基于XGBoost的现地地震烈度阈值实时判别模型

Real-Time Discrimination Model for Local Earthquake Intensity Threshold Based on XGBoost

摘要

如何在地震中利用台站接收到的少量P波信息预测该台站处的最终烈度是否会超越6度是地震预警研究中亟待解决的关键问题. 提出了一种基于极限梯度提升树（XGBoost）的现地烈度阈值实时判别模型，该模型以由台站接收到P波后3秒内的信息计算的5种特征作为输入参数，以该台站处的最终仪器地震烈度是否会超越6度作为阈值. 选取1996—2022年日本K-NET台网记录的460次地震的4 353条加速度记录建立了基于P波前3秒信息的烈度阈值实时判别模型（XGBoost-ITD）. 结果表明，该模型对低烈度的判别准确率为93%，对高烈度的判别准确率为88%. 在相同数据集条件下，相较于支持向量机分类方法及传统方法，XGBoost方法对现地烈度阈值判别具有更高的精度.

关键词

现地预警 / XGBoost / SHAP / 机器学习 / 天然地震

Key words

onsite warning / XGBoost / SHAP / machine learning / earthquake

0 引言

地震可能会造成建筑破坏、人员伤亡、经济损失及严重的次生灾害. 为了预防及减轻地震灾害，人们不仅采取了地震动参数区划、建筑抗震设计、减隔振技术等震前抗震措施，还采取了一种震时实时减灾手段——地震预警技术（李山有， 2018）. 地震预警技术通常利用台站观测到的少量地震波信息对此次地震可能引起建筑结构破坏的区域范围进行预测，进而为处在该范围的公众或重大工程发送预警信息，使公众采取合理的紧急避险以减少人员伤亡，使重大工程采取合理的紧急处置措施以避免次生灾害的发生.

目前，地震预警方法主要包括区域预警方法和现地预警方法（Allen et al.， 2009）. 区域预警方法利用台站接收到的P波走时信息进行地震定位（Satriano et al.， 2008；金星等， 2012），利用P波的幅值、周期或能量信息进行震级估算（Kanamori， 2005；Wu and Kanamori， 2005；宋晋东等， 2021；江炳根等， 2022），用观测到的地震动峰值参数进行破裂尺度估计（Yamada et al.，2007；Böse et al.， 2015）. 基于这些信息，结合地震动衰减关系可以估计地震可能引起破坏的区域（如6度区）. 由于实时地震定位、破裂尺度的估计都需要密集台网为基础，区域预警方法常用于公众地震预警系统. 相比之下，现地预警方法利用P波和S波的到时差进行预警，不需要考虑震源参数. 因此，现地预警方法主要应用于重大工程地震预警系统（马强， 2008；Kanamori， 2015）.

现地预警方法主要包括现地地震动阈值预测方法（Wu and Kanamori，2005；Wu and Kanamori，2008；Kanamori， 2015）和现地地震动预测方法（宋晋东等，2021；余聪等，2021；Wang et al.， 2023）. Wu and Kanamori（2005， 2008）提出了基于P波峰值位移和卓越周期的地震动阈值判别统计模型，Kanamori（2015）设计了一种不使用固定时间窗的现地预警方案，并将垂直分量上的峰值速度（peak ground velocity，PGV）作为阈值. 宋晋东等（2021）提出了基于P波多参数的支持向量机现地PGV预测模型. 余聪等（2021）利用P波数据，建立了支持向量机模型，预测现地地震动峰值加速度（peak ground acceleration，PGA）和峰值速度. Wang（2023）等人和胡进军（2023）等人分别利用长短时记忆神经网络实现了地震动和地震烈度的预测. 与单参数统计模型相比，机器学习方法具有更高的预测精度，展现出了多参数复杂模型在现地地震预警中的优势. 地震动阈值的预测和识别属于一种分类任务，而机器学习在解决分类问题上的效果逐渐显现，并已在房屋震害快速预测（刘丽等，2023）、矿物智能识别（郝慧珍等，2021）、泥页岩岩相测定（王民等，2023）等众多领域得到广泛应用. 极限梯度提升算法（extreme gradient boosting，XGBoost）是由华盛顿大学的陈天奇提出的一种集成学习算法（Chen and Guestrin， 2016），在各类机器学习和数据挖掘竞赛中展现出其优越的分类能力（Nielsen， 2016；Wen et al.，2018；Asselman et al.，2021）.

