合，整合了主要的背景构建和环境噪声分离策略。角色代码：B = 基线/背景建模；C = 监督分类。预处理、分解、阈值处理和合理性过滤器在相关的工作流程家族中报告，而不是作为单独的顶层类别。一些研究比较了几个候选基线，并从选定的残差工作流程中得出异常[63,65]。其他研究在水电地质环境中使用基于树的、提升的或基于ANN的基线，并通过观测到的与预测的差异、比率阈值、梯度一致性规则或非地震期与前兆期之间的对比来定义异常[50,54,62]。混合管线结合了分解和学习来重建基线和置信带，并将异常定义为超出带的偏离[55,57]。另一组通过地震窗口期间预测技能的下降来识别异常时期[49,61]。两阶段设计进一步排除了可以通过气象强迫解释的候选者[70]，而直接分类和片段聚合定义了一个不依赖于背景-残差分离的独特人工智能角色[59,69]。
预处理和外部控制将上述测量设置与第3.2节总结的异常标准联系起来。在整个语料库中，监测的协变量随着观测到的介质以及用于区分环境驱动的变异性和候选前兆行为的策略而变化。土壤气体和积累室研究主要记录空气温度、压力、相对湿度、降水量，有时还包括风速或土壤温度[49,52,56,58,60,64,67,68,70,71]。每周综合的土壤气体研究使用温度、压力、湿度的七天平均值，以及如果有的话，滞后降水项[47,48,53,65]。一些高频土壤气体研究还包括钍和与土壤相关的变量，如多个深度的土壤温度、土壤-空气压力和土壤-空气温度对比[51,59,60]。在水文系统中，协变量结构扩展到水温、水头或水位、流量或流量、降水量和气压[50,54,61,62]。洞穴和喀斯特研究依赖于内部和外部空气温度、洞穴空气压力和相对湿度，其中一项研究还包括风、降水量和测压水位[55,57]。一个较小的子集结合了TEC、Kp、Dst和10.7厘米处的太阳辐射通量，以筛选联合氡-TEC工作流程中的空间天气效应[63]。其他研究依赖于最小的外部信息，例如日期或没有多变量环境模型的直接氡窗口[66,69]。一个土壤-氡观测站设置还结合了大气和浅层水文协变量，包括空气温度、大气压力、水位波动和地下土壤温度[72]。

3.3.1. 环境和辅助协变量
因此，与氡一起监测的辅助变量在语料库中并不统一。在土壤气体设置中，它们主要用于表示大气强迫和近表面传输条件，而在泉水、井和钻孔中，它们被调整以适应水文控制[50,54,61,62]。洞穴和喀斯特研究强调与通风制度和洞穴空气动态相关的变量[55,57]，而联合氡-TEC工作流程结合了地磁和太阳指标来筛选非地震电离层变性[63]。相比之下，一些研究只使用最小或隐性的外部信息[66,69]。

3.3.2. 背景建模和环境噪声的分离
在具有明确背景-信号分离的研究中，外部协变量主要通过估计预期的氡水平进入工作流程。如表3所总结的，这种背景构建遵循有限数量的重复模式。一种依赖于由外部预测因子驱动的统计或机器学习模型，包括多元回归、模型树、Adaline型模型、多层感知器、径向基函数网络、前馈ANN、基于CNN的模型、LSTM网络和提升或委托回归器[47,48,49,50,51,52,53,54,55,56,58,61,64,65,67,68,70,71,72]。另一层使用信号处理和分解工具，如小波去噪、经验模态分解、希尔伯特-黄变换和快速傅里叶变换，在模型拟合之前稳定基线[52,55,57,61,65,68,70]。一旦定义了，研究就应用第3.2节中合成的异常规则，在某些情况下，使用检测后过滤器来移除环境驱动或物理上不合理的候选者。代表性的例子包括基于Dobrovolsky类型关系的幅度-距离一致性规则[50,54,63,67,70]和联合氡-TEC分析中的地磁安静条件过滤器[63]。

