神经调制更新过程:地震序列建模的灵活新框架

《Earth's Future》:Flexible Seismicity Modeling With Neural Modulated Renewal Processes

【字体: 大 中 小 】 时间:2026年04月26日 来源:Earth's Future 8.2

编辑推荐:

  本研究针对神经点过程在地震建模中理论与经典模型联系不清、所需历史信息量不明、震级与发震间隔相对贡献未量化等关键问题,创新性地在神经调制更新过程框架下重新诠释了一类神经点过程,系统开发并评估了四种变体模型。研究利用EarthquakeNPP基准测试表明,基于发震间隔调制的模型在仅需少量历史事件(约10个)的情况下,其对数似然性能即可匹配甚至超越广泛使用的ETAS模型,并揭示出发震间隔是比震级更关键的预测因子。该框架为地震建模提供了灵活高效的范式,为整合多元前兆信息和深化理解地震触发机制开辟了新途径。

  
地震,这种突如其来的自然灾害,其发生并非完全随机。科学家早已发现,一次地震,特别是强震发生后,往往会引发一系列余震,这表明地震事件之间存在复杂的时空关联。为了预测这种关联模式,传统上常使用两类点过程模型:一类是传统参数模型,如基于自激发机制的霍克斯过程及其在地震学中的经典实现——ETAS(Epidemic-Type Aftershock Sequence)模型,它假设每个地震都会通过一个随时间衰减的“触发核”增加后续地震发生的概率;另一类是更新过程,它假设地震间隔时间是独立同分布的,常用于研究大地震的重发周期。然而,这些传统模型因其参数化形式固定,在捕捉地震序列复杂特征方面存在局限。
近年来,神经点过程作为一种数据驱动的灵活替代方案兴起,它能够直接从数据中学习条件强度函数,无需预先设定参数形式,并已在一些地震预测任务中展现出与ETAS模型相当的性能。但将现代人工智能模型应用于地震建模时,两个根本性问题依然悬而未决:第一,模型需要多少历史地震信息才能有效工作?是过去成百上千个事件,还是仅仅最近几次就足够了?第二,在影响模型预测能力方面,地震之间的时间间隔(发震间隔)和地震本身的大小(震级),究竟哪个因素更重要?为了回答这些问题,一项最新研究在《Earth's Future》上发表,对地震序列建模提出了新的见解。
该研究将一类先前的神经点过程框架重新阐释为“神经调制更新过程”(Neural Modulated Renewal Processes, NMRP),它通过整合深度学习架构,推广了传统的调制更新过程。研究人员在此框架下,系统性地构建并分析了四个模型变体:无调制的神经更新过程(NRP,作为基线)、基于发震间隔调制的I-NMRP、基于震级调制的M-NMRP,以及联合调制的J-NMRP。他们的性能在使用加州地震数据的EarthquakeNPP基准上,与ETAS模型进行了系统性比较。所有模型代码均已公开。

关键技术方法

研究主要采用了基于神经网络的点过程建模与对比评估方法。核心是构建神经调制更新过程框架,其中神经更新过程使用全连接神经网络来近似发震间隔的累积风险函数,而神经调制更新过程则通过长短期记忆网络动态学习历史事件对风险函数的调制效应。研究使用了EarthquakeNPP基准数据集,该数据集包含加州地区1971年至2021年多个不同空间覆盖、震级阈值和编目方法的地震目录,如ComCat、SCEDC系列以及San Jacinto断裂带和Salton Sea地区的高分辨率地震模板匹配目录。所有目录均严格按照基准建议划分为辅助、训练、验证和测试期。模型评估以对数似然为核心指标,并与简化版的ETAS模型(仅考虑最近K个事件以适配深度学习框架并进行公平对比)进行性能比较。

研究结果

4.1 整体性能对比

在QTM_SaltonSea数据集上的评估表明,基线NRP模型的平均对数似然为-2.47。I-NMRP和J-NMRP的性能随着所用历史地震数量从2个增加到5个而快速提升,并在约9个事件后趋于稳定。这意味着仅需有限的近期历史(约10个事件)即可捕捉地震序列的主要依赖关系。相反,M-NMRP在所有历史长度下仅比NRP有微弱提升,表明仅靠震级调制带来的预测收益有限。ETAS模型则呈现出不同模式,其性能随着历史事件的增加而缓慢提升,直到约100个事件后才饱和。尽管利用了长得多的历史窗口,ETAS在多数情况下的性能仍低于I-NMRP和J-NMRP。在峰值对数似然上,I-NMRP和J-NMRP分别达到-2.28和-2.27,均超过了ETAS的-2.30,而它们的输入量(50个历史事件)仅为ETAS(500个事件)的10%。
残差分析和累积对数似然增益评估进一步证实了上述结论。在训练集上,ETAS、I-NMRP和J-NMRP都表现出良好的校准性。然而,在验证集和测试集上,ETAS的残差轨迹与参考线偏离更多,而I-NMRP和J-NMRP则始终保持良好校准,显示出更优的泛化能力。NRP和M-NMRP则在所有数据集上都无法再现经验模式。累积对数似然增益图显示,在训练集上,I-NMRP、J-NMRP和ETAS的增益曲线几乎重合;但在验证和测试集上,I-NMRP和J-NMRP的累积增益保持一致,且始终高于ETAS。M-NMRP在训练集上对NRP有微弱优势,但在验证和测试集上该优势消失。

