2022年1月8日青海门源6.9级地震机器学习地震预警震级估计与现地阈值报警的回溯验证.pdf

第6 6 卷第7 期2023年7 月宋晋东，朱景宝，韦永祥等.2 0 2 3.2 0 2 2 年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证地球物理学报，6 6（7）：2 9 0 3-2 9 19，doi：10.6 0 3 8/c j g 2 0 2 2 Q 0 0 5 0.Song J D,Zhu J B,Wei Y X,et al.2023.Backtracking verification of machine learning earthquake early warning magnitudeestimation and on-site threshold alarm for Menyuan M6.9 earthquake in Qinghai on January 8,2022.Chinese J.Geophys.(inChinese),66(7):2903-2919,doi:10.6038/cjg2022Q0050.地球物理学报CHINESE JOURNAL OF GEOPHYSICSVol.66,No.7Jul.,20232022年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证宋晋东1-2，朱景宝1-2，韦永祥，刘艳琼4，何斌1-2，李继龙12，李山有1.2*1中国地震局工程力学研究所地震工程与工程振动重点实验室，哈尔滨15 0 0 8 02地震灾害防治应急管理部重点实验室，哈尔滨15 0 0 8 03福建省地震局，福州3 5 0 0 0 34中国地震台网中心，北京10 0 0 45摘要2 0 2 2 年1月8 日1时45 分青海省海北州门源县发生6.9 级地震，周边地区普遍有感，并导致多条高铁线路临时停运。本文利用这次地震获取的大量烈度计加速度记录，基于正在进行系统研发的机器学习地震预警方法模块，对地震预警震级估计与现地阈值报警进行了回溯验证.结果表明：在地震发生后3.1S，震级估计为6.5 级，且震级估计误差不受信噪比和震中距变化的影响，随着首台触发后时间的增加，震级估计逐渐接近实际震级.对于现地地震动速度峰值PGV(PeakGroundVelocity)预测，各个台站在P波到达后3 s时，预测PGV与观测PGV呈现1：1线性关系，随着P波到达后时间窗的增加，预测PGV逐步接近观测PGV，且PGV预测误差不受信噪比和震中距变化的影响现地台站仪器烈度阅值设置为VI度时，报警成功、误报、漏报的百分比分别为9 9.5 3%、0%、0.47%，平均预警时间为19.6 2 s，且地震烈度V度区内没有发生误报和漏报；现地台站仪器烈度阈值设置为VI度时，报警成功、误报、漏报的百分比分别为9 9.7 7%、0%、0.2 3%，平均预警时间为9.6 9 s，且地震烈度I度区内没有发生误报和漏报.此次回溯验证结果表明：机器学习方法在这次地震中可以得到鲁棒的震级估计和现地阈值报警结果，并为该方法的在线测试以及中国地震预警系统升级提供可行性依据；其次，在这次地震事件中，烈度计可为预警提供额外的作用，这也为烈度计在未来地震预警的研究和应用中提供了更多的可能性.关键词地震预警；机器学习；震级估计；现地地震动速度峰值预测；门源地震doi:10.6038/cjg2022Q0050中图分类号P315收稿日期2 0 2 2-0 1-18，2 0 2 2-0 4-0 2 收修定稿Backtracking verification of machine learning earthquake early warning magnitude estimationand on-site threshold alarm for Menyuan M6.9 earthquake in Qinghai on January 8,2022SONG JinDong2,ZHU JingBaol*2,WEI YongXiang”,LIU YanQiong,HE Bin-,LI JiLongl2,LI ShanYoul-2基金项目中国地震局工程力学研究所基本科研业务费专项（2 0 16 A03），国家自然科学基金项目（U2039209和5 140 8 5 6 4），黑龙江省自然科学基金项目（LH2021E119），地震科技星火计划（XH22008B），福建省地震局科技基金专项（SF202103），国家重点研发计划项目(2018YFC1504003)资助.