3.4. 异常-地震耦合框架和报告的前兆特征
在整个语料库中，氡异常-地震关系通过结合事件选择、时间链接和异常规则来操作化，该规则将或模型衍生量中的偏离映射到地震发生，如表4所总结的。许多研究使用基于幅度的空间过滤器，但采用的关系并不统一。一些应用Dobrovolsky类型的准备区或明确的距离比率，如[49,50,51,52,53,55,58,65,67]。其他组合Dobrovolsky类型的选择与额外标准，包括Fleischer类型的约束[64]、分段幅度-距离或基于变形的关系[54,68,71]，或应变和地震能量密度过滤器[61,70]。第二组使用监测间隔内的局部地震发生或地震与非地震分割，而不使用正式的准备半径过滤器[47,56,59,60,69]。表4. 按研究划分的操作耦合编码方案。保留的地震活动也随着采用的选择规则而变化。一些研究关注在密集区域设置中的局部低至中等地震[49,50,51,72]。其他研究通过幅度-距离过滤器检查中等区域地震[52,64,65,71]。没有正式空间过滤器的案例研究设计扩展到通过特定地点的氡行为分析的大主震[66]。时间耦合也以几种不同的方式实现。一些研究在每个选定的地震周围定义地震活跃窗口，如天[49,50,58]，参数化窗口从0到10天测试并扩展敏感性分析[51]，或分组地震期为天[61]。其他应用固定的前兆有效性规则，如在地震前10天内[52]，在100小时内[70]，或在事件前72小时内但排除随后的72小时[71]。另一组报告异常检测后的观察到的领先时间，而不是施加单一的对称地震窗口，包括在ANN相关性研究中的峰值到事件延迟[64]，在洞穴-空气研究中的滞后聚类长达天[55]，以及事件中心的氡-TEC比较，跨越几小时到几天[63]。面向分类的研究通过窗口大小、周分组或日级别聚合来定义地震和非地震段落[47,56,59,60,69]。
如第3.2节所示，这些耦合框架中使用的异常标准主要是基于阈值或差异的。简单标准在氡超过原始或校正序列的参考带时声明异常[47,48,52,53,56,64]。更保守的方法应用严格的残差阈值，例如ARIMA残差峰值超出[65]或大气-氡案例研究中的观测-预测差异[66]。一些研究通过回归、基于树的或机器学习模型估计，然后分析残差量、比率指数或群体描述符[50,51,54,58,67,72]。不确定性包络定义异常值为超出或[55,57]置信带的观测值。其他贡献通过地震窗口期间预测技能的丧失来定义异常条件，而不是通过逐点残差超出[49,61]。另一个子集使用监督标签而不是明确的异常构建[59,69]。
这种空间和时间规则的变化也体现在异常-地震关系的评估中。一些研究使用明确的类别，在规定的时空窗口内的异常被标记为正确警报，没有相应事件的异常被标记为误报，没有关联异常的地震被标记为无警报[50,51,58,72]。其他人通过固定的领先时间有效性规则[52,70,71]或通过更宽窗口的滞后和领先分析来量化关联[55,57,63]。在另一个子集中，地震性主要作为二元上下文进入，地震与非地震段落，目标是分类区分而不是逐个事件的前兆归属[47,59,69]。

报告的前兆特征是多样化的，且强烈依赖于操作异常定义。第一个重复模式强调差异指数的幅度或群体级行为，特别是在基于Q类型阈值、相对变化规则或分组异常事件的研究中[51,58,67,72]。第二个模式明确报告正负峰值，并将其符号与当地水文或构造条件相关联[53,64,66,72]。第三个模式根本不通过有符号的氡偏离来表征前兆，而是通过地震活跃期间的预测技能下降[49,61]。在整个语料库中，报告的领先时间从几小时到几个月不等，持续时间从孤立的峰值到持续的群体或延长的水文事件[54,55,63,70,71]。短暂残留峰值和瞬态周异常与持续的季节性偏离、更广泛的延迟结构以及受时间限制的事件前窗口共存[53,55,65,66,70,71]。大多数研究通过CA/FA/NA计数、检测到的事件与未检测到的事件或定性事件叙述来总结结果，而不是通过统一的事件级分布来分析信号的符号、发生时间和持续时间[50,51,52,58,70,71,72]。一些研究还强调了站点依赖性和局部地质或水文控制，表明预兆信号的符号、幅度、持续时间和时机在不同站点或事件类别中并不相同[61,66,68,70,72]。

3.5 验证设计和报告的性能
性能报告主要依赖于信号重建指标，如表5所示。大多数研究通过相关系数和误差度量（如RMSE、MSE、RMSLE、MAPE、PB）来量化基线与观测到的氡动态的吻合程度。通过精度、召回率、F1分数、ROC曲线、混淆矩阵或事件级提前时间分布进行完整报警级别评估的情况并不常见。相反，通常通过检测类型的总结（如CA/FA/NA、TA/FA/NA、检测到的事件与未检测到的事件，或由异常事件引起的地震比例）来报告操作有效性[50,51,52,58,70,71,72]。在一些研究中，地震活跃期间相关性的下降或拟合度的降低本身被解释为额外的内源性贡献的证据[49,61]。

