面向深度学习的川滇地区震例多源地球物理参数数据集及应用

Multi-Source Geophysical Parameter Dataset of Earthquake Cases in Sichuan-Yunnan Region for Deep Learning and Its Application

摘要

川滇地区新构造运动和地震活动强烈.近20年来积累了大量的地球物理观测资料，其中4.5级及以上地震由于其造成震损大而格外受到关注.深度学习技术基于数据驱动可以挖掘数据隐含特征，如震区地球物理参数特征及变化方式与中强震发生关联性，而以地震事件为单个样本的地震波检测数据集较丰富而地球物理背景数据集目前较为缺少.以川滇地区近20年的4.5级及以上的798个震例数据为基础，搜集了以震源为中心一定空间范围内与发震关联性较强的历史地震目录、重力、断层、地壳速度、地壳厚度、莫霍面深度、岩性和地下水等资料，通过计算、清洗和归一化等数据处理手段制作成了带标注的数据集.为了保证正、负例样本的平衡性，同样选取了与正例数量相等的不显著发震（3级及以下，与4.5级及以上地震能量相差悬殊）同区域的地球物理资料并制作了带标注的负例数据集；对数据集中正例、负例及数据组成进行了阐述，基于准确率、召回率等评估指标对数据集在4种经典的学习模型中使用效果进行分析，均可达到80%左右的准确率.最后通过在其他地区进行迁移学习方式验证了数据集的质量，并不低于数据集测试集的精度，这些表明构建的数据集具有良好的质量、适用性及泛化性，可为其他的深度学习地震学数据集的构建提供借鉴.

Abstract

The Sichuan-Yunnan region is characterized by intense neotectonic movements and seismic activities. Over the past two decades, a large amount of geophysical observation data have been accumulated. Among them, earthquakes with magnitudes ≥4.5 are particularly concerned due to the significant damage they cause. Deep learning technology, based on the principle of data-driven, can mine the implicit features among data, such as the correlation between geophysical parameter characteristics and their variations and the occurrence of moderate to strong earthquakes. However, while seismic event-based single-sample seismic wave detection datasets are abundant, geophysical background datasets are currently relatively scarce.Based on this, in this article it uses the dataset of 798 earthquakes with magnitudes ≥4.5 that occurred in the Sichuan-Yunnan region over the past 20 years. Historical earthquake catalogs, gravity, faults, crustal velocity, crustal thickness, Moho depth, lithology, and groundwater with strong correlation to earthquake occurrence within a certain spatial range centered on the earthquake source were collected. Through data processing methods such as calculation, cleaning, and normalization, an annotated dataset was created. In order to ensure the balance of positive and negative samples, it also selected geophysical data from the same region with an equal number of non-significant earthquakes (magnitude 3 and below, which have a significant energy difference from earthquakes above magnitude 4.5) as positive examples, and created a labeled negative example dataset. Examples, negative examples, and data composition were elaborated based on accuracy. The evaluation indicators such as recall rate were used to analyze the performance of the dataset in four classic learning models, all of which achieved an accuracy of about 80%. Finally, the quality of the dataset was verified through transfer learning in other regions, which was not lower than the accuracy of the dataset testset. These indicate that the constructed dataset has good quality, applicability, and generalization. This article can provide reference for the construction of other deep learning seismology datasets.

Graphical abstract

关键词

川滇 / 地球物理参数 / 数据集 / 迁移学习 / 地震学.

Key words

Sichuan⁃Yunnan / geophysical parameter / dataset / transfer learning / seismology

0 引言

近年深度学习在包括地震震相拾取、去噪、震型分类、烈度判定、震损遥感和发震预测等多个地震相关领域应用并取得良好效果（房立华等，2018；于子叶等，2018；赵明等，2019；Zhu，2019；Mousavi et al.，2020；Cheng et al.，2022；Cofré， 2022；石耀霖等，2022；Xia et al.，2023；蒋策等，2024；吕帅等，2024；郑周等，2024a；窦杰等，2025；任超等，2025），它从大量数据中构造多个神经网络层级学习潜在规律并进行预测、分类.地震预测作为地震学研究的核心关键之一，近年随着不同方法出现，预报关注度、准确性和科学性有了一定的提高（胡进军等，2023；姚琪等，2023；Huamani et al.，2025）.作为深度学习为代表的人工智能三要素“数据、算力、算法”中非常重要的一环，高质量数据集制作相对费时费力，构成数据集的样本数量要充足而且需要有准确类别属性及优良的标注质量.