第一作者简介宋晋东，男，19 8 0 年生，研究员，硕士生导师，主要从事机器学习地震预警研究.E-mail：j d s o n g i e m.a c.c n*通讯作者李山有，男，19 6 5 年生，研究员，博士生导师，主要从事地震预警与地震紧急处置技术研究.E-2904Abstract At 1:45 on January 8,2022,an earthquake event with M6.9 occurred in MenyuanCounty,Haibei Prefecture,Qinghai Province,which was felt in the surrounding areas,resultingin the temporary shutdown of several high-speed rail lines.Based on the machine learningearthquake early warning(EEW)method module of the systematic research and development,this paper makes a backtracking verification of EEW magnitude estimation and on-site thresholdalarm by using a large number of acceleration records of low-cost micro-electro-mechanicalsystem-based(MEMS-based)stations obtained from this event.The results show that at 3.1 safter the earthquake occurs,the magnitude estimation is 6.5,and the magnitude estimation erroris not affected by the change of signal-to-noise ratio(SNR)and epicentral distance.With theincrease of the time after the first triggered station,the estimated magnitude based on multi-station gradually approaches the real magnitude.For on-site peak ground velocity(PGV)prediction,at3 s after the arrival of P wave for each station,there is a 1:1 linear relationship between thepredicted PGV and the observed PGV.With the increase of time window after the arrival of Pwave,the predicted PGV gradually approaches the observed PGV,and the PGV prediction erroris not affected by the change of SNR and epicentral distance.When the instrument intensitythreshold of the on-site station is set to VI,the percentages of successful alarm,false alarm andmissed alarm are 99.53%,0%and 0.47%respectively,the average lead time is 19.62 s,andthere is no false alarm and missed alarm in the area where the seismic intensity is VI;When theinstrument intensity threshold of the on-site station is set to Vl,the percentages of successfulalarm,false alarm and missed alarm are 99.77%,0%and 0.23%respectively,the average leadtime is 9.69 s,and there is no false alarm and missed alarm in the area where the seismic intensityis Vl.The retrospective verification results show that the machine learning method can obtainrobust magnitude estimation and robust on-site threshold alarm results in this earthquake event.Meanwhile,it also provides a feasible basis for the on-line test of this method and the upgradingof Chinese EEW system;Secondly,in