因此，本文提出了基于XGBoost的现地地震烈度阈值实时判别模型（XGBoost-based real-time intensity threshold discrimination model，XGBoost-ITD）. 该模型以中国仪器地震烈度是否超越6度作为分类界限，并利用日本K-NET台网的强震动观测数据进行模型构建. 此外，本研究还结合了参数贡献度分析，采用SHAP方法中的TreeSHAP模块，用于解释模型的判别机理.

1 数据集的建立与划分

机器学习是一种数据驱动算法，该算法从大量数据中自动获取其中蕴含的内在规律. 因此，选取的数据集是否具有代表性是决定机器从该数据中学习到的规律是否具有普适性的关键因素. 本文选取了日本K-NET台网记录1996—2011年的306次地震（包含2 985条三分量加速度记录）构建训练集用于训练模型和2012—2022年的154次地震（包含1 368条三分量加速度记录）构建测试集用于测试模型的泛化能力. 图1展示了所选记录的台站分布及地震震中的分布情况.

本文首先对记录进行基线校正. 然后，采用了低截止频率0.075 Hz的4阶巴特沃斯高通滤波，以消除低频干扰（Peng et al.， 2017）. 采用P波初至自动识别方法EDP-Picker（Lu et al.， 2020）自动拾取了每条记录的P波初至. 根据《中国地震烈度表》（GB/T-17742-2020）中仪器地震烈度的计算方法，计算了每条三分量地震记录的最大烈度. 其中，训练集中包含高烈度（6度及以上）数据1 172条，低烈度（6度以下）数据1 813条. 测试集中则包含了561条高烈度数据和 807条低烈度数据. 图2展示了记录的烈度和震中距的分布情况.

2 方法

本文采用XGBoost方法判断地震烈度是否超过6度的总体方法流程如图3所示. 该工作流程主要包括提取地震记录的特征与标签、数据集的建立与划分（见第1节）、XGBoost建模、超参数优化、模型评估和模型解释. 具体方法细节将在后续小节中详细介绍.

2.1　特征参数与标签

2.1.1　特征参数

在进行地震动分析时，获取速度时程和位移时程是基础工作. 本文首先对加速度记录进行一次积分，得到速度时程. 然后对积分得到的速度记录再进行一次积分得到位移时程，并对位移记录进行0.075 Hz的4阶巴特沃斯高通滤波以消除低频干扰. 计算P波初至后3秒时间窗内的三分量合成加速度、速度、位移，计算式如下：

a \left(t\right) = \sqrt[]{a_{\mathrm{E}\mathrm{W}}^{\mathrm{2}}\left(t\right)+a_{\mathrm{N}\mathrm{S}}^{\mathrm{2}}\left(t\right)+a_{\mathrm{U}\mathrm{D}}^{\mathrm{2}}\left(t\right)},(1)

其中： a_{\mathrm{E}\mathrm{W}} \left(t\right)， a_{\mathrm{N}\mathrm{S}} \left(t\right)， a_{\mathrm{U}\mathrm{D}} \left(t\right)分别为东西、南北及竖向分量加速度时程 （cm/s²）； a \left(t\right)为三分量合成加速度时程.

v \left(t\right) = \sqrt[]{v_{\mathrm{E}\mathrm{W}}^{\mathrm{2}}\left(t\right)+v_{\mathrm{N}\mathrm{S}}^{\mathrm{2}}\left(t\right)+v_{\mathrm{U}\mathrm{D}}^{\mathrm{2}}\left(t\right)},(2)

其中： v_{\mathrm{E}\mathrm{W}} \left(t\right)， v_{\mathrm{N}\mathrm{S}} \left(t\right)， v_{\mathrm{U}\mathrm{D}} \left(t\right)分别为东西、南北及竖向分量速度时程（cm/s）； v \left(t\right)为三分量合成速度时程.

d \left(t\right) = \sqrt[]{d_{\mathrm{E}\mathrm{W}}^{\mathrm{2}}\left(t\right)+d_{\mathrm{N}\mathrm{S}}^{\mathrm{2}}\left(t\right)+d_{\mathrm{U}\mathrm{D}}^{\mathrm{2}}\left(t\right)},(3)

其中： d_{\mathrm{E}\mathrm{W}} \left(t\right)， d_{\mathrm{N}\mathrm{S}} \left(t\right)， d_{\mathrm{U}\mathrm{D}} \left(t\right)分别为东西、南北及竖向分量位移时程（cm）； d \left(t\right)为三分量合成位移时程.