川滇地区位于青藏高原东南缘，复杂的地质构造（张培震，2008）和频繁的地壳运动造成近年区域地震频发，2008年汶川地震后我国在此区域布设了较为密集的台站和观测手段，作为地震科学的天然实验场近20年来已汇集了较多有价值的多手段观测资料，这些数量丰富、分布广泛和震级跨度明显的震例背后的地球物理资料为深度学习所需的大量样本提供了良好的基础，是制作高质量训练数据的来源.

总体来说，我国各地构造活动背景、发震频率和发震震级分布不均，这也就注定了数据的不均衡性，如何借助川滇地区已有的连续高质量观测数据优势，利用好这些数据并将其转换成深度学习模型可以学习的知识是本研究的出发点然而当前以地震事件为单个样本的震相检测数据集较丰富而地球物理背景数据集较为缺少.因此，本文将区域内近20年的4.5级及以上震例发震前后震源附近和不发震或弱发震区域的地球物理背景数据进行整理标注，利用深度学习及迁移学习的特点来研究发震概率，这不仅对川滇地区的孕震风险研究，也对诸如发震较少但震灾风险较高的郯庐断裂带等其他区域有很好的数据启示与使用价值.

1 研究区概况

源于喜马拉雅阶段的印度板块与欧亚板块碰撞，以40 Ma以来的青藏高原急剧隆升为显著标志，川滇地区正处于青藏高原东南缘，区域内的龙门山断裂、鲜水河断裂和安宁河断裂等新构造运动强烈并控制和造就了川滇地区现今地震活动强烈的情况（徐锡伟等，2017）.

为制作数据集，本研究选取中国地震台网中心发布的2004-2024年地震事件作为震例资料，空间范围选取99°~109°E、24°~34°N以覆盖川滇地区.经统计，在指定的时空范围内共记录到发生4.5级及以上地震798次，其中龙门山断裂带体现出相对集聚性，如图1.

2 数据选取与数据集制作

2.1　数据源说明

以上述的时空范围选取为基础，本研究选取与中强震发震密切相关的多源地球物理、地质数据，包括断层分布、岩性分布、莫霍面深度、地壳厚度、壳幔速度、地震前后重力异常变化、地震前后b值变化和地震前后地下水位变化.用户可根据需求进行归一化或标准化.

断层分布直接影响中强震的发震风险，本研究的断层分布数据来源于国家地震科学数据中心的中国地震活动断层探察项目完成的华北构造区、南北地震带1∶5万条带状填图成果和我国城市活断层探测重点项目，本研究制作了川滇地区近20年4.5级及以上的每个地震及邻区数据框内的断层分布数据.

岩石类型的空间分布直接决定了区域内地壳的弹性模量和泊松比等参数，岩性分布对地壳应力积累与释放和孕震发震过程存在重要影响，与岩石破裂和地震波传播直接相关，本研究的数据源为中国地质资料馆的1∶250万的全国地层岩性数据，制作了同样时空范围和震级标准下每个地震数据框内的岩石类型分布数据.

莫霍面深度是指壳幔边界到地区海平面的垂直距离，深度影响了应力积累与释放，影响孕震和地震波传输.地壳厚度指莫霍面以上的固态岩石层实际垂直厚度，与莫霍面深度不一致的主要原因是两者定义的基准不同以及陆壳和洋壳的显著厚度差异，其厚度变化直接反映了地壳结构变化.本研究的莫霍面深度和地壳厚度基础数据来源于CRUST1.0模型（Mooney et al.，2023），采用双线性插值上采样重新制作了同样标准下每个地震数据框内的莫霍面深度和地壳厚度数据.数据集制作主要是为深度学习服务，数据结构要相对简洁，相对少地耗费“算力”，故选用计算量适中的双线性插值方法而未采样克里金插值等方法.

壳幔速度指地震波于地球地壳以及地幔当中传播的速度，能反映地下物质组分及结构差异，而这些与孕震风险紧密相关.借助背景噪声成像并通过联合反演方法，可获取三维横波速度结构模型，本研究基础数据来源于高精度速度模型2.0版（姚华建，2020；刘影，2023）并制作了同样标准下每个地震数据框的不同深度纵横波速度数据.