表5. 综合了所审查证据中的指标和验证方法。验证实践同样存在多样性，且通常不施加时间敏感性的分组。随机划分、重复k折交叉验证、分层抽样以及标准的训练-验证-测试划分在基线建模和分类中都很常见[49,51,59,60,67,69,72]。一些研究则依赖于以事件为中心或按顺序排列的评估方法，其中一项研究明确在非地震时期进行训练和验证，然后在地震时期进行预测[61]。在另一些研究中，分割协议只是部分指定的，或者嵌入在异常匹配规则中，而不是在正式的验证设计中[47,48,55,57]。在滑动或重叠窗口下的泄露控制通常没有描述，包括在以分类为导向的流程中[59,69]。

3.6 主要研究中报告的局限性
主要研究反复报告了限制推理强度、可重复性和跨研究可比性的局限性。在纳入的26项研究中，报告的深度各不相同。一些论文详细讨论了这些问题，而其他论文只是简要提及，这使得系统性的可重复性评估变得困难[66,70,72]。空间和时间范围受限，外部有效性也有限。单站或多站部署仍然普遍，这限制了在构造、水文地质和气候环境中的泛化能力。几项研究明确指出需要更广泛的空间覆盖、更大的监测网络或在其他地区的验证[66,70,72]。有限的监测期限也限制了描述年际变化和罕见事件动态的能力，因此人们反复要求更长的时间序列[50,66,70,72]。在基于洞穴的分析中，低于选定震级的地震比例较高，进一步限制了相关性声明[55]。环境混淆和外源驱动因素的控制不完整。许多研究强调，氡的变化受到压力、温度、降雨、湿度和水文变化等非构造因素的强烈影响，这使得因果归因复杂化[50,63,64,70]。当相关协变量缺失或仅部分观测到时，这个问题变得更加严重。特别是，不完整的降雨和土壤湿度信息被认为是区分气象驱动力和可能的预兆信号的重要限制因素[70]。一些研究还指出，即使经过背景校正或基于模型的过滤后，残留的环境影响也可能仍然存在[50,63,64]。在阈值、耦合窗口和事件选择方面的操作自由度也存在局限性。报告的结果很大程度上取决于所采用的异常阈值、时间耦合规则和地震选择框架。优化或比较多种参数设置的研究表明，当这些选择改变时，正确报警、误报和未检测到的事件可能会发生显著变化[50,51,52]。因此，对所采用的预兆有效性窗口或事件选择关系的敏感性限制了跨研究的直接比较，并降低了看似成功设置的转移性[50,51,52,55]。

数据完整性和测量限制。一些研究报告了与数据质量、连续性和测量设计相关的局限性。这些问题包括不完整的气象记录、受限的输入空间以及对长期氡序列更需要加强的质量控制[70,72]。测量灵敏度也被认为是一个限制因素。特别是，某些土壤-氡配置的低灵敏度和单个站点的代表性不足，促使人们需要更密集或重新设计的监测系统[70,72]。这些限制影响了异常检测和看似类似预兆行为的解释。

建模和评估限制。一些研究报告了与模型结构、优化和评估相关的局限性。在以分类为导向的工作中，明确讨论了类别不平衡、数据增强的混合效应以及过拟合的风险[69]。基于ANN的设计也报告了可解释性有限、超出观测输入空间的外推能力受限以及对模型结构的敏感性[68,72]。在一个混合框架中，计算需求和实现复杂性被认为是可重复性和可扩展性的实际限制[67]。这些问题降低了将报告的性能直接转移到其他环境中的信心。

不完整的机制可解释性和非普遍的耦合。一些研究强调，异常氡行为并不意味着独特的物理机制，并不支持普遍的预兆公式。异常的符号、时机和持续时间可能因站点和事件而异，在不同的构造或水文地质条件下可能会产生相反的反应[50,68]。一些研究明确指出，不应将氡视为独立的或普遍的预兆，局部地质背景仍然至关重要[70,72]。在多模态氡-TEC分析中，耦合也被描述为条件性的而非确定性的，即使在过滤后仍可能存在非地震污染[63]。