此外，为了尽可能全面地包含P波到后3秒内所携带信息，本文选取了最大卓越周期（Hildyard and Rietbrock， 2010）、峰值加速度、峰值速度、峰值位移、累积绝对加速度、Arias烈度、傅里叶谱幅值、速度平方积分、破坏烈度（余聪等， 2021）这9个特征作为地震烈度阈值判别模型的输入参数（详见表1）.

2.1.2　标签

参照《仪器地震烈度计算规程》（GB/T-17742-2020）中的中国仪器地震烈度的计算方法，计算了选取记录的最大仪器地震烈度. 当地震动记录计算出的最大烈度小于6度时，该记录的标签为0，否则为1.

2.2　XGBoost建模

XGBoost通过梯度提升决策树实现多个树的集成学习，进而得到最终模型. XGBoost模型是由多个弱分类器（决策树）构成的一个强分类器，每棵决策树的输入样本和其前一棵树的训练与预测结果相关，最后将所有决策树的预测结果累加作为最终预测结果. 假设模型本身由 m棵决策树组成，训练所采用的数据集样本为： D = \left\{\left({\mathit{x}}_i,{\mathit{y}}_i\right)\right\} \left(i=\mathrm{1,2},\dots ,n,{\mathit{x}}_i\in {\mathbf{R}}^J,{\mathit{y}}_i\in \mathbf{R}\right)，即包含 n个样本， J个特征，其中： x _i =Pa,Pv,Pd,Tpd,CAV,Ia,IV2,DI, A _max，表示输入特征向量， {\mathit{y}}_i表示标签，则此模型可表示如下：

{\widehat{y}}_i = {\displaystyle \sum _{k=\mathrm{1}}^m} f_k\left({\mathit{x}}_i\right) , f_k \in F,(15)

其中： {\widehat{y}}_i表示模型对第 i个样本的预测结果； f_k表示第 k棵弱决策树的分类函数； F是所有可能决策树的集合； f_k \left({\mathit{x}}_i\right)表示第 k棵树中第 i个样本的得分.

XGBoost算法的目标函数由损失函数和正则项组成（如式16所示），通过迭代实现目标函数的最小化. 以第 s轮迭代为例，迭代后的目标函数表达式如式（16）所示：

O b j^{(s)} = {\displaystyle \sum _{i=\mathrm{1}}^n} L\left[y_i,{\widehat{y}}_i^{(s-\mathrm{1})}+\eta f_s\left({\mathit{x}}_i\right)\right]+\mathrm{\Omega }\left(f_s\right),(16)

其中： O b j^{\left(s\right)}为第 s轮迭代的目标函数；第一项 L \left[y_i,{\widehat{y}}_i^{(s-\mathrm{1})}+\eta f_s\left({\mathit{x}}_i\right)\right]为模型的损失函数， {\widehat{y}}_i^{(s-\mathrm{1})}为第 s - \mathrm{1}轮迭代的预测结果， f_s \left({\mathit{x}}_i\right)是第 s轮新训练的树模型， \eta为新生成树模型的缩减系数， \eta \in \left.\left(\mathrm{0,1}\right.\right]，用于缩减新生成树对模型的影响以避免过拟合. 第二项 \mathrm{\Omega }为正则项，可由式（17）计算得到.

\mathrm{\Omega } ( f ) = \gamma T + \frac{\mathrm{1}}{\mathrm{2}} \lambda | | w | {|}^{\mathrm{2}},(17)

其中： T是每棵决策树中的叶子数量， w为叶子权重， \gamma和 \lambda为相关系数.

在每棵决策树新生成时，XGBoost根据节点分裂后相比分裂前的目标函数值是否降低，来判断是否对节点进行剪枝，具体更详细的公式详见（Chen and Guestrin，2016）.

2.3　超参数优化

XGBoost算法中包含多种超参数，因此，需要选择恰当的超参数组合来控制模型的复杂度以提高模型在独立数据集上的学习效果，并防止过拟合.

本文采用网格搜索（GridSearchCV）方法进行超参数优化，选择对模型效果影响最大的4种参数，并在指定的参数空间中进行遍历搜索，获得最优超参数组合. 相关设置如表2所示.

2.4　模型评估

混淆矩阵是二分类问题中常用的评价指标，反映了分类预测结果与真实情况的关系，如表3所示.