重力异常是实际测量与理论重力值之间的差值，反映了地下物质密度分布的不均匀性，重力异常的变化往往反映了孕震及发震区域地下物质的重新分布.本研究的基础数据来源于EGM08_CBA_global_2190_2.5m模型，由国际重力局（BGI）基于EGM2008模型计算得出的全球重力异常数据，本研究根据分辨率统一需要进行了双线性插值上采样并制作了同样标准下每个地震数据框内的重力异常数据.

b值是依据区域内既往震例的频度和震级计算得到的重要地球物理统计学参数，有着直接的物理意义，反映了区域内承受平均应力和接近岩石强度极限的程度.本研究的基础数据源来自中国地震台网中心2004年至2024年的地震目录数据，在笔者对地区最小完备震级有明确计算依据的基础上（史翔宇等，2020；余腾等，2020），根据研究区的时空格网采用极大似然法计算了同样标准下每个地震震前震后的b值变化时间序列.

地下水位变化是反映地壳含水层中地下水储量与质量变化的关键指标，中强震前后会引起断层间位移导致局地流体如地下水位的变化.本研究的基础水文数据来源于GRACE⁃FO卫星数据的陆地储水观测数据，并制作了同样标准下每个地震区域震前震后的时间分辨率为7天且空间分辨率为0.25°的地下水位变化数据.

2.2　数据集制作

深度学习模型的训练不仅需要足够多的带准确标签的样本，且传入模型的数据应具有一致的规格，在明确基础数据来源并获取之后，为了适应本研究需要，对不同来源数据的格式、投影、时空范围和时间、空间、深度分辨率及数据密度进行分析和统一.这也是数据集制作的关键，使用者可根据自己的标准和使用场景对数据集标签做一定修改.

在数据集正例制作阶段，本研究梳理了川滇地区近20年实际发生的798个震级为4.5级及以上的地震.因4.5级以上地震具有较大的能量释放和震损影响，且为了保证在不做人为数据增强的情况下正例数量仍能较为丰富，本研究正例选取标准为≥4.5级，并以震中为中心考虑临近地球物理与地质参数对发震直接影响向四周各扩1°从而形成取2°×2°大小的数据框，框内不同地区的不同参数将直接影响训练学习过程与结果.在本研究中将中强震赋予正例标签并赋值为1，顾及地震目录中绝大多数地震事件采用地方震标度，本研究将极少数震级为M_{\mathrm{S}}的地震进行标度转换（汪素云等，2010），故总体采用M_{\mathrm{L}}为震级标度.

在数据集负例制作阶段，一般认为震级相差一级释放能量相差约32倍，考虑样本数量实际情况和样本属性明显差异的原则，本研究采用随机滑动检索方式选取相较4.5级地震能量与破坏显著较小的3.0级以下地震或未被记录发震区域.同样以2°×2°大小作为数据框并将此类区域的数据属性标注为负例并赋值为0，负例事件数量与正例保持一致为798个，通过随机检验算法，在正例发震的时间内，负例数据框与正例数据框在空间上不产生重叠.3.0和4.5级之间的地震因不具备本研究正负例的显著差异，在数据集制作和预测中不参与.

最终，本研究制作了如图1空间范围的川滇地区近20年中强震与地球物理参数关联数据集，数据种类和部分示例如表1. 4.5级及以上震级的地震赋予标签1，3.0级以下弱震或不发震赋予标签0.样本共 1 596个，正负例各为798个.数据集链接为https：//github.com/xiangjianbin/Earthquake_dataset.git.

训练时在两类样本中采用交叉验证的方式正负平衡随机选取，本研究按照常规方式设置数据集中训练集，验证集占比80%、测试集占比20%.

2.3　数据集样例

如前所述，本研究样本总量为1 596个，每个样本的数据取值范围为2°×2°，范围划分过小不能体现背景的特点，过大会导致参数背景与样本地震关联性不强.在范围内以0.25°为步长进行各地理位置的各参数取值，每个样本包含不同的参数层，不同参数层由不同的地球物理参数单独作为一层或某一参数连续变化值组成的多层构成.为便于展示在以卷积神经网络（CNN）为代表的深度学习分类模型中的使用方式及应用效果，选取某一正例（2008年5月12日四川省汶川县8.0级地震影响区多地球物理参数数据样本）和一负例（2021年1月5日四川省北川县2.0级地震影响区多地球物理参数数据样本）进行说明，正负例样本分别如图2和图3.在开源的数据集中已对单个样本进行了说明.

