泄漏感知比较机器学习框架下的摩洛哥北部里夫地区地震易发性制图研究

《Scientific African》:Leakage-aware comparative machine learning for earthquake susceptibility mapping in the Rif region, Northern Morocco

【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific African 3.7

编辑推荐:

  泄漏感知的随机森林(Random Forest, RF)框架可改进地震易发性制图。时间验证与空间验证降低了目标泄漏风险。随机森林在总体预测性能上表现最佳。断层密度与地震聚集性主导了易发性空间格局。所生成的图件可为区域地震风险导向规划提供支持。

  
泄漏感知的随机森林(Random Forest, RF)框架可改进地震易发性制图。时间验证与空间验证降低了目标泄漏风险。随机森林在总体预测性能上表现最佳。断层密度与地震聚集性主导了易发性空间格局。所生成的图件可为区域地震风险导向规划提供支持。
论文解读——泄漏感知比较机器学习框架下的摩洛哥北部里夫地区地震易发性制图

**一、研究背景与问题**

地震灾害是全球自然风险管理中最严峻的挑战之一,不仅因为地面震动本身,更因其级联后果(结构倒塌、滑坡、海啸及关键基础设施长期中断)会不成比例地影响区域规划滞后地区。摩洛哥在过去七十年间经历了多次破坏性地震,包括1960年阿加迪尔地震(Mw 5.8)、2004年与2016年胡塞马地震序列(Mw 6.3)、以及2023年9月阿尔豪兹地震(Mw 6.8),沿海和山地社区持续暴露于强地面震动风险中。从地球动力学角度看,里夫山脉(Rif)属于贝蒂克–里夫弧(Betic–Rif arc)的一部分,位于非洲板块与欧亚板块边界,以4–6 mm/yr的缓慢汇聚产生复杂地壳变形、活动断层和中强地震活动。里夫地区是摩洛哥目前地震活动最强的区域,但既有研究多集中于地震危险性曲线、确定或概率地震动情景、场地放大分析,缺乏区域尺度的地震易发性制图。此外,已有基于GIS的灾害易发性研究常采用层次分析法(AHP)、频率比(FR)等方法,难以处理因子间的非线性关系。近年来机器学习方法在灾害制图中显示出优势,但应用于摩洛哥地震易发性的研究仍十分有限,尤其缺乏对数据泄漏问题的系统考量。若从同一地震目录中提取预测因子来定义目标变量,则时间上不分离会虚增模型表现;随机数据划分在空间结构化环境中也往往不足。因此,本研究不仅旨在生成易发性图,更评估模型选择与验证设计如何影响最终地图的可信度。

**二、研究内容与意义**

研究人员构建了一个泄漏感知的比较机器学习框架,用于摩洛哥北部里夫地区的地震易发性制图。研究整合了构造、地形、岩性和地震活动性相关的条件因子,不依赖单一算法,而是在统一评估协议下比较多种机器学习模型,并通过消融分析、时间验证和空间块交叉验证来明确泄漏敏感预测因子的影响。研究追求的目标是识别最稳健的模型,生成空间明确的地震易发性指数图,并为北摩洛哥地震危险性导向的国土规划提供更可靠的方法基础。该研究的四项主要贡献为:建立了整合多来源数据的里夫区域GIS数据库;在单一可复现协议下开展多模型比较;通过明确的泄漏缓解策略获得更可信的泛化估计;生成并解释了最终地震易发性指数图,结合里夫活动构造框架解释其空间格局,支持其应用于风险导向的规划。

**三、关键技术方法**

研究采用的关键技术方法包括:从USGS地震目录提取1980–2025年Mw ≥ 3.0地震事件,经30 m栅格合并后保留443个地震样本;从NASA Earthdata平台获取SRTM数字高程模型(DEM)并派生高程、坡度、粗糙度;从Morocco GeoPortal获取岩性数据。共生成7个条件因子:到断层距离、断层密度、训练期地震密度(仅使用≤2004年事件)、高程、坡度、粗糙度、岩性(5类)。岩性经独热编码(one-hot encoding)后得到11个预测变量。比较算法包括逻辑回归(Logistic Regression, LogReg)、随机森林(Random Forest, RF)、梯度提升(Gradient Boosting, GB)、径向基函数支持向量机(SVM-RBF)和多层感知机(Multilayer Perceptron, MLP)。验证策略包括时间验证(≤2004年训练、≥2005年测试)、消融分析(有无地震密度)、四折空间块交叉验证(3×3坐标分块)。评估指标包括ROC-AUC、准确率、精确率、召回率、F1分数、校准曲线和Brier分数。