this earthquake event,the MEMS-based stations providean additional role for EEW,which also provides more possibilities for the research and applicationof MEMS-based station in EEW in the future.KeywordsEarthquake early warning;Machine learning;Magnitude estimation;On-site peakground velocity prediction;Menyuan earthquake0引言地震预警是防震减灾的重要手段之一（AllenandKanamori，2 0 0 3；K a n a m o r i，2 0 0 5).地震预警系统依据地震发生之后P波传播速度比破坏性地震波传播速度快的原理，在破坏性地震波还未到达目标场地之前，利用台站获得的P波信号对震级等地震基本参数、地震动峰值和地震破坏范围进行估地球物理学报(Chinese J.Geophys.）1 Key Laboratory of Earthquake Engineering and Engineering Vibration,Institute of Engineering Mechanics,China Earthquake Administration,Harbin 150080,China2KeyLaboratory of Earthquake Disaster Mitigation,Ministry of Emergency Management,Harbin 150080,China3 Fujian Earthquake Agency,Fuzhou 350003,China4 China Earthquake Networks Center,Beijing 100045,China66卷计，并通过手机、电视等多种通信方式向公众发布预警信息（马强，2 0 0 8；宋晋东，2 0 13；张红才，2 0 13）.地震预警系统可以给公众提供几秒或十几秒甚至几十秒的预警时间来采取紧急避险措施，该方法可以有效的减轻地震造成的人员伤亡和经济损失（李山有，2004).目前，世界上一些地震活跃的国家和地区已经开始测试和运行地震预警系统，包括美国西海岸（A l l e n e t a l.，2 0 0 9；刘赫奕等，2 0 2 1）、日本（Hoshiba，2008）、意大利（Colombelli et al.，2 0 2 0）、墨西哥7期宋晋东等：2 0 2 2 年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证（A r a n d a e t a l.，19 9 5）和中国台湾地区（Wu et al.，2021)等等.同时，自2 0 0 8 年汶川8.0 级地震后，中国开始重视地震预警系统建设.目前，中国地震预警系统已经在一些地区开始测试，包括首都圈地区(Peng et al.，2 0 11)、福建地区（Zhang et al.，2 0 16)和川滇地区(Wangetal.，2 0 2 0).震级是地震预警系统的重要产出指标，现地地震动峰值预测是现地预警的基础、也可为高铁预警提供支撑（宋晋东等，2 0 18).随着人工智能的快速发展，机器学习方法已经引人到地震预警震级估计和峰值地震动估计的研究中（HsuandHuang，2 0 2 1；Jozinovic et al.，2 0 2 0；Zh a n g e t a l.，2 0 2 1；胡安冬和张海明，2 0 2 0；林彬华等，2 0 2 1；宋晋东等，2021).以减小震级估计和现地地震动峰值预测误差为目标,Zhu等（2 0 2 2 a）与余聪等（2 0 2 1)基于机器学习中的支持向量机SVM(SupportVectorMachine)方法，研发了支持向量机震级估计SVM-M(SupportVectorMachine-Magnitude)模型与支持向量机现地地震动速度峰值PGV（Pe a k G r o u n d Ve l o c i t y）预测SVM-PGV(Support Vector Machine-Peak GroundVelocity)模型，极大的提升了估计的准确性，目前震级估计SVM-M模型与现地PGV预测SVM-PGV模型正被用于地震预警系统研发.2022年1月8 日1时45 分在中国西部青海省海北州门源县发生了6.9 级强地震，震中位置北纬37.77东经10 1.2 6，震源深度10 km，这是自2 0 2 1年5 月青海玛多7.4级地震以来发生在中国的最大震级的地震（Yangetal.，2 0 2 2）.门源地区周边普遍有感，并导致多条高铁线路临时停运.该地区人烟稀少，有少量人员受伤和财产损失.