2.4　数据集样例说明

需要说明的是，b值为时序变化的参数，故将反映地壳应力状态变化的震前5年不同时段计算的b值作为多层输入；不同深度的波速比不同，因此输入时也将不同深度纵横波壳幔速度数据作为不同层传入模型，震前震后的地下水位变化值也作为不同层传入模型.对于断层数据，原始的断层线数据源为矢量格式的折线点点集，而实际应考虑断层宽度并不是线而是一个区间范围，在实际制作时若0.25°×0.25°数据格网范围内有断层线则赋值为断层区.岩石类型取数据格网中岩石类型面积最大者代表格网岩石类型.莫霍面深度为了和其他数据统一从1°线性插值重采样至0.25°分辨率.

2.5　数据集文件组织形式

如前所述，本研究的数据集组织形式如图4.

3 数据集验证与使用

3.1　验证指标

本研究制作数据集主要采用了MATLAB和Python编程计算方式，深度学习过程采用Pytorch框架，以构建的数据集为训练数据，采用二元分类混淆矩阵，其释义如表2.其中TP和TN为预测结果的正确集，其预测结果与实际类别相同；FP表示实际为负，但预测为正，称为“假阳性”；FN表示实际为正，但预测为负，称为“假阴性”.

本研究采用广泛使用的度量指标，即准确率（Accuracy，Acc）、精确度（Precision，Pre）、召回率（Recall，Rec）、误报率（False Alarm，FA）和F1⁃Score.准确率表示所有预测结果中正确的概率；精确度表示所有模型预测为正例的样本中真实为正例的概率；召回率表示所有真实正例中模型正确预测的概率；误报率表示预测为正例的样本中负例所占的比例；F1⁃Score用来衡量二分类模型精确度，它综合了精确率和召回率的表现，适用于评估在正负样本均衡的情况下的分类效果，权重因子β表示召回率相对于精确率的重视程度.计算公式组如下：

\mathrm{A}\mathrm{c}\mathrm{c}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}，（1）

\mathrm{P}\mathrm{r}\mathrm{e}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}，（2）

\mathrm{R}\mathrm{e}\mathrm{c}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}，（3）

\mathrm{F}\mathrm{A}=\frac{\mathrm{F}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}，（4）

\mathrm{F}\mathrm{1}\mathrm{⁃}\mathrm{S}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}=\frac{\left(\mathrm{1}+{\beta }^{\mathrm{2}}\right)\times \mathrm{P}\mathrm{r}\mathrm{e}\times \mathrm{R}\mathrm{e}\mathrm{c}}{({\beta }^{\mathrm{2}}\times \mathrm{P}\mathrm{r}\mathrm{e})+\mathrm{R}\mathrm{e}\mathrm{c}} .（5）

本研究采用二元交叉熵损失函数（BCELoss），在深度学习领域通常用于衡量二分类模型输出与真实标签差异，BCELoss的计算式如下：

l_n=-w_n\left[y_n\times \mathrm{l}\mathrm{g}{x}_n+\left(\mathrm{1}-y_n\right)\times \mathrm{l}\mathrm{g}\left(\mathrm{1}-x_n\right)\right],(6)

其中，w_n是每个类别的权重，默认权重为1，x_n表示该类输出的概率，y_n表示该类的真值.

本研究在其他超参数方面，学习率设置为0.001，Dropout为30%，采用自适应矩估计优化算法（Adam）更新权重，学习训练次数至分类损失Loss不再显著变化为止.

3.2　模型与同类结构数据验证

本研究比较了本数据集在常用的BP、RF、CNN及U⁃net等分类模型中的应用效果.在利用本研究制作的地震学数据集进行测试前，借鉴计算机视觉图像处理的思想，先验证了几种模型在与此数据集单个样本结构（多层且有空间结构属性）非常类似的高光谱影像（Hyperspectral Image）中的表现效果.高光谱影像数据结构与本文制作的多层地球物理参数数据集具有很好的相似性，它们均由多层组成，层与层之间相互关联并有一定的冗余性.这么做可以一定程度上判断数据本身和模型对实验结果的影响贡献，采用高光谱遥感领域广泛使用的Indian pines和Salinas数据集同标准训练参数设置（Li et al.，2019）进行分类实验，结果如表3.