在混淆矩阵中，以 \mathrm{N}表示负样本（Negative），即地震烈度小于6； \mathrm{P}表示正样本（Positive），即地震烈度大于等于6. \mathrm{T}表示真（True）， \mathrm{F}表示假（False）. T_{\mathrm{N}}表示被正确预测为负样本的样本数. F_{\mathrm{P}}表示被错误预测为正样本的样本数. F_{\mathrm{N}}表示被错误预测为负样本的样本数. T_{\mathrm{P}}表示被正确预测为正样本的样本数.

由混淆矩阵可计算以下评价指标（详见表4）：

此外，由表4的评价指标，我们绘制ROC曲线来综合评价模型性能. ROC曲线的纵坐标为真正率（对正例的召回率）；横坐标为假正率（对负例的误判率）. 较高的正例召回率和较低的负例误判率代表模型性能较好.

2.5　特征参数去冗余

为了使模型输入的特征参数尽可能涵盖P波初至后3秒内所携带的信息，本文初步选择了反映地震动幅值、周期和能量等信息的9种特征参数. 然而，特征参数之间普遍存在一定程度的相关性，冗余的特征参数会降低模型的运算效率和实用价值. 考虑到采用相关性分析的方法难以获得最优参数组合. 目前，常用于机器学习特征参数去冗余方法包括过滤式法和包裹式法（Nicole et al.，2023），本文采用包裹式法. 具体而言，本文对9种特征参数进行了排列组合，从单一参数到两两组合，直至所有9种特征参数的组合，一共有511种参数组合. 使用XGBoost算法的默认超参数，训练了511个模型. 根据每个模型在测试集上的AUC得分来确定最优的特征参数组合.

2.6　模型解释

XGBoost是一种高度复杂的集成学习算法，其模型具有黑箱的特征，难以解释模型的决策过程. 为了解决此问题，Lundberg and Lee（2017， 2018）提出了机器学习可解释方法，即TreeSHAP（tree shapley additive explaination）方法. 该方法可以定量描述同一特征对不同样本的影响程度，通过计算SHAP值来表示影响大小. 在模型中，每个弱分类器的预测结果可以通过每个特征的SHAP值相加来估计. 因此，TreeSHAP方法可将模型中每棵决策树的预测输出结果解释为基础SHAP值与各特征的SHAP值之和，具体表达式如下式：

f \left(\mathit{x}\right) = g \left(z^{\text{'}}\right) = {\varphi }_{\mathrm{0}} + {\displaystyle \sum _{j=\mathrm{1}}^V} {\varphi }_j{z}_j^{\mathrm{\text{'}}},(23)

式中： f \left(\mathit{x}\right)表示样本在每个弱分类器（决策树）中的预测结果； g \left(z^{\text{'}}\right)为解释模型的函数形式，SHAP设定被解释模型的输出等于解释模型的输出，即 f \left(\mathit{x}\right) = g \left(z^{\text{'}}\right)； {\varphi }_{\mathrm{0}}为基础SHAP值，是所有训练样本的预测均值； V是参与决策特征的数量； {\varphi }_j \in \mathbb{R}为第 j个特征对于预测结果的贡献度，即第 j个特征的SHAP值（Lundberg and Lee， 2017）； z_j^{\mathrm{\text{'}}}表示简化特征， z_j^{\text{'}} \in {\{\mathrm{0,1}\}}^V，若 j特征存在于 V中，则对此棵树的预测结果有贡献（ z_j^{\mathrm{\text{'}}} = \mathrm{1}），否则（ z_j^{\mathrm{\text{'}}} = \mathrm{0}），表示 j特征未参与预测，不考虑其贡献.

SHAP值的大小表示该特征对于某个具体样本的预测输出的影响程度. 因此，在解释模型时，我们通过计算所有样本SHAP值的平均值来反映特征的重要性.

3 结果

3.1　输入特征参数

通过特征参数组合的网格搜索，本文最终选定了“ I a、 C A V、 P d、 A_{\mathrm{m}\mathrm{a}\mathrm{x}}、 I V \mathrm{2}”这5种参数的组合为最优参数组合，如图4所示，其中横坐标代表参数组合的序号，纵坐标表示模型的AUC值. 受篇幅限制，本文不再赘述参数组合与序号的对应关系.

3.2　模型超参数

模型的训练集含1 813个低烈度记录及1 172个高烈度记录. 根据2.3节确定的超参数范围和优化方法，本文采用网格搜索对训练集进行10折交叉验证，从而确定了最终模型的超参数（如表5所示）. 因此，XGBoost-ITD模型由64棵决策树组成，每棵决策树的最大深度为3，由分类依据可得每棵树最多能产生8个叶子节点. 图5展示了XGBoost-ITD模型前3棵树和最后4棵决策树的可视化情况. 图中的编号分别代表各特征，每棵分类树都展示了模型的某部分决策依据于某部分特征.