4. 讨论
在讨论所审查研究的方法论异质性之前，重要的是将氡异常置于赋予它们解释意义的物理过程中。在人工智能（AI）文献之外，长期以来人们一直讨论异常氡行为与应力和应变引起的裂缝渗透性变化、載流體循环、水文地质混合以及断层或热液脱气路径之间的关系，所有这些因素都会根据监测介质和局部地质环境以不同的方式改变氡的释放、传输和积累[15,74,75,76]。这种物理框架还有助于解释为什么候选预兆反应在不同研究中不是符号不变的：在浅层气象驱动力与深层构造或火山控制相互作用的情况下，可能会观察到增加、减少或混合行为[20,76,77]。从这个角度来看，AI本身并不能确定预兆状态。相反，其主要贡献是提供一种更系统的方法来估计预期的背景，并分离出仍需根据特定地理位置的地球物理和水文地球化学过程进行解释的候选偏离[15,20]。这种观点对于解释下面综合的方法论模式非常重要。

所审查的证据表明，基于AI的研究在地震背景下的氡异常仍然是一个相对较新且方法上碎片化的领域。2020年之后的发表量有所增加，但纳入的文献在地理上集中于南亚和选定的欧洲地区，美洲和非洲没有纳入任何监测站点。这种缺失应该在当前审查的具体范围内进行解释，而不是简单地认为整个美洲没有氡-地震研究。来自南加州、厄瓜多尔和墨西哥的早期研究报告了与地震活动或可能的预兆行为相关的氡监测，但由于这些研究没有将基于AI的方法应用于氡异常的检测、建模或评估，因此未被纳入[78,79,80,81]。这种分布很重要，因为目前的证据基础主要局限于有限的构造、水文地质和环境背景。因此，该文献为评估AI支持的氡异常框架作为可能的地震相关工具提供了日益增长但仍然地区不平衡的基础。

首先，所有后续分析步骤都依赖于测量层。这些文献涵盖的氡载体介质多种多样，包括土壤气体、地下水和温泉、洞穴空气、近地表积累系统以及大气氡或电离电流代理数据。这些配置在采样深度、时间分辨率、安装几何形状和仪器类型上有所不同，从连续的活动监测器到每周的SSNTD部署都有。这种变化并非无关紧要，因为它影响了序列的时间结构、定义异常的尺度以及需要控制的外源驱动因素的类型。这也意味着所审查的研究并没有分析单一的、物理上一致的氡表现形式。相反，它们处理的是在显著不同的观测条件下测量的相关但不等价的信号。同样，不均衡的校准报告和不完整的安装细节限制了即使在考虑模型策略差异之前的严格可比性[53,57,58,64,65,70,71]。

其次，AI的作用比“智能地震预测”这个宽泛的标签所暗示的更为有限和结构化。在具有明确异常工作流程的研究中，AI主要用于估计在变化的环境或水文条件下的预期氡背景，而不是直接预测地震。从这个意义上说，主导的分析问题是背景构建和偏差提取。因此，所审查的文献支持将AI视为原始氡观测和异常解释之间的中间方法论层。这种角色出现在几个工作流程家族中，包括气象驱动的回归器、水文地球化学背景模型、混合分解-学习流程、时间预测模型、多模态筛选策略和监督分类器。这些家族之间的主要区别不仅在于所采用的算法。还在于每项研究如何定义预期信号以及偏离该信号的方式如何进入预兆解释[47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72]。

从实际角度来看，工具选择应该从分析任务开始，而不是从算法标签开始。当目标是估计在气象或水文驱动下的预期氡背景时，基于基线的回归器提供了最自然的起点，因为它们保持了背景构建和异常定义之间的直接联系。当序列强烈非平稳或多尺度时，辅助分解或预测框架可能更为合适，前提是重建后异常规则仍然明确。相比之下，当窗口标签、异常-地震耦合标准和时间感知评估被明确指定时，直接分类器更具可辩护性，因为在这些设计中，预兆特征嵌入在类别定义步骤中，而不是基于残差的异常变量中。在目前的文献中，相对较强的例子是那些结合了明确的背景-信号分离、监测的外源协变量、透明的异常规则以及某种形式的时间或顺序评估的研究[50,61,63,65,70,71]。这种模式还有助于区分文献中相对较强和较弱的证据形式。当研究结合了明确的背景-信号分离、监测的外源协变量、透明的异常规则和某种形式的时间或顺序评估时，证据更具解释性[50,61,63,65,70,71]。相比之下，当异常是事后定义的，当外源控制最少或隐性的，或者验证主要依赖于没有明确时间结构保护的随机划分时，证据较弱[59,60,68,69]。这种区别并不意味着前者解决了预兆问题，但它确实表明一些设计为解释提供了更坚实的基础。