由表3可以看出，CNN和U⁃net模型的分类边界总体比BP和RF模型更清晰，椒盐噪声有所减少，精度略有提高.高光谱数据与本研究制作的数据不仅结构类似，而且图像分类和中强震预测本质也都是分类问题，可以为本研究制作的数据集训练提供参考.

3.3　数据集验证

最终，利用本研究制作的数据集代入4个模型进行实验，观察其训练过程及在数据集中测试集部分的表现效果，几种模型的对比如图5.其中最好的U⁃net上训练过程如图6.

总体可以看出，各模型使用此数据集均能达到一定的准确率，在80%左右，与在权威的结构相近的高光谱数据集上的实验效果比较接近.这证明本研究制作的数据集具有较高质量，除准确率外，其他指标也基本相近，未出现较大离散偏差.

3.4　地球物理参数层消融实验

消融实验（Ablation Study）是深度学习中用于评估模型参数、组件有效性的常用重要方法，其核心是通过移除模型、算法或系统中的某个组件（如模块、层、特征、数据等），观察其对整体性能的影响，从而验证该组件的必要性和有效性.如在多波段图像分类中，移除某波段层若模型分类效果下降，认为该波段层数据是该图像的关键主成分；在目标检测复杂模型中，可设计实验分别移除如特征金字塔、注意力机制、残差连接等模块后看小物体检测效果来判定谁更重要；在模型优化实验时，在移动端部署时通过消融实验裁剪非关键模块，可以实现轻量化（Archana et al.，2024）.

为探讨不同的背景参数对数据集整体结构的影响，本研究进行消融实验.以前文构建的U⁃net模型为基础，经随机去掉某参数层后进行训练和测试集验证，可见数据集中任一参数层去掉后均降低了模型的识别效果，降低幅度从98.16%降到84%~98%；从移除参数层的误报率来看导致下降现象最大的参数为b值，这主要由于其占用层数较多导致所占权重较大，其他参数均导致了1%左右的微小降幅.此外，可以看到总体的精确率、召回率等指标较高和误报率较低，这说明数据集中没有哪一种参数占绝对权重.因此，总体来看，消融实验表明没有哪一参数层对训练结果产生重要影响，即贡献度无巨大差异（图7）.

4 数据集迁移学习效果

4.1　迁移学习思想

迁移学习源起计算机领域，其关键思想是将在一个领域或任务中学习的知识，应用到另外相关的领域或任务中，有学者运用其思想进行震相识别和地震动预测等（Chai，2020；郑周等，2024b；朱景宝等，2025），优秀的迁移学习效果往往是跨数据属性、跨时空范围甚至是跨领域的（向健斌等，2024），即不同模态数据下泛化能力均有较好表现，其效果主要依赖数据集质量和模型能力，可迁移性是表征数据集质量的重要考量.

现实中，数据集的制作需要真实的数据基础，对本研究来说某时段区间内地震发生对于任何区域并不是等概率分布，如我国东部苏鲁皖及华北大部，相对川滇、台湾和新甘宁等区域近年发震尤其是4.5级及以上的地震较少.为解决少样本地区数据集构建困难的问题，考虑到地震学深度学习数据处理任务虽然与计算机视觉或自然语言的迁移学习任务存在差异，本研究制作的数据集和高光谱图像类数据具有结构一致性，即均具备空间、层数和属性标签等最为重要的概念.基于此，本研究将基于数据集运用在其他区域的泛化效果来评价制作的数据集质量及任务本身是否具有可迁移性.

4.2　迁移学习效果验证

本研究迁移学习异地的试验范围选取南北断裂带部分（川滇地区以北和以南，简称验证区一）和郯庐断裂带中南段（简称验证区二），验证区一主要为甘肃、青海和云南部分，近年强震时有发生；验证区二经过山东大部、江苏西北部和安徽东南部，区域人口稠密且经济发达，震灾研判尤为重要，近年地震发生规律不明显.两个区域一个距数据集源数据区较近，一个较远，两个区域已发生地震的回溯性验证可观察数据集的使用效果.

考虑到验证区实际发生的4.5级及以上地震数量和回溯数据正负例的平衡，随机选取验证区一上5个正例已发生地震、5个负例未发震或弱发震区域，验证区二则选取3个正例、3个负例，分别统计用此数据集迁移学习回溯性验证情况.用于验证的地震事件来源于中国地震台网数据，验证事件放入模型的数据格式同数据集样本，验证事件不与参与制作数据集的地震事件相重复，时间跨度同为近20年左右，如表4和表5.