依据中国地震局的烈度评定结果（https：/w w w.c e a.g o v.c n/c e a/xwzx/fzjzyw/5646200/index.html)，此次地震造成地表破裂约2 2 km，最高烈度为IX度，VI度区及以上面积约两万三千多平方公里，其中青海省V度区及以上面积约一万三千多平方公里，甘肃省V度区及以上面积约九千多平方公里.虽然这次地震发生时机器学习地震预警方法模块还处在系统研发期间没能在线应用，但这次地震事件获取到49 5 个烈度计加速度记录和1个强震台加速度记录，为方法的回溯验证提供了近场数据支撑.同时，由于烈度计在国家地震烈度速报与预警工程项目中主要承担烈度速报的观测任务，本次地震也可以探索烈度计用于地震预警的可行性.本文基于Zhu等(2 0 2 2 a)利用日本K-NET(Kyoshin2905Network)台网的强震数据建立的SVM-M模型，将P波到达后不同时间窗的特征参数作为SVM-M模型的输人，得到单个台站的震级估计，并对单台震级估计误差进行分析，同时采用多台平均计算震级方法对这次门源地震进行实时震级估计分析.本文还基于余聪等（2 0 2 1)利用日本K-NET台网的强震数据建立的SVM-PGV模型，将多个特征参数作为SVM-PGV模型的输人,得到现地预测PGV,并对PGV预测误差进行了分析.此外，在设置的不同仪器烈度阈值下，对基于预测PGV的报警结果进行分析.本文的研究是为了探索机器学习方法对这次门源地震进行地震预警震级估计和现地阈值报警的可行性，以及分析烈度计用于地震预警的可行性。1方法机器学习中的SVM方法主要用于回归和复杂的预测问题（Hearst et al.，19 9 8）.Zh u 等（2 0 2 2 a)使用日本K-NET台网的强震动数据构建了SVM-M模型，并将单个台站获得的多个特征参数作为SVM-M模型的输入，进而输出单个台站的估计震级.其研究结果表明：基于SVM-M模型的震级估计的准确性高于传统的用于震级估计的t。方法和Pd方法.余聪等（2 0 2 1）也使用日本K-NET台网的强震数据建立了SVM-PGV模型，并将单个台站获得的多个特征参数作为SVM-PGV模型的输人，进而输出现地台站的预测PGV.其研究结果表明：基于SVM-PGV模型的现地PGV预测的准确性高于传统的用于现地PGV预测的Pa方法.本文将基于Zhu等（2 0 2 2 a）和余聪等（2 0 2 1）建立的SVM-M模型和SVM-PGV模型对这次门源地震进行震级估计和 PGV预测.1.1特征参数作为SVM-M模型输入的有12 个特征参数，包括幅值类特征参数、周期类特征参数、能量类特征参数和衍生类特征参数.幅值类特征参数包括峰值位移（WuandZhao，2 0 0 6）、峰值速度和峰值加速度（W u a n d K a n a m o r i，2 0 0 5）；周期类特征参数包括特征周期（Kanamori，2 0 0 5）、峰值比（Bose，2 0 0 6）、构造参数（Huang etal.，2 0 15)；能量类特征参数包括速度平方积分（Festa et al.，2 0 0 8）、累积绝对速度（ReedandKassawara，19 9 0）、累积能量变化率（Na k a m u r a，2 0 0 3）；衍生类特征参数（Zhu etal.，2021)包括竖向累积绝对位移、竖向累积绝对速度、2906竖向累积绝对加速度.作为SVM-PGV模型输入的有10 个特征参数，包括峰值位移、峰值速度、峰值加速度、构造参数、速度平方积分、累积绝对速度、竖向累积绝对位移、竖向累积绝对速度、竖向累积绝对加速度和阿里亚斯烈度（Arias，19 7 0).此外,作为SVM-M模型输人的幅值类参数、能量类参数和衍生类参数做了震源距校正，且统一校正到参考距离10 km.同时，在震级估计的相关研究中，利用幅值参数和能量参数估计震级时，会考虑地震的位置信息，对幅值参数和能量参数进行距离校正是地震预警震级估计研究中普遍采用的做法(Zollo etal.，2006;Festa et al.,2008;Kuang et al.,2021).1.2SVM-M模型和SVM-PGV模型SVM方法主要是利用训练数据集建立一个复杂的回归函数：f(x)=WT.(x)+b,式中：f（x）是预测值，W是输入特征参数的权重，(x)是核函数，x是输入的特征参数组成的一维向地球物理学报(Chinese J.Geophys.）(1)66卷参考Zhu等（2 0 2 2 a）和余聪等（2 0 2 1）的研究，原始SVM-M模型和SVM-PGV模型使用了日本K-NET台网的强震动数据对模型进行训练和测试.同时,对P波到达后110 s，每隔1s都训练了不同的SVM模型，然后在地震发生后，依据每个台站触发后P波的时间窗来调用相对应的模型，进行震级估计和PGV预测.1.3误差、标准差和平均绝对误差本文中将估计震级Mest与实际震级Mreal之差定义为震级估计误差，震级平均绝对误差定义为M;将对数的预测地震动速度峰值PGVpre与对数的观测地震动速度峰值PGVobs之差定义为PGV预测误差oPGV,预测PGV平均绝对误差定义为pGV.标准差反映的是预测值的离散性，平均绝对误差反映的是整体的预测值的误差大小.