场地放大效应是地震减灾和地震设计中的关键因素，因为它决定了基岩运动如何转化为地表地面运动。在波动从基岩传播到地表的过程中，当地的地面条件会改变地震动的振幅和频率特性。大量研究表明，即便输入的地震动相同，不同的场地条件也会导致地表响应出现显著差异。因此，准确描述场地放大效应对于优化地震设计规范、编制地震危险性图以及进行可靠的地震风险评估至关重要。
地面运动预测方程通过经验性地考虑震源、路径和场地效应，被广泛用于估算地震引起的地面运动。为表征场地效应，这类方程通常依赖一些替代变量，如土壤表层30米内的平均剪切波速度Vs30[1,2]、土壤深度[3,4]或场地基本周期[5,6]。这些替代变量将复杂的地下条件简化为单一的标量指标。由此，基于替代变量的表示方式会在基于地面运动预测方程的场地效应预测中引入持续的不确定性和变异 [[7], [8], [9]]。
场地响应分析则提供了一种基于物理原理的替代方法，它通过利用土壤沉积物的动态材料属性，对波动在其中的传播过程进行建模[10,11]。与地面运动预测方程不同，场地响应分析会综合考虑土壤的地层结构及其力学行为，从而根据基岩输入数据模拟地表地面运动[12,13]。然而，场地响应分析的结果对地下模型、材料属性以及输入地震动条件的假设极为敏感。当场地特定的地层结构或动态特性缺乏足够约束时，模拟结果与实际观测结果之间往往会出现较大差异[[14], [15], [16]]。这种敏感性也使得在缺乏一致的场地特定模型输入时，难以直接对场地响应分析进行大规模对比。
近年来，机器学习方法被用来克服基于地面运动预测方程和场地响应分析的方法所固有的局限性。早期的研究采用回归类算法或浅层神经网络处理基于替代变量的输入数据，相比传统的经验模型，取得了更高的预测精度[[17], [18], [19]]。近期的研究则开始运用深度学习架构，包括卷积神经网络和循环神经网络，直接学习从基岩到地表的映射关系以及与周期相关的场地效应[[20], [21], [22]]。这些方法表明，数据驱动模型可作为基于物理原理的场地响应分析的补充。因此，这类模型的实用性不仅取决于预测精度，还取决于在明确规定的输入条件和迁移条件下其是否仍能保持可靠性。
现有模型中使用的地下信息在表征真实场地条件方面的能力仍然有限。基于地面运动预测方程的方法依赖那些将地面特性简化为单一指标的替代变量[[23], [24], [25]]。大多数基于机器学习的研究将剪切波速度(Vs)剖面视为在预定深度采样的固定一维向量，而未对层厚度或地层结构进行显式建模[[26], [27], [28]]。此外，诸如土壤类型之类的分类地层信息也很少被纳入考虑，导致共振和阻抗差异等关键机制未能得到充分体现。
用于场地响应分析的现有数据集也限制了高精度预测模型的发展。许多研究依赖于数值模拟得到的数据集，而这些数据集可能无法反映场地特有的变化情况或真实的地下非均匀性[22,29]。相比之下，基于现场测量得到的数据集在数量和空间覆盖范围上往往较为有限[30,31]。这些限制使得难以有效掌握区域性的变化特征以及与频率相关的场地放大特性。
本研究基于KiK-net数据库中的基岩运动、钻孔运动和地表运动记录，构建了一个基于实测数据的深度学习框架，用于从钻孔响应谱预测地表响应谱。在这种钻孔阵列配对的数据环境中，研究旨在了解从基岩到地表的场地响应特性，并评估地下表示方式及模型架构对预测可靠性的影响。所提出的框架将随深度变化的剪切波速度和纵波速度剖面，以及分类地层信息和场地级描述指标一并纳入考虑。研究通过比较不同的CNN、GRU和条件U型网模型在输入表示、架构设计及输入信息增强方面的表现，并利用基于残差的指标和预测可靠性来评估它们的性能。随后，通过特征归因、泛化能力评估以及在外部钻孔场地的适配测试，进一步分析所选模型如何利用地下信息，以及其在未见过的事故、未见过的监测站点以及外部场地条件下的可靠性。