本研究制作的数据集除在数据集本身的测试集上进行多模型验证取得80%左右的精度外，也在如上的川滇以外的两个区域进行验证.验证区一10个事件中回溯性验证准确率为90%，在验证区二的6个事件中准确率约为83%，如图8和图9所示.这表明该数据集的质量较好，在迁移学习中取得了较好的泛化性.

5 总结

基于深度学习的地震预测数据和模型较少，传统依赖物理模型或经验总结来一定程度内开展预测地震工作，受限于问题复杂性、观测可达性、数据质量、建模逼近度和准确置信度等一直效果不佳，而深度学习提供了一种基于数据驱动的预测框架，能够从大量数据中学习复杂特征关联，为地震预测工作提供一种方式（Zhang et al.，2023；Ranganath et al.，2025）.本研究针对当前学习数据缺少尤其是以单个地震事件为样本的地球物理参数数据集较为缺乏的重要现实问题，通过多源地球物理参数源数据搜集、清洗、多重采样和插值等处理方式，制作了面向深度学习的近20年川滇地区多源地球物理参数背景数据集并经过验证和使用.具体结论和价值体现在：

（1）数据集制作.针对业内震相检测数据集较多而缺少地球物理参数背景数据集的现状，聚焦与发震相关性密切的多个地球物理参数，选取川滇地区以4.5级及以上地震和3.0级及以下弱发震或不发震事件为样本，构建了面向深度学习的多参数层地球物理数据集，数据集构建方法的提出和处理制作本身具有一定的探索性和前沿性，并经过内部测试集、类似结构数据和迁移学习三种验证，说明了数据使用方式也证明了数据的使用效果，可为我国及全球少地震样本地区的地震风险分析预报工作提供借鉴.

（2）迁移学习运用.本研究借鉴了深度学习领域的迁移学习思想，证明了良好的数据集在不同区域的使用效果，这也证明了使用良好数据集的迁移效果，其使用场景可以不局限在一致性非常强的数据本身，可以是多模态和跨领域的，这可为地震学中其他场景的迁移学习提供借鉴.

（3）相似结构对比验证与消融实验.本研究充分借鉴了计算机视觉处理高光谱遥感影像数据的思路和方法，并对比了不同模型下的测试精度，均在80%左右且不同模型稳定性较好；并设计了随机丢掉参数层的“消融实验”，结果体现出数据集参数相互关联但没有超权重参数的较好稳定性，这为后续类似测震学、地质学等数据集的构建、验证和应用提供了一种思路和借鉴.

（4）不足与展望.本研究制作的数据集具有一定的探索性和意义，但限于问题复杂性、源数据可获取性、同类数据集和实验方法可借鉴较少等，还要在未来进一步深化.此外，本研究制作的数据集选取的源数据具有一定的代表性，但其来自不同机构、年度且数据格式不一，参数之间具有多少的关联性、互补性、矛盾性和冗余性是一个需要通过更多实验设计并探讨的问题.随着观测数据的不断积累，数据集的更新和丰富问题也是后续工作需要考虑的问题.模型的可解释性问题仍是深度学习中的一个关键，可解释性与发震动力学之间的物理机制需要进一步探索.

未来将在数据集的拓展、参数之间的多尺度“消融实验”分析、“时、空、强”的联合预测和模型可解释性方面继续研究，与物理机制深度融合，辅以更多的先验知识进行约束，以期达到更好的预测效果和更明晰的可解释性，提升地震预测工作的科学性和可信度.

参考文献

[1] Archana, R., Jeevaraj, P. S.E., 2024. Deep Learning Models for Digital Image Processing: A Review.Artificial Intelligence Review, 57(1): 11. https://doi.org/10.1007/s10462⁃023⁃10631⁃z

[2] Chai, C. P., Maceira, M., Santos⁃Villalobos, H. J., et al., 2020. Using a Deep Neural Network and Transfer Learning to Bridge Scales for Seismic Phase Picking.Geophysical Research Letters, 47(16): e2020GL088651. https://doi.org/10.1029/2020gl088651

[3] Cheng, J. W., Liu, C. C., Zhou, L., et al., 2022. Deblending of Simultaneous⁃Source Seismic Data Based on Deep Convolutional Neural Network.IEEE Transactions on Geoscience and Remote Sensing, 60: 5912613. https://doi.org/10.1109/TGRS.2022.3153642

[4] Cofré, A., Marín, M., Pino, O. V., et al., 2022. End⁃to⁃End LSTM⁃Based Earthquake Magnitude Estimation with a Single Station.IEEE Geoscience and Remote Sensing Letters, 19: 3006905. https://doi.org/10.1109/LGRS.2022.3175108

[5] Dou,J., Tang, H.M., Dong, A.N., et al., 2025.Intelligent Recognition and Feature Analysis of Seismic Surface Cracks Integrating Multi‐Scale Features and Attention Mechanism: A Case Study of the 2025 Dingri, Xizang Ms 6.8 Earthquake. Earth Science, 50(5):1744-1758 (in Chinese with English abstract).