3.3　模型评估

根据模型对数据集的预测结果，我们可以得到训练集和测试集上的精确率、召回率、F1得分、真负率和假正率相当（如表6），表明模型没有出现过拟合现象.

图6a展示了模型的ROC曲线. 当FPR和TPR相等（即斜对角线）时，表示随机分类的预测结果. XGBoost-ITD模型的曲线位于斜对角线的左上方，说明该模型的分类效果优于随机分类. 模型的AUC得分为0.971 2，较为接近1，表明模型的分类性能较好.

在考虑不同烈度等级误判造成的损失影响程度可能不同的情况下，本文利用测试集绘制了模型对不同烈度样本的识别准确率，即真正率（TPR）或真负率（TNR） （如图6b）. 可见，模型对4度以下样本的识别精度超过94%，对6度以上样本的识别精度超过84%，并且在7度以上样本上的判别精度达94%以上. 然而，对5度到6度之间的样本，模型的识别精度较低，说明模型在这个烈度范围内容易出现高估现象，但相对而言，模型出现严重误判的可能性较小.

3.4　模型对比

为了进一步检验XGBoost-ITD模型的先进性，本文进行了两种对比测试. 首先，考虑到基于P波前3秒Pd的地震动峰值预测方法是目前最常用的一种方法，本文利用李山有等（2023）建立的基于Pd的烈度预测模型进行了对比. 其次，考虑到支持向量机在分类任务中表现良好，本文利用5种特征参数建立了基于支持向量机的烈度阈值判别模型进行了对比.

3.4.1　与传统方法对比

本文使用P波初至3秒内的Pd参数，结合Pd-PGV与Pd-PGA经验公式（李山有等，2023），参照《仪器地震烈度计算规程》（GB/T-17742-2020），获得了每条记录基于Pd的烈度预测结果. 在此基础上，与本文模型的预测结果进行对比（如表7及图7所示）.

3.4.2　与支持向量机模型对比

考虑到支持向量机（Support Vector Machines）是目前分类方法中广泛使用的一种机器学习方法，本文采用相同数据集建立了基于SVM的高、低烈度判别模型. 同时，为了避免不同核函数对SVM模型分类精度的影响，本文选用目前常用的5种核函数：线性核函数linear（适用于处理线性可分问题），径向核函数rbf（通过样本点间的相似度来实现非线性映射，其在模式识别和回归分析等领域应用广泛），二阶多项式核函数poly-2（引入二次多项式映射来扩展特征空间，相较径向核函数，提供更多的非线性能力，常用于处理中等复杂度的非线性问题），三阶多项式核函数poly-3（引入三次多项式映射，可增强模型对非线性关系的适应性，常用于处理更复杂的非线性关系），sigmoid核函数（通过sigmoid函数实现非线性映射，对某些特定问题有一定的优势），建立对应的5种高、低烈度判别支持向量机模型，并将其预测结果与本文的XGBoost-ITD模型对比（如表7及图7）.

表7和图7均呈现了6种模型与XGBoost-ITD模型针对测试集的判别结果. 如表7所示，基于Pd单参数的烈度预测模型显现出最优的高烈度分类能力，召回率高达0.946 5，但其真负率仅有0.457 2，即高估现象较为严重. 相比之下，XGBoost-ITD模型的召回率仅次于Pd法，高达0.877 0，远优于SVM的模型. 线性、径向基、二阶及三阶多项式核函数的SVM模型的真负率均高于0.90，其中二阶及三阶多项式核函数甚至达0.99，这表明其对于低烈度地震的判别效果很好，但其召回率（真正率）只达0.752 2、0.511 6、0.187 2和0.229 9表示了其对高烈度地震的误判较多. 综合考虑5种模型各评价指标的结果，可以得出XGBoost-ITD模型的综合性能优于SVM模型. 由图7b可得，XGBoost-ITD模型在6度以上的判别准确率仅次于Pd判别模型，远优于其余5种SVM模型. 同时，图7a描述了5种模型的ROC曲线及AUC值，XGBoost-ITD模型的曲线趋势最接近左上方，AUC得分也最高.

3.5　模型特征重要性分析

本文通过计算训练集中每个特征参数的SHAP绝对值的平均值（如图8）来评估其对模型的总体贡献.