震级估计误差、PGV预测误差以及平均绝对误差的计算公式如下：oM=Mest-Mreal,(5)77量，b是偏置.影响SVM方法预测结果的因素包括：M=1（1)核函数；（2)容忍误差（e）；（3)惩罚参数（C).这些n因素也是SVM方法与传统的最小二乘回归方法的gPGV=logio(PGVpre)-logio(PGVobs)，(7)210不同之处.在本文，建立的SVM-M模型和SVM-(6)77PGV模型所采用的核函数是高斯核函数（SteinWartetal.，2 0 0 9），其对应的SVM参数为高斯核参数（).本文根据前人确定SVM参数的方法计算这三个参数(Chapelle et al.，2 0 0 2；Zh u e t a l.，2 0 2 2 a),计算公式如下：1=2a=h/0.3,1nm=3BmC=max(l+3l,l-3l),式中：d是作为SVM输入的特征参数的数量；h是输人的特征参数值的范围；m是训练的样本数量；是训练得到的预测值与真实值的误差的标准差；是预测值的平均值；是训练结果的标准差.通过将训练数据集计算得到的特征参数作为SVM的输人，SVM-M模型的预测目标是震级，SVM-PGV模型的预测目标是0.110 Hz下带通滤波后三分向地震动记录合成的PGV.通过对训练数据集进行训练，确定SVM参数，则可以得到SVM-M模型和SVM-PGV模型.由于之前的相关论文中已经对SVM方法做了详细的介绍（余聪等，2 0 2 1；Zhuetal.，2022a），在这里仅对支持向量机方法简单的描述.PG V=1n其中，n是样本数量.根据震级估计误差M和PGV预测误差aPGV计算震级估计误差的标准差oM和PGV预测误差的标准差opGv，计算公式如下：2(oM-M),（2）OM=(3)OPGVn台(4)式中：为震级估计误差的平均值，PGV为PGV预测误差的平均值。1.4震级多台平均我们将P波到达后110 s不同时间窗下建立的SVM-M模型得到的单台震级估计通过多台平均的方法（Parketal.，2 0 10）可以获得实时的多台震级估计结果。实时震级多台平均计算准则如下：(1)当最先同时触发一个或多个台站时，我们对触发的台站得到的估计震级求平均值，且从首台触发后1s开始计算震级估计；（2）当再次有新的台站触发时，新的触发的台站的P波时间窗需要满足3 s才能参与对估计震级求平均(8)，(9)ni=1(10)7期宋晋东等：2 0 2 2 年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证值,其目的是为了提高对于求震级多台平均的稳定性。震级多台平均计算公式如下：NZMM=1N式中：N是已经触发的且满足计算准则的台站数量，M是第i个触发的台站在第i秒的估计震级，M是多台平均后计算得到的震级.1.5现地PGV阈值报警地震烈度是地震引起的地面震动及其影响的强弱程度.本文依据地震烈度设置了两个仪器烈度阈值，分别是仪器烈度VI度和仪器烈度VI度，根据中国地震烈度表（国家市场监督管理总局，国家标准化管理委员会，2 0 2 0)，其对应的三分向地震动记录合成的观测PGV阅值分别是3.8 cms-1和8.17 cms-1.此外，本文允许一度的烈度误差，即可以得到预测PGV的阈值.在不同的仪器烈度阈值下，表1和表2分别定义了成功报警，成功不报警，误报和漏报.表1仪器烈度阈值为度时，成功报警、成功不报警、误报和漏报的定义Table 1Definition of successful alarm,successful no alarm,false alarm and missed alarm when the instrument intensity报警类别成功报警漏报成功不报警误报40N2907表2 仪器烈度阈值为I度时，成功报警、成功不报警、误报和漏报的定义Table 2 Definition of successful alarm,successful no alarm,false alarm and missed alarm when the instrument intensity(11)报警类别成功报警漏报成功不报警误报2数据及处理中国地震台网中心测震台网部为本文的研究提供了2 0 2 2 年1月8 日青海门源地震的地震动数据。地震发生之后，中国地震台网中心测震台网部获得烈度台记录49 5 组（共计148 5 条三分向地震记录）和强震台记录1组（共计3 条三分向地震记录）.图1a展示了这次地震烈度计（蓝色三角形）、强震台(红色三角形)和震中(红色五角星)的分布.图1b展示了49 5 个烈度计（蓝色实心圆）和1个强震台（红色实心圆)经过基线校正后计算得到的PGV和震threshold is VI中距的关系，且未经过滤波.从图1b中可以发现随观测PGV值预测PGV阈值3.8cms-11.76 cm s-13.8 cm s-11.76 cm s-13.8 cm s-18.17 cm s-18.17 cm s-1threshold is Vl观测PGV阅值8.17 cm s-18.17 cm s-18.17 cm s-18.17 cm s-1着震中距的增加,PGV逐渐减小，且经过处理后未出现振幅异常的台站.