[6] Fang, L. H., Wu, J. P., Su, J. R., et al., 2018. Relocation of Mainshock and Aftershock Sequence of the M_s7.0 Sichuan Jiuzhaigou Earthquake. Chinese Science Bulletin, 63(7): 649-662 (in Chinese).

[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] Huamani, R.J., Auqui, O.J., Aguirre Madrid, E.M., et al., 2025. A Systematic Review about the Use of Machine Learning Related to Earthquake Studies. Advances in Civil Engineering, (1): 1-21. https://doi.org/10.1155/adce/4432234

[9] Jiang, C., Lyu, Z. Y., Fang, L. H., 2024. Earthquake Detection Model Trained on Velocity and Acceleration Records and Its Application in Xinfengjiang Reservoir. Earth Science, 49(2): 469-479 (in Chinese with English abstract).

[10] Li, S. T., Song, W. W., Fang, L. Y., et al., 2019. Deep Learning for Hyperspectral Image Classification: An Overview. IEEE Transactions on Geoscience and Remote Sensing, 57(9): 6690-6709. https://doi.org/10.1109/TGRS.2019.2907932

[11] Liu, Y., Yu, Z.Y., Zhang, Z.Q., et al., 2023. The High⁃Resolution Community Velocity Model V_2.0 of Southwest China, Constructed by Joint Body and Surface Wave Tomography of Data Recorded at Temporary Dense Arrays. Scientia Sinica Terrae, 53(10): 2407-2424 (in Chinese).

[12] Lyu,S., Fang, L. H., Ren, H. Y., et al., 2024. Overview of the Earthquake Monitoring Status in the United States. China Earthquake Engineering Journal, 46(2): 431-448 (in Chinese with English abstract).

[13] Mooney, D.W., Carol Barrera⁃Lopez, C., Suárez, G.M., et al., 2023. Earth Crustal Model 1 (ECM1): A 1° x 1° Global Seismic and Density Model. Earth⁃Science Reviews, 243: 1-32. https://doi.org/10.1016/j.earscirev.2023.104493

[14] Mousavi, S. M., Ellsworth, W. L., Zhu, W. Q., et al., 2020. Earthquake Transformer—An Attentive Deep⁃Learning Model for Simultaneous Earthquake Detection and Phase Picking.Nature Communications, 11: 3952. https://doi.org/10.1038/s41467⁃020⁃17591⁃w

[15] Ranganath, R., Rao, T., Kodipalli, A., et al., 2025. Revolutionizing Earthquake Prediction: Harnessing Machine Learning and Deep Learning. In: 5th International Conference on Design and Manufacturing Aspects for Sustainable Energy. AIP Publishing, Dehradun. https://doi.org/10.1063/5.0261607

[16] Ren, C., Sun, A. H., Wang, W. T., et al., 2025. Revealing the Seismogenic Structural Characteristics of the Menyuan M_S6.4 Earthquake in 2016 Based on Dense Array and Deep Learning. Chinese Journal of Geophysics, 68(4): 1287-1303 (in Chinese with English abstract).

[17] Shi, X. Y., Wang, X. Q., Qiu, Y. R., et al., 2020. Analysis of the Minimum Magnitude of Completeness for Earthquake Catalog in China Seismic Experimental Site. Chinese Journal of Geophysics, 63(10): 3683-3697 (in Chinese with English abstract).

[18] Shi, Y. L., Li, L. F., Cheng, S., 2022. Application of LSTM Neural Network for Intermediate⁃Term Earthquake Prediction: Retrospective Prediction of 2008 Wenchuan M_S8.0 Earthquake. Journal of University of Chinese Academy of Sciences, 39(1): 1-12 (in Chinese with English abstract).