图8本质反映的是当某特征从模型中去除时，模型输出的平均变化幅度，并以此表征该特征对模型输出的贡献. 由图8可知， I a对模型的贡献最大，其余依次为 C A V、 A_{\mathrm{m}\mathrm{a}\mathrm{x}}、 I V \mathrm{2}、 P d. 由参数的重要性排序可知，能量参数对模型的贡献最大，而幅值参数对模型的贡献最小. 这可能是由于能量参数综合反映了地震动的幅值、频率和持时信息，携带了更多的震源破裂过程信息，幅值参数则只反映了地震动的强度信息. 因此，在现地烈度预测中，选择能量参数作为输入特征参数将会获得更好的预测效果.

3.6　震例分析

本文采用日本K-NET台网数据训练了XGBoost-ITD模型，为了验证其在中国地区的适用性，本文选择了2022年9月5日发生于四川省泸定县的M _s 6.8地震的强震动观测数据进行测试. 此次地震震中距350 km以内共有127个台站（如图9a所示）. 其中，烈度计71个、强震仪56个. 图9a中，红色三角表示该台站观测到的最大仪器地震烈度大于等于6度，黑色表示小于6度. 图9b展示了模型正确、错误判断的记录随震中距和最大烈度分布情况；图9c展示了不同烈度区间下模型的判别准确率. 结果表明，对于该地震事件，模型的误判记录主要分布在5度到6度之间，与测试集中的误判分布区间一致，不存在系统性偏差. 对于高烈度记录，模型的判别准确率达80.64%，而低烈度判别的准确率为65.62%. 与测试集相比，高低烈度判别准确率普遍下降的现象可能是由于地震动特征在不同地区之间存在区域性差异所导致的. 因此，为了增加模型在中国地震中的适用性，还需要进行迁移学习来进一步提高模型的泛化能力.

4 结论

烈度是地震预警及重大工程紧急处置系统用于信息发布的决策参数，快速估算目标场点可能遭受的最大烈度是地震预警及重大工程紧急处置中的关键问题. 本文利用日本K-NET强震动观测台网记录的460次地震的4 353条加速度记录，以P波前3秒内的5种特征参数 （即 I a、 C A V、 P d、 A_{\mathrm{m}\mathrm{a}\mathrm{x}}、 I V \mathrm{2}）为输入特征参数，建立了基于XGBoost的实时烈度阈值判别模型，用以预测目标场地的地震烈度是否会超过6度. 结果表明，模型对低烈度的判别准确率为93%，对高烈度的判别准确率为88%，且误判记录的烈度大多属于5度至6度，出现严重误判的可能性较小，模型的AUC得分为0.971 2. 同时，本文利用相同数据集，使用传统方法和支持向量机模型方法分别建立的阈值判别模型. 对比结果表明，当观测仪器烈度小于6度时，SVM模型的判别精度略高于XGBoost模型，Pd法判别模型效果最差. 当观测仪器烈度大于6度时，XGBoost-ITD模型和Pd法判别模型的判别精度远高于SVM模型. 由于本文提出的XGBoost-ITD模型不需要震源信息，既可用于区域地震预警系统，也可用于重大工程紧急处置系统. 为了验证模型在中国的适用性，本文选取了一次中国震例进行了测试. 结果表明，模型对此震例的误判记录主要分布在5度到6度之间，与在测试集中的误判分布区间一致，没有出现系统性偏差. 模型的高烈度判别准确率为80.64%，对低烈度判别准确率为65.62%，和测试集上的判别准确率相比出现了普遍降低的现象，可能是地震动特征存在区域性差异造成的. 因此，要增加模型在中国地震中的适用性，还需要进行迁移学习来提高模型的泛化能力.

参考文献

[1] Allen, R. M., Gasparini, P., Kamigaichi, O., et al., 2009. The Status of Earthquake Early Warning around the World: An Introductory Overview. Seismological Research Letters, 80(5): 682-693. https://doi.org/10.1785/gssrl.80.5.682

[2] Asselman, A., Khaldi, M., Aammou, S., 2021. Enhancing the Prediction of Student Performance Based on the Machine Learning XGBoost Algorithm. Interactive Learning Environments, 31(6): 3360-3379. https://doi.org/10.1080/10494820.2021.1928235

[3] Böse, M., Felizardo, C., Heaton, T. H., 2015. Finite-Fault Rupture Detector (FinDer): Going Real-Time in Californian ShakeAlert Warning System. Seismological Research Letters, 86(6): 1692-1704. https://doi.org/10.1785/0220150154