4.2 基于风险函数和似然分析的性能洞察

为了更细致地理解性能增益的来源,研究将J-NMRP相对于ETAS的对数似然增益与两个关键变量——地震震级和独立概率(衡量背景活动对总条件强度相对贡献的指标)——关联起来进行分析。结果显示,对数似然增益与震级没有系统性依赖关系,表明两种模型在捕捉震级信息方面能力相当。然而,增益与独立概率显示出明显的依赖关系。在中等触发机制下(独立概率约为0.4),J-NMRP持续优于ETAS,表明神经调制的发震间隔在表征背景事件和触发事件均有显著贡献的情形时表现更优。然而,在强触发和弱触发机制下,ETAS倾向于获得更高的似然值。这一模式在EarthquakeNPP基准的其他数据集中也普遍存在。

4.3 稳健性分析

在EarthquakeNPP基准的其他数据集上评估表明,NMRP框架在多数数据集上保持强劲性能。但在SCEDC_25和SCEDC_30数据集上,I-NMRP和J-NMRP的对数似然得分显著低于ETAS。分析发现,Ridgecrest地震序列是导致性能下降的主要原因。该序列在主震后数小时内发生了极端的短期余震丛集,产生了大量短暂的发震间隔。由于NMRP模型严重依赖历史发震间隔进行调制,当遇到与训练分布差异巨大的模式时,其准确捕捉事件动态的能力就会受限。相比之下,ETAS模型显式的触发机制使其更能稳健地处理此类丛集地震活动。
为了分离早期丛集余震对评估的影响,研究对Ridgecrest序列采用了概率性删除策略。处理后(如表1下半部分所示),I-NMRP和J-NMRP重新获得了竞争力。这表明,在与训练分布一致的数据机制下,J-NMRP和I-NMRP能够超越基线ETAS。然而,在原始Ridgecrest目录上观察到的性能退化突显了一个关键敏感点:随着地震台网越来越密集,新记录目录呈现出越来越精细的时间分辨率,发震间隔分布可能与训练所用分布发生显著偏离。这种分布偏移会损害严重依赖发震间隔调制的NMRP模型的校准。

研究结论与讨论

本研究在神经调制更新过程框架下重新诠释了一类神经点过程模型,并证明其在对数似然性能上可以匹配甚至超越基于霍克斯过程的ETAS模型。通过将神经点过程置于更新过程的理论背景下,这项工作在现代深度学习方法和经典统计地震学之间架起了一座理论桥梁。
分析得出两个主要洞见:首先,NMRP仅需有限数量的近期事件(约10个)即可有效捕捉地震活动模式,而ETAS则依赖于长得多的历史序列。这一结果直接回答了“需要多少历史信息来学习地震触发动力学”的问题。其次,研究发现发震间隔对预测性能的贡献远大于地震震级,表明发震间隔的历史携带了丰富的地震活动预测信息。这些发现共同表明,地震发生的复杂性在很大程度上可以通过紧凑的历史摘要来捕捉,而无需依赖详尽的事件历史或震级信息。
更详细的比较进一步揭示,J-NMRP在中等触发机制下优于ETAS,而ETAS在触发更强或变异性更高的条件下保持优势。此外,NMRP的性能对发震间隔的一致性敏感,而ETAS在不同条件下表现出更强的稳健性。这种敏感性凸显了在未来建模研究中考虑目录完整性和地震台网更新的重要性。
与ETAS模型相比,NMRP框架为整合异构的前兆信息(如已有研究提到的电磁、气体排放异常、地磁异常、射出长波辐射等)提供了更灵活的机制。NMRP允许外部信号以非线性方式调制风险函数,使得模型能够直接从数据中学习过去地震与多种前兆信号之间的复杂相互作用。因此,该模型可以容纳多样化的、随时间变化的地球物理观测,为下一代多模态地震预测系统提供了灵活的基础。
展望未来,多个研究方向随之浮现。将NMRP扩展到时空预测,可以更真实地表示地震在时间和空间上的丛集。整合异质的地球物理信号(如应力转移、断层接近度或大地测量数据)可以进一步丰富神经调制机制。最后,开发混合神经-统计架构为平衡预测能力和物理解释性提供了一条有前景的途径,最终将推动我们对地震触发过程的理解。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号