[19] Wang, S. Y., Wang, J., Yu, Y. X., et al., 2010. The Empirical Relation between M_L and M_S Based on Bulletin of Seismological Observations of Chinese Stations. Earthquake Research in China, 26(1): 14-22 (in Chinese with English abstract).

[20] Xia, H. B., Wu, J. J., Yao, J. Q., et al., 2023. A Deep Learning Application for Building Damage Assessment Using Ultra⁃High⁃Resolution Remote Sensing Imagery in Turkey Earthquake.International Journal of Disaster Risk Science, 14(6): 947-962. https://doi.org/10.1007/s13753⁃023⁃00526⁃6

[21] Xiang, J. B., Yu, T., Zhang, D. D., et al., 2024. Application of High Generalization Model in the b⁃Value and Medium and Strong Earthquake Backtracking of the Central and Southern Section of the Tanlu Fault Zone. Progress in Earthquake Sciences, 54(12): 868-877 (in Chinese with English abstract).

[22] Xu, X. W., Wu, X. Y., Yu, G. H., et al., 2017. Seismo⁃Geological Signatures for Identifying M≥7.0 Earthquake Risk Area and Their Preliminary Application in Mainland China. Seismology and Geology, 39(2): 219-275 (in Chinese with English abstract).

[23] Yao, H. J., 2020. Building the Community Velocity Model in the Sichuan⁃Yunnan Region, China: Strategies and Progresses. Scientia Sinica Terrae, 50(9): 1319-1322 (in Chinese).

[24] Yao, Q., Wang, H., Liu, J., et al., 2023. A Hybrid Method of Earthquake Forecasting Based on Numerical Simulation and Seismicity Statistics: An Application to China Seismic Experimental Site. Chinese Journal of Geophysics, 66(10): 4162-4175 (in Chinese with English abstract).

[25] Yu, T., Zhu, Y. M., Wang, X., et al., 2020. Research on the b⁃Value Space⁃Time Characteristics of Jiangsu⁃Shandong Intersection Area of Tanlu Fault Zone. Progress in Geophysics, 35(6): 2134-2142 (in Chinese with English abstract).

[26] Yu, Z. Y., Chu, R. S., Sheng, M. H., 2018. Pick Onset Time of P and S Phase by Deep Neural Network. Chinese Journal of Geophysics, 61(12): 4873-4886 (in Chinese with English abstract).

[27] Zhang, B., Hu, Z. A., Wu, P., et al., 2023. EPT: A Data⁃Driven Transformer Model for Earthquake Prediction. Engineering Applications of Artificial Intelligence, 123: 106176. https://doi.org/10.1016/j.engappai.2023.106176

[28] Zhang, P. Z., 2008. Contemporary Tectonic Deformation, Strain Partitioning, and Deep⁃Seated Dynamic Processes in the Eastern Margin of the Tibetan Plateau, Western Sichuan Region. Scientia Sinica Terrae, 38(9): 1041-1056 (in Chinese).

[29] Zhao, M., Chen, S., Yuen, D., 2019. Waveform Classification and Seismic Recognition by Convolution Neural Network. Chinese Journal of Geophysics, 62(1): 374-382 (in Chinese with English abstract).

[30] Zheng, Z., Lin, B. H., Jin, X., et al., 2024a. Predicting Instrumental Seismic Intensity Using Deep Learning and Physical Features. Chinese Journal of Geophysics, 67(7): 2712-2728 (in Chinese with English abstract).

[31] Zheng, Z., Lin, B. H., Yu, W. H., et al., 2024b. Research on the Application of Transformer Model and Transfer Learning in Earthquake P⁃Wave and Noise Discrimination. Chinese Journal of Geophysics, 67(11): 4189-4203 (in Chinese with English abstract).

[32] Zhu, J. B., Liu, H. Y., Luan, S. C., et al., 2025. Prediction of On⁃Site Peak Ground Motion Based on Machine Learning and Transfer Learning. Earth Science, 50(5): 1842-1860 (in Chinese with English abstract).

[33] Zhu, W. Q., Beroza, G. C., 2019. PhaseNet: A Deep⁃Neural⁃Network⁃Based Seismic Arrival Time Picking Method. Geophysical Journal International, 216(1): 261-273. https://doi.org/10.1093/gji/ggy423

基金资助

国家自然科学基金项目(41274009)

国家自然科学基金项目(41574022)

宿迁市科技计划项目(K202340)

宿迁市科技计划项目(K201914)