[4] Chen,T.Q.,Guestrin,C.,2016. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data,785-794. https://doi.org/10.1145/2939672. 2939785

[5] Hildyard, M. W., Rietbrock, A., 2010. Tpd, a Damped Predominant Period Function with Improvements for Magnitude Estimation. Bulletin of the Seismological Society of America, 100(2): 684-698. https://doi.org/10.1785/0120080368

[6] Hao,H.Z., Gu,Q., Hu,X.M., 2021. Research Advances and Prospective in Mineral Intelligent Identification Based on Machine Learning. Earth Science,46(9): 3091-3106. (in Chinese with English abstract).

[7] Hu,J.J.,Ding,Y.T.,Zhang,H.,et al., 2023. A Real-Time Seismic Intensity Prediction Model Based on Long Short-Term Memory Neural Network. Earth Science, 48(5): 1853-1864. (in Chinese with English abstract)

[8] Jin,X.,Zhang,H.C.,Li,J.,et al.,2012.Research on Continuous Location Method Used in Earthquake Early Warning System. Chinese Journal of Geophysics,55(3):925-936. (in Chinese with English abstract)

[9] Jiang,B.G.,Ma,Q.,Tao,D.W.,2022.Continuous Estimation of Earthquake Early Warning Magnitude Based on Convolutional Neural Network. World Earthquake Engineering,38(1):213-228.(in Chinese with English abstract)

[10] Kanamori, H., 2005. Real-Time Seismology and Earthquake Damage Mitigation. Annual Review of Earth and Planetary Sciences, 33(1): 195-214. https://doi.org/10.1146/annurev.earth.33.092203.122626

[11] Kanamori, H., 2015. Earthquake Hazard Mitigation and Real-Time Warnings of Tsunamis and Earthquakes. Pure and Applied Geophysics, 172(9): 2335-2341. https://doi.org/10.1007/s00024-014-0964-y

[12] Lundberg,S.M.,Lee,S.I.,2017.A Unified Approach to Interpreting Model Predictions. Computer Science, 1-10. https://doi.org/ https://doi.org/10.48550/arXiv.1705.07874.

[13] Lundberg,S.M.,Erion,G.G.,Lee,S.I.,2018.Consistent Individualized Feature Attribution for Tree Ensembles. Computer Science,1-9. https://doi.org/10.48550/arXiv.1802.03888.

[14] Li,S.Y.,2018.Approaching the Earthquake Early Warning. Overview of Disaster Prevention, (2):14-23. (in Chinese)

[15] Lu, J. Q., Li, S. Y., He, P. Y., et al., 2020. Energy- and Predominant-Period-Dependent P-Wave Onset Picker (EDP-Picker). Seismological Research Letters, 91(4): 2355-2367. https://doi.org/10.1785/0220190260

[16] Li,S.Y.,Wang.B.R., Lu J.Q., et al. 2023. Prediction of Instrumental Intensity for A Single Station Using A LSTM Neural Network. Chinese Journal of Geophysics (in Chinese with English abstract).

[17] Liu,L.,Shen,J.K.,Zhang,L.X.,2023.A Machine Learning-Based Method for Rapid Prediction of Earthquake Damage in Brick Masonry Houses. Earth Science, 48(5): 1769-1779. (in Chinese with English abstract).

[18] Ma,Q.,2008.Study and Application on Earthquake Early Warning (Dissertation). Institute of Engineering Mechanics China Earthquake Administration, Harbin(in Chinese with English abstract).

[19] Nielsen,D.,2016.Tree Boosting With XGBoost: Why Does XGBoost Win "Every" Machine Learning Competition? (Dissertation).Norwegian University of Science and Technology, Norway.

[20] Nicole,D.C.,Tiziana,D.A.,Claudio,D.S.,et al.,2023.Comparing Filter and Wrapper Approaches for Feature Selection in Handwritten Character Recognition, Pattern Recognition Letters, 168(5): 39-46. https://doi.org/10.1016/j.patrec.2023.02.028

[21] Peng, C. Y., Yang, J. S., Zheng, Y., et al., 2017. New τ_c Regression Relationship Derived from all P Wave Time Windows for Rapid Magnitude Estimation. Geophysical Research Letters, 44(4): 1724-1731. https://doi.org/10.1002/2016gl071672

[22] Satriano, C., Lomax, A., Zollo, A., 2008. Real-Time Evolutionary Earthquake Location for Seismic Early Warning. Bulletin of the Seismological Society of America, 98(3): 1482-1494. https://doi.org/10.1785/0120060159