这一点与审查的一个核心发现密切相关：文献中的氡异常并不是一个统一的实体。相反，它是一个操作性构造，其含义取决于决策变量、阈值逻辑、持久性规则和对外源驱动因素的处理方式。一些研究使用原始或校正后的序列均值进行偏离分析，其他研究使用残差阈值、相对不匹配指数、置信带超越值、基于梯度的规则或预测技能的下降。另一个子集合根本不定义预先的异常规则，而是事后解释模型偏离或直接将问题表述为监督分类。因此，所有使用氡异常术语的研究并不一定识别相同类型的对象。这种异质性不仅在术语上有所体现，它还影响了什么被视为异常、异常检测的频率，以及结果在不同站点和方法之间的可比性。

对外源驱动因素的处理进一步加强了这一解释。在整个文献中，辅助监测根据监测介质、采集环境和用于区分环境变异性和候选预兆信号的特定策略进行了调整。土壤气体研究主要纳入大气变量，在某些情况下还包括钍或土壤状态测量，而温泉、井和钻孔研究则更依赖于水文协变量。洞穴和喀斯特研究强调与通风和洞穴空气动态相关的变量，多模态氡-TEC工作流程还添加了地磁和太阳指标。这种模式表明，外源控制不是次要的细化，而是异常构建的一个决定性特征。与此同时，一些以预测或分类为目标的研究使用外生变量，但没有将其转化为正式的背景模型——如信号分离或单一的异常规则[60,68,69]。这进一步增加了研究之间的比较复杂性，这些研究在算法标签层面看似相似，但在对模型输出的分析含义上存在显著差异。在对异常与地震关系的定义上也可以看到同样的操作设计依赖性。所审查的研究并没有共享单一的空间或时间耦合框架，时间关联方式从固定的前兆窗口到基于滞后的关联、分组的地震周期或段级区分不等。一些研究使用Dobrovolsky类型的准备区，另一些则将这些与额外的震级-距离或变形相关过滤器结合起来，还有一些则依赖于没有正式空间规则的局部地震事件。本综述并不认为Dobrovolsky类型的关系或任何其他单一的空间耦合规则在所有情况下都普遍有效。在更广泛的前兆文献中，也讨论了对地震准备区大小的更严格估计，包括Ohnaka提出的源核化框架[82]。因此，前兆的产出在很大程度上取决于所采用的事件选择框架，因为改变空间规则会改变哪些地震被纳入分析，从而改变异常与地震关联的频率、时间和一致性。这种对事件选择的依赖性还因地震数据来源的报告不均而加剧。一些论文明确指定了地震目录、观测站、机构或地震数据存储库，包括NEIC地震目录[54]、美国地质调查局[55,57,58,64]、斯洛文尼亚共和国环境局的地震学办公室[49,50,51]、印度气象部门[53,65,72]、巴基斯坦气象部门[59]、Kandilli观测站和地震研究所[63,67,71]以及印度国家地震中心与欧洲-地中海地震中心[70]。相比之下，一些研究讨论了地震事件、定义了地震窗口或提供了事件表格，但没有明确说明地震记录的来源或机构存储库[47,48,52,56,60,61,62,66,68,69]。这种不均匀的报告在方法上很重要，因为它限制了来源的可追溯性，并使跨研究的地震选择程序比较变得复杂。这有助于解释从文献中出现的另一个主要模式：报告的前兆特征不仅在震级上异质，而且在形式上也异质。一些研究强调相对差异或群集型结构，一些研究注意正负峰值的变化，还有一些研究关注预测能力的下降而不是明确的氡异常。提前时间从几小时到几个月不等，持续时间从孤立峰值到长时间事件都有。然而，这种变异性不应仅仅归因于构造或水文地质背景。它还反映了异常构建的操作方式以及观察基础信号的时间粒度，无论是通过高频连续监测、每日聚合还是每周综合测量。因此，报告的符号、开始时间、持续时间和明显的前兆窗口部分取决于研究是使用残差超额、比率阈值、置信带、分组群集还是性能损失，以及可用于分析的时间结构。此外，文献经常通过CA/FA/NA摘要、检测到的与未检测到的事件或定性事件叙述来报告结果，而不是通过统一的事件级描述符号、开始时间和持续时间。总的来说，这些特征支持一个依赖于具体背景的前兆现象学，而不是一个可以直接在不同监测环境中传递的单一氡响应[49,50,51,52,53,54,55,58,61,63,64,65,66,67,68,70,71,72]。