資訊內容
/
研究亮點
基于可解釋集成學習的實時地震烈度預測框架
發(fā)布時間： 2023-07-03 點擊數(shù)量：5257研究背景：
破壞性地震可能造成嚴重的工程破壞和人員傷亡。地震烈度代表了對地面和工程結構的破壞程度?？煽?、快速地獲取地震烈度可以為應急響應和災害恢復提供科學依據(jù)。在地震預警領域，地震烈度已被使用多年。現(xiàn)地地震預警系統(tǒng)根據(jù)P波到來后獲得的信息預測地動峰值，在破壞性橫波（S波）到來之前提供預警；這使得人們、重要設施和其他物體能夠采取有效措施，防止或減少潛在的損害。針對不同需求的用戶，地震預警系統(tǒng)根據(jù)預測的地震烈度等級不斷發(fā)布不同的預警信息，以減少地震和次生災害造成的損失和人員傷亡。因此，有必要對地震烈度進行準確可靠的實時預測。
研究方法及結果：
提出了一個準確、可靠、高效的地震烈度實時預測框架，以解決傳統(tǒng)方法（如Pd）擬合能力不足、機器學習模型中存在不相關和冗余參數(shù)、以及機器學習模型因其黑箱狀態(tài)而可信度低等問題。預測模型的建立是基于K-NET數(shù)據(jù)庫和集合學習。然后，研究了特征參數(shù)之間的關聯(lián)性，并對復雜的模型進行了優(yōu)化。此外，本研究通過使用PDP、ICE和SHAP解釋方法解釋機器學習模型。得到了以下結論。
1）提出的實時地震烈度預測框架可以連續(xù)可靠地預測地震烈度。該框架通過構建數(shù)據(jù)庫、建立和優(yōu)化模型、驗證和解釋模型、使用最佳模型進行預測等四個步驟，確保了連續(xù)地震烈度預測的準確性和可靠性。
2）提出的基于集合學習的模型比Pd模型更準確，而且同樣有效。在時間窗口為1秒的情況下，測試集的準確率可以達到95.947%，在時間窗口為2秒后，其準確率穩(wěn)定在98%以上。相比之下，在3秒的時間窗口下，xgBoost模型在所有評價指標上都優(yōu)于Pd模型。此外，每個樣本的預測可以在10-2秒內完成，滿足地震預警的實時性要求。
3）消除了冗余和不相關參數(shù)的模型實現(xiàn)了復雜性的降低和模型效率的提高。采用皮爾遜相關系數(shù)定義特征參數(shù)之間的相關性，并將24個特征參數(shù)根據(jù)其相關程度優(yōu)化為14個特征參數(shù)。這就減少了計算量，優(yōu)化了模型，同時保證了模型的準確性。
4）對具有最優(yōu)效果的xgBoost模型進行了解釋，提高了黑箱模型的可信度，并確定了對模型有重大影響的參數(shù)，為特征參數(shù)的選擇提供了參考。用PDP、ICE和SHAP方法對模型進行解釋，確定參數(shù)的重要程度，同時確定參數(shù)變化對預測結果的影響。PvUD對模型影響最大, PvUD和IV23主要是與IaUD正向影響；PvUD和IV23之間的正向影響不顯著。
該成果發(fā)表在國際期刊《Seismological Research Letters》（Jinjun Hu*, Yitian Ding, Hui Zhang, et al. A Real‐Time Seismic Intensity Prediction Framework Based on Interpretable Ensemble Learning, Seismological Research Letters, doi: 10.1785/0220220167）（IF：3.754，*通訊作者）。
圖1 3秒時間窗下的預測值和觀測到的地震烈度的比較，時間表示時間窗的大小。灰色區(qū)域是正確的預測值，藍色區(qū)域是高估的預測值，黃色區(qū)域是低估的預測值。綠點表示（a）Pd模型，紅三角表示（b）xgBoost模型。
圖2 震中距和預警時間之間的關系。數(shù)據(jù)點的顏色代表地震烈度
圖3 (a)基于SHAP值的參數(shù)的全局重要性排名。(b) 不同參數(shù)的SHAP匯總圖，數(shù)據(jù)點的顏色從藍色（低）到紅色（高）過渡代表參數(shù)的低值到高值。
圖4 每個模型對不同烈度范圍的實時預測性能。綠色的藍線和紅線表示CART RF和xgBoost模型的實時預測，黃色的虛線表示觀察到的實時烈度，水平紅線表示觀察到的最大烈度。時間T表示實時烈度達到最大值的時刻。