[23] State Administration for Market Regulation, Standardization Administration of China.,2020.GB/T-17742-2020, The Chinese seismic intensity scale. China Quality and Standards Publishing & Media Co.,Ltd, Beijing (in Chinese)

[24] Song,J.D.,Yu,C.,Li,S.Y.,2022.Continuous Prediction of Onsite PGV for Earthquake Early Warning Based on Least Squares Support Vector Machine. Chinese Journal of Geophysics,64(2):555-568. (in Chinese with English abstract)

[25] Wu, Y. M., Kanamori,H., 2005. Rapid Assessment of Damage Potential of Earthquakes in Taiwan from the Beginning of P Waves. Bulletin of the Seismological Society of America, 95(3): 1181-1185. https://doi.org/10.1785/0120040193

[26] Wu, Y. M., Kanamori, H., 2008. Development of an Earthquake Early Warning System Using Real-Time Strong Motion Signals. Sensors, 8(1): 1-9. https://doi.org/10.3390/s8010001

[27] Wen,Z.Y.,He,B.S.,Kotagiri,R.,et al.,2018.Efficient Gradient Boosted Decision Tree Training on GPUs.2018 IEEE International Parallel and Distributed Processing Symposium (IPDPS).234-243. https://doi.org/ 10.1109/IPDPS40821.2018

[28] Wang,A.,Li,S.Y.,Lu,J.Q.,et al., 2023. Prediction of PGA in Earthquake Early Warning Using a Long Short-Term Memory Neural Network. Geophysical Journal International, 234(1): 12-24. https://doi.org/10.1093/gji/ggad067

[29] Wang,M.,Yang,J.L.,Wang,X.,et al.,2023. Identification of Shale Lithofacies by Well Logs Based on Random Forest Algorithm. Earth Science, 48(1): 130-142. (in Chinese with English abstract).

[30] Yamada, M., Heaton, T., Beck, J., 2007. Real-Time Estimation of Fault Rupture Extent Using Near-Source Versus Far-Source Classification. Bulletin of the Seismological Society of America, 97(6): 1890-1910. https://doi.org/10.1785/0120060243

[31] Yu,C.,Song,J.D.,Li,S.Y.,2021.Prediction of Peak Ground Motion for On-Site Earthquake Early Warning Based on SVM. Journal of Vibration and Shock, 40(3): 63-72. (in Chinese with English abstract).

[32] 国家市场监督管理总局,国家标准化管理委员会,2020.GB/T-17742-2020,中国地震烈度表.北京:中国标准出版社.

[33] 郝慧珍,顾庆,胡修棉,2021.基于机器学习的矿物智能识别方法研究进展与展望.地球科学,46(9):3091-3106.

[34] 胡进军，丁祎天，张辉，等，2023.基于长短期记忆神经网络的实时地震烈度预测模型. 地球科学,48(5): 1853-1864.

[35] 金星，张红才，李军，等，2012.地震预警连续定位方法研究.地球物理学报, 55(3):925-936.

[36] 江炳根,马强,陶冬旺,2022.基于卷积神经网络的地震预警震级持续估算方法研究.世界地震工程,38(1):213-228.

[37] 李山有,2018.走近地震预警.防灾博览,(2):14-23.

[38] 李山有，王博睿，卢建旗等，2023.基于LSTM网络的单台仪器地震烈度预测模型.地球物理学报.

[39] 刘丽，沈俊凯，张令心，2023.基于机器学习的砖砌体房屋震害快速预测方法.地球科学, 48(5): 1769-1779.

[40] 马强，2008.地震预警技术研究及应用(博士学位论文).哈尔滨: 中国地震局工程力学研究所.

[41] 宋晋东，余聪，李山有，2021.地震预警现地PGV连续预测的最小二乘支持向量机模型.地球物理学报, 64(2):555-568.

[42] 王民, 杨金路, 王鑫, 2023. 基于随机森林算法的泥页岩岩相测井识别.地球科学,48(1):130-142.

[43] 余聪，宋晋东，李山有，2021.基于支持向量机的现地地震预警地震动峰值预测.振动与冲击,40(3):63-72.

基金资助

中国地震局工程力学研究所基本科研业务费专项资助项目(2018B02)

国家重点研发计划项目(2018YFC1504004)

黑龙江省自然科学基金优秀青年基金(YQ2020E005)

国家自然科学基金(U2039209)