验证层进一步限制了强有力的操作推断。大多数研究更重视信号重建性能，而完整的警报级别评估较少见，通常被检测类型的摘要所取代，如正确警报、误报、无警报或检测到的与未检测到的事件。这种分布表明，方法上的重点主要在于模型在多大程度上再现了观察到的氡动态，而不是对前兆检测性能的标准化评估。由此产生的一个中心含义是：更好地重建预期的氡背景本身并不能证明在前兆相关决策制定方面具有更好的实用性。所审查的研究在验证机制上也存在显著差异。随机分割、重复交叉验证、训练-验证-测试划分、以事件为中心的窗口划分，以及较少见的具有时间意识的设计在这篇综述中共同存在。因此，直接比较仍然受到限制，因为报告的性能不仅取决于使用的度量家族，还取决于时间依赖性、地震分割和异常与地震匹配如何纳入评估设计。特别是，显式的时间意识验证的有限使用削弱了在真实监测条件下操作相关性的主张的有效性[47,48,49,50,51,52,54,55,56,57,58,59,60,61,66,67,68,69,70,71,72]。从这个角度来看，当AI用于形式化背景估计、混杂因素控制和偏差提取时，它似乎增加了最大价值。文献对于AI已经将氡监测转化为操作上验证的地震预测框架的更强主张的支持要少得多。换句话说，AI带来的主要进步是方法上的，而不是预测上的。它改善了在可变环境条件下对预期氡行为的处理，但它并没有消除前兆声明对现场背景、异常定义、耦合架构和评估设计的依赖性。主要研究报告的限制与这些更广泛的模式一致。有限的空间范围、有限的监测持续时间、不完整的生态环境控制、对阈值和耦合规则的敏感性、数据质量限制、模型结构限制和机械解释性的不完全性都指向同一个方向。文献并不支持一个简单的普遍公式，在该公式中氡异常可以被视为稳定且可以直接在不同环境中转移的地震前兆。相反，所审查的证据表明，前兆相关性的主张在很大程度上取决于现场背景、监测设计、环境标准化、异常定义和验证策略。这并不否定AI在氡异常研究中的使用。相反，它表明核心的科学挑战是方法上的标准化和透明化操作，而不仅仅是采用更复杂的算法。与第1节总结的更广泛的前兆文献相比，本综述既强调了连续性也强调了创新。早期的工作已经强调了环境混杂、现场依赖性和比较不同研究中异常声明的难度[6,7,10]。基于AI的文献并没有消除这些问题。相反，它将方法论的重点转向了背景构建、考虑协变量的标准化和明确的异常提取。从这个意义上说，AI的主要贡献不是解决了前兆问题，而是使问题的结构更加明确。它迫使研究指定什么被认为是预期行为，什么被认为是偏差，以及在什么条件下这种偏差被解释为地震相关的。当将本综述与最近关于地震研究中机器学习的更广泛综述进行比较时，这种定位也变得更加清晰[83]。该综述通过一个双科学计量和系统评价框架综合了地震工程中的机器学习应用，重点是地面运动模型、地震预测模型和结构健康监测。在这个更广泛的领域中，氡相关研究只是前兆信息的一个可能来源，而不是一个独立的方法论子领域。相比之下，本综述专门关注基于AI的研究如何在一个明确的地震背景下构建、定义和验证氡异常。因此，区别不仅在于主题的狭窄与广泛，还在于分析的深度：Noor[83]展示了地震工程中更广泛的机器学习生态系统，而我们的综述则隔离了将氡异常转化为候选前兆证据的操作架构。这使得这两篇综述是互补的，而不是多余的。类似的關系也可以在综述[84]中观察到，该综述汇编了地震预测领域的机器学习和深度学习研究，包括电离层扰动、信号区分、震级估计、水文变化和与氡相关的分析。该综述证实，氡已被认为是更广泛地震预测文献中的一个相关组成部分，并且已经应用了几种模型家族，如分层神经网络、决策树、XGBoost、LSTM和集成方法[84]。然而，在那里，氡异常只是众多主题中的一个，并没有专门的异常定义、外生控制策略、耦合规则或验证设计的综合。从这个意义上说，本综述通过提供基于AI的氡研究在何种方法论条件下支持、削弱或复杂化前兆声明的集中总结，扩展了那条更广泛的工作线。从这个角度来看，本综述的主要贡献不是解决氡是否普遍能预测地震的问题，而是澄清了基于AI的氡研究产生更多或更少可解释证据的条件。