**四、主要研究结果**

**【Frequency Ratio】频率比分析显示,近断层距离、高断层密度和高地震密度与地震发生显著正相关。到断层0–2 km类FR约1.50,断层密度最高类FR约1.90,地震密度最高类FR约1.8–1.9;岩性中,中生代–新生代沉积地层FR值最高(约1.10)。该结果支持条件因子的选择,并为机器学习结果提供了物理一致的解释基础。**

**【Comparative performance and ablation analysis】消融分析中,无论是否包含训练期地震密度,随机森林在所有算法中均取得最优的整体性能,表现为最高的判别能力和最平衡的准确率、召回率与F1分数。移除地震密度后,模型性能下降但仍保持良好预测能力,说明模型不只依赖该变量,还利用独立的构造、地形和岩性信息。**

**【Factor choice sensitivity analysis】因子敏感性分析基于时间验证设置10次重复运行。完整模型ROC-AUC为0.929 ± 0.011,移除地震密度后AUC降至0.859 ± 0.026,Brier分数从0.112增至0.157,表明该因子信息量最大,但模型在缺少它时仍可接受。**

**【Temporal validation, ROC, and calibration analysis】在时间验证下,随机森林取得最高AUC(0.925),Brier分数最低(0.120),表明其具备最强的阈值无关判别能力和最优概率校准。梯度提升AUC为0.906,MLP为0.903,逻辑回归为0.896,SVM-RBF为0.887。**

**【Spatial cross validation and final model selection】四折空间块交叉验证中,随机森林取得平均AUC 0.946 ± 0.052、准确率0.916 ± 0.014、F1分数0.802 ± 0.163、Brier分数0.070 ± 0.017,综合性能最佳,因此被选为最终模型。梯度提升位居第二,逻辑回归精确率高但召回率低。**

**【Post-2025 preliminary consistency check】基于2026年后USGS事件的初步一致性检查仅识别出3个事件,其中1个落在有效栅格内(位于Ouezzane附近,Mw 4.0),该点被预测为极高易发性等级,概率0.715。由于样本量仅为1,该结果不能用于验证模型,只作为描述性观察。**

**【Permutation feature importance of Random Forest model】特征重要性分析表明,训练期地震密度贡献约62%的模型重要性,断层密度约占12%,到断层距离约占10%,高程、坡度、粗糙度各占约3–4%,岩性哑变量合计贡献不足5%。该排序与里夫地区由断层系统控制的地震聚集性一致。**

**【Earthquake susceptibility map using Random Forest】最终易发性图显示高和极高易发性区域集中于Rif中东部与NE–SW走向断层走廊,对应2004年和2016年Al Hoceima地震的发展构造域;西部、南部及沿海平原则多为低至极低易发性。图中地震点主要落在中至极高等级,支持图的内部一致性。**

**五、讨论与结论**

讨论部分指出,本研究在方法鲁棒性、空间可解释性和与相关文献的基准对比三方面取得进展。与已有研究对比,本模型表现处于较高水平,但性能绝对值需谨慎解释,因为伪不存在样本的空间分隔、训练期地震密度的强贡献以及残余空间自相关可能提高类可分性。时间验证和空间交叉验证降低了泄漏风险,但不能完全消除对历史地震聚集的依赖。该易发性图应视为区域相对易发倾向指数,而非像素级确定性概率面。局限性包括地震目录完整性、震中不确定性、伪不存在样本定义、静态预测因子以及post-2025检验样本不足。未来工作应测试替代不存在采样策略、引入时间动态或序列感知预测因子,并将易发性指数与暴露度和脆弱性图层耦合,以推动摩洛哥综合地震风险框架建设。

研究结论翻译如下:本研究通过整合USGS地震目录和7个30 m分辨率的GIS条件因子,开发了泄漏感知的比较机器学习框架,用于摩洛哥北部里夫地区地震易发性制图。频率比分析确认最强的一阶关联来自训练期地震密度、断层邻近度和断层密度。在五种模型中,随机森林表现最稳健,时间验证AUC为0.925,Brier分数为0.120;空间块交叉验证AUC为0.946 ± 0.052,准确率0.916 ± 0.014,F1分数0.802 ± 0.163,Brier分数0.070 ± 0.017。消融分析表明模型在移除地震密度后仍保留预测能力,但该因子仍是最终模型的主导预测因子。最终图件显示高易发性走廊主要集中于Rif中东部,外围区域易发性较低。该图可作为区域筛查、详细调查优先级排序和初步风险导向规划的工具,但应被解释为泄漏缓解的区域易发性指数,而非完全独立于历史地震聚集的地球物理易发性表面。未来需结合动态预测因子及暴露与脆弱性数据,迈向综合地震风险框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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