图2 a展示了这次地震中最近台站（C0028）记录到的原始的三分向加速度波形，同时这个台站也是本次事件中记录到最大加速度的台站，该台站的102(a)预测PGV阈值3.8 cm s-117.6 cm s-1(b)10138N(,-s.o)/ADd10036N震中98E100E图1本研究中震中和台站的分布以及PGV和震中距的关系Fig.1The distribution of epicenter and stations and the relationship between PGV andepicentral distance in this study烈度计强震台烈度计强震台10-1102E104E100101102震中距/km1032908震中距为7.8 km，垂直分向UD、东西分向EW、北南分向NS的最大加速度分别为42 0.7 9 cms-423.28cms-、49 9.0 4c m s-2.图2 b展示了本次地震中唯一的强震动台站（6 2 HUC)的三分向加速度记录，该台站的震中距为5 0.7 km，U D、EW、NS分向的最大加速度分别为19.4cms-、2 8.5cm s-、3 3.5 c m s-2.在本研究中，首先采用马强等（2 0 13）提出的基于长短时平均和池赤准则的P波捡拾方法对未滤波的加速度记录确定P波到时；然后再对加速度记录进行积分得到速度记录，再对速度记录进行一次积分得到位移记录，通过使用4阶0.0 7 5Hz的巴特沃斯滤波器对积分后的结果进行高通滤波（宋晋东等，2 0 18），以消除积分造成的低频漂移的影响.最后，通过获得的加速度记录、速度记录和位移记录计算P波到达后不同时间窗下的相应的特征参数作为SVM-M模型和SVM-PGV模型的输入。3结果为了验证机器学习方法对这次门源地震进行地地球物理学报(Chinese J.Geophys.）台站名称：C00284002000-200-400(a.s.w0)/率(f4002000-200-4004002000-200-400上030震中距=5 0.7 km150-15-30(2.s.w0)/(率(f-3030150-15-300Fig.2 Acceleration records of the nearest station and the only strong motion station in this study66卷P波到时UD震中距=7.8 kmPGA=420.79 cm-s-2PGA=423.28 cm-s-2PGA=499.04 cms-210201020图2 本研究中最近台站以及唯一的强震动台站的加速度记录SVM-M模型震级估计在P波到达后3 s时间窗时，图3 a和图3 b分别展示了基于SVM-M模型的单台震级估计误差与信噪比和震中距的关系.本文依据Carranza等（2 0 15)提出的方法用于计算衡量地震信号质量的信噪比，即P波到达后5 s内的垂直方向的速度幅值与P波到达前5 s内的垂直方向的速度幅值的比.图3 中蓝色的点表示基于SVM-M模型对于烈度计的震级估计误差，红色的点表示基于SVM-M模型对于强震动台站的震级估计误差，虚线表示的是误差在2 倍标准差的范围.在P波到达后3 s时间窗时，SVM-M模型的震级估计误差的标准差是0.3 0，平均绝对误差是0.2 2.从图3 a中可以发现烈度计记录到的地震数据的信噪比较低，烈度计记录到的主要是信噪比在10 dB以下的地震记录.但是，通过对图3 a中的基于SVM-M模型的震级估计误差分EW(a)NS1503040台站名称：6 2 HUCP波到时304016070t/sPGA=19.4 cm:s-2PGA=28.5 cms-2PGA=33.5 cm-s-250601t/s震预警震级估计和现地阈值报警的可行性以及探索烈度计用于这次地震中地震预警的可行性，基于SVM-M模型和SVM-PGV模型以及这次地震获取的大量的烈度计的加速度记录，我们对震级估计、现地PGV预测以及阈值警报结果进行了回溯验证分析.3.1S8070908010090110UDEW(b)NS7期宋晋东等：2 0 2 2 年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证320MF0.304M-0.221290920M烈度计强震台(a)-2-30320M-0.304MF0.2210-1-2320图3基于SVM-M模型的震级估计误差与信噪比和震中距的关系Fig.3Relationship between magnitude estimation error based on SVM-M model and布的观察，可以发现：单台的震级估计误差主要集中在土0.6 个震级单位范围内，且震级估计误差并没有受信噪比的影响.从图3 b中可以发现：震级估计误差也不随震中距的变化而变化.在P波到达后110 s时间窗时，对于单台的震级估计，图4a和图4b分别展示了基于SVM-M模型的震级估计误差的标准差和平均绝对误差随时间窗增加的变化.