更强的推断将需要更广泛的空间部署、更长的监测记录、更完整地处理局部相关的混杂因素、明确报告异常阈值和耦合规则，以及更好地保留时间顺序的评估设计。它还需要在不同研究之间进行更多可比的基准测试，因为当数据集、异常定义和验证机制同时变化时，改进声明仍然难以解释。在没有这些条件的情况下，重建准确性的表面改进或在特定环境中获得的局部异常-地震关联的改进可能难以推广到其他环境。从文献中提取的局限性指出了更强的推断和更好跨研究比较所需的最小报告和设计条件：范围：更广泛的空间部署和更长的监测持续时间，以捕捉年际变化、现场异质性和罕见事件动态[50,66,70,72]。混杂因素控制：更完整和更好地整合的环境监测，特别是对降雨、土壤湿度和其他局部相关因素的控制[50,64,70]。操作透明度：明确和合理地报告异常阈值、耦合窗口、地震选择标准以及模型输出的分析作用，并在参数选择变化时进行敏感性分析[50,51,52,55]。评估严谨性：更清楚地讨论不平衡、过拟合风险、模型可解释性、计算限制，以及在这些因素影响报告结果的可信度或转移性时更明确地保留时间顺序的验证设计[61,67,68,69,72]。4.1. 本综述的局限性尽管本综述遵循了PRISMA 2020标准，并使用了独立的双重筛选和提取方法，但仍有几个局限性需要谨慎解释。4.1.1. 覆盖范围、范围和检索由于我们将搜索限制在Scopus和Web of Science Core Collection中，直到一个固定的截止日期，并且仅包括经过同行评审的期刊文章，因此后来发布的相关证据（可能受到索引延迟的影响，或者主要通过会议、预印本、技术报告或非索引渠道传播）可能会被低估。检索也可能受到术语和索引实践的影响，因此可能遗漏了使用类似描述符但未明确提及异常的研究。此外，我们没有记录额外的检索途径，如 backward 或 forward 引用追踪、有针对性的手动搜索或专家咨询，这可能会在一个小而分散的领域中降低召回率。4.1.2. 研究质量评估和报告依赖性我们没有实施针对时间序列建模和检测的正式研究级别偏见风险评估。因此，综合结果没有根据方法的稳健性（如泄漏控制、时间意识验证、校准可追溯性或警报指标的完整性）来评估证据的确定性或权重。此外，几个对可比性重要的维度在主要研究中的报告并不一致，包括校准细节、比率指数实现、窗口划分和合并规则以及混淆矩阵式的警报指标。这限制了提取的粒度，并要求在综合的某些部分进行保守的解释。4.1.3. 异质性和定量推断的局限性测量配置、采样分辨率、协变量控制、背景建模、异常定义、耦合协议和验证设计的显著异质性阻止了定量汇总。因此，我们将结论解释为实践中的比较模式，而不是效应或性能的汇总估计。4.1.4. 编码判断和外部有效性尽管双重筛选和双重提取减少了错误，但协调异构的操作定义仍然需要解释性映射，一些边缘情况可能带有剩余的分类不确定性。最后，由于证据基础在地理上和上下文上仍然集中，因此对代表性不足的地区和监测制度的普遍性仍然有限。4.2. 未来展望该领域的未来进展将不那么依赖于添加新的算法标签，而更多依赖于改善构建、比较和解释氡异常的设计条件。首要任务是通过更广泛的空间部署、更长的监测记录和更多样化的地质和气候条件来扩展文献的实证基础。由于短期记录限制了区分重复的非构造性变化和候选地震相关偏离的能力，并且当只有少量的观测基线可用时可能会夸大明显的异常产出[7]，因此这一扩展尤为重要。当前的数据集主要集中在有限的地域范围内，而多项初步研究已经指出，需要建立更广泛的监测网络、延长观测周期，并在其他地区进行验证[50,66,70,72]。通过这种方式扩大覆盖范围，可以提高外部有效性，并增强区分特定地点行为与在不同环境中重复出现的模式的能力。第二个优先事项是加强对分析流程的标准化。现有证据表明，氡异常的含义取决于预期背景的设定方式、外源性驱动因素的控制方法、所采用的阈值以及异常持续性的评估方式。因此，未来的研究应该更加明确地报告异常定义、耦合窗口、事件选择标准以及对不同参数选择的敏感性分析[50,51,52,55]。在相关文献中，这一点尤为重要，因为类似的模型系列通常在不同的操作假设下被使用。

第三个优先事项是验证方法的改进。改进的设计应更明确地保留时间顺序，将模型开发与异常-地震评估过程分开，并以可跨研究比较的形式报告性能。现有文献主要依赖于信号重建指标和检测风格的综合总结，而完整的警报级别评估较为少见。未来的工作应更加重视时间顺序的验证，更清晰地报告检测到和未检测到的事件，以及重建性能与实际异常评估之间的联系[50,52,58,61,70,71,72]。

第四个优先事项是模型与物理解释之间的更深层次整合。数据集表明，氡的变化受到大气、水文、地质以及某些情况下电离层的影响，因此未来的研究应该继续改进混杂因素的控制，而不仅仅将其视为次要调整。这包括更全面地监测当地相关因素，更清晰地区分环境驱动因素和潜在前兆成分，并对多模态证据（如氡-TEC联合工作流程）进行更谨慎的解释[50,63,64,70]。在这种条件下，人工智能不是物理理解的替代品，而是一个更严格的框架，用于构建、测试和比较地震背景下的氡异常假设。

5. 结论

本系统综述汇总了26篇经过同行评审的期刊文章，这些文章在地震背景下应用人工智能来检测、建模、分类或评估氡异常。研究表明，这一领域主要在近年来发展迅速，但在地理分布上仍然集中，方法上也存在异质性。在纳入的数据集中，监测站点主要集中在南亚和部分欧洲地区，所涉及的研究涵盖了不同的观测配置，包括土壤气体、地下水和温泉气体、洞穴空气、近地表积累系统以及大气氡或电离电流代理数据。这些差异影响了分析数据的时间结构和在异常解释之前需要控制的外源性驱动因素类型。

在所回顾的文献中，氡异常并没有通过一个统一的操作框架来定义。相反，研究采用了多种决策规则，包括与原始或校正后的序列平均值之间的偏差、残差阈值、相对不匹配指数、置信带超越值、基于梯度的标准、预测能力下降以及基于分类的公式。这一结果很重要，因为它表明“氡异常”这一术语在不同研究中并不代表统一的分析对象。实际上，异常的含义取决于预期背景的构建方式、持续性的处理方法、所采用的阈值以及非构造性驱动因素的控制方式。

综述还显示，人工智能在该领域的主要作用是方法上的，而非直接具有预测性。在大多数具有明确异常处理流程的研究中，人工智能主要用于在环境或水文条件变化的情况下估计预期的氡背景，然后根据观测行为与预期行为之间的差异来推断潜在的前兆信号。所回顾的工作流程包括气象驱动的回归分析、水文地球化学背景模型、混合分解-学习流程、时间预测方法和监督分类方案。这些流程的区别不仅在于使用的算法类型，还在于模型输出在异常构建和解释中的分析角色。

异常与地震之间的关系也以高度异质的方式实现。不同研究在空间耦合规则、时间关联策略和评估逻辑上存在差异。有些研究依赖于Dobrovolsky类型的预备区或相关的震级-距离框架，而其他研究则使用局部地震发生数据或无正式空间规则的段级区分方法。时间关联的范围从固定的前兆有效性窗口到基于滞后的关联和分组地震期不等。因此，报告的前兆特征在符号、震级、持续时间和提前时间上存在差异，通常通过正确警报、误报、无警报、检测到与未检测到的事件或定性事件叙述来总结，而不是通过统一的事例描述。

验证实践进一步限制了研究之间的直接比较。大多数文章优先考虑信号重建指标（如相关系数和误差度量），而完整的警报级别评估较为少见，通常被检测风格的综合总结所取代。所回顾的研究还采用了不同的验证方法，包括随机分割、重复交叉验证、训练-验证-测试划分、以事件为中心的窗口化以及较少使用的时间顺序或上下文排序设计。因此，由于报告的性能同时受到指标类型、异常定义、耦合框架以及评估过程中时间顺序的保持或破坏的影响，这些性能难以在数据集之间进行比较。

总体而言，现有证据并不支持将氡异常视为在各种环境中稳定且可直接传递的地震前兆的普遍观点。相反，研究表明，前兆相关性的主张取决于监测设计、地点背景、环境标准化、异常定义、耦合架构和验证策略。因此，本综述的主要贡献在于明确基于人工智能的氡研究产生可解释性证据的方法学条件。要在这个领域取得更大进展，需要更广泛的地理覆盖范围、更长的监测记录、更全面地处理当地相关混杂因素、更清晰地报告异常定义和耦合规则，以及更明确地保留时间顺序的评估设计。在这些条件下，人工智能可以作为构建和比较地震背景下氡异常假设的更严格框架。