图4a和图4b中红色的实心圆分别表示这次门源地震记录到地震信号的单个台站的震级估计误差的标准差和平均绝对误差.从图4a和图4b中可以发现：随着P波到达后时间窗的增加，震级估计误差的标准差和平均绝对误差整体呈现下降趋势.在P波到达后1s时间窗时，单台的震级估0.500.450.40()0.300.25(a)0.2001234567891011时间窗/s图4基于SVM-M模型的震级估计误差的标准差和平均绝对误差与P波到达后不同时间窗的关系Fig.4 Relationship between standard deviation and average absolute error of magnitude estimation error basedon SVM-M model and different time windows after P wave arrival102040signal-to-noise ratio and epicentral distance4567891011时间窗/s30-20M6080震中距/km计误差的标准差和平均绝对误差分别是0.48 和0.38；在P波到达后6 s时，单台的震级估计误差的标准差和平均绝对误差分别是0.2 2 和0.17.图4b中，在6 9 s之间，平均绝对误差出现上升的趋势.但是，结合纵坐标可以发现，在6 9 s之间，平均绝对误差的波动范围一直在0.0 5 以内，我们认为这个平均绝对误差的波动是在可以接受的范围之内.同时，在第10 s，平均绝对误差又出现下降.我们推断图4b中这种上升波动的原因可能是模型估计结果自身的不确定性导致的；依据Chapelle等（2 0 0 2)提出的经验公式计算得到的支持向量机参数并非是绝对的最优参数，这也可能导致模型估计结果的波动，表明对于模型还有一定的改进空间.0.400.35()0.300.250.20(b)0.15012340信噪比/dB烈度计强震台1001205060701408016090180100(b)2002910为了对门源地震进行实时的震级估计分析，图5 展示了地震发生后，根据已经触发的单个台站的预测震级进行多台平均得到的估计震级.图5中横坐标分别表示首台触发后时间与地震发生后的时间，红色的实心圆表示多台估计震级，红色实心圆附近的数字表示用于估计震级的台站数量，黑色实线表示实际震级，虚线表示土0.6 震级单位误差.从图5 中可以发现：在地震发生后3.1s时，7.5一地球物理学报(Chinese J.Geophys.）66卷震级估计为6.5 级，震级估计误差为0.4；随着地震发生后时间的增加，触发台站数量也在逐渐增加，多台估计震级也逐渐趋近实际震级，在地震发生后6.1s时，震级估计为6.8 级，震级估计误差为0.1.从图5 中还可以发现：在发震后前3 s，没有给出震级估计，即：还未有台站触发参与震级估计.在地震发生后3.1s，首台触发并给出震级估计.7.06.5级6.05.55.04.50Fig.5JReal-time multi-station magnitude estimation of Menyuan earthquake3.2SVM-PGV模型PGV预测和阅值报警在P波到达后3 s时间窗时，图6 a和图6 b分别展示了基于SVM-PGV模型的PGV预测误差与信噪比和震中距的关系.图6 中蓝色的点表示基于SVM-PGV模型对于烈度计的PGV预测误差，红色的点表示基于SVM-PGV模型对于强震动台站的PGV预测误差，虚线表示的是误差在2 倍标准差的32OpGv=0.304pcv=0.2610-1-2-3032OpGv=0.3010-1-2-30Fig.6 Relationship between PGV prediction error based on SVM-PGV model and signal-to-noise ratio and epicentral distance20多台估计震级实际震级123410204pGv=0.262040图6 基于SVM-PGV模型的PGV预测误差与信噪比和震中距的关系一0.6 震级单位误差34首台触发后时间/s56图5门源地震的实时多台震级估计范围.在P波到达后3 s时间窗时，SVM-PGV模型的PGV预测误差的标准差是0.3 0，平均绝对误差是0.2 6.虽然烈度计记录到的地震数据的信噪比较低，但是通过图6 a可以发现，PGV预测误差主要集中在士0.6 范围内，且PGV预测误差不受信噪比的影响.同时，通过图6 b可以发现：基于SVM-PGV模型的PGV预测误差不随震中距的变化而变化.20PGV烈度计强震台113040信噪比/dB20pGV烈度计强震台6080震中距/km57发震后时间/s5060100120618079170140810801609119018010121113(a)100(b)2007期宋晋东等：2 0 2 2 年1月8 日青海门源6.9 级地震机器学习地震预警震级估计与现地阈值报警的回溯验证在P波到达后110 s时