Earthquake Predicting and Tectonic Stress-Reducing Possibilities
本文描述了地震前检测到的电磁发射产生的理论模型、地震预测方法学方案、能够同时确定即将发生的地震预测所需的所有三个特征参数的可能方法。提出了VLF/LF流动测网的可能布设方案，并对地震危险性评估和降低震源累积构造应力提出了完全不同的观点。
2022-04-24 physics.geo-ph
Comment on "Assessing CN earthquake predictions in Italy" by M. Taroni, W. Marzocchi, P. Roselli
Taroni等人（2016年）的论文考虑了CN算法对意大利强震的正演预测结果，其目的是提供“对CN预测性能的仔细评估......使用标准测试程序”。然而，鉴于每个区域内的目标事件数量非常有限，所考虑的情况是非统计的，并且先验地，标准统计方法显然在这里无效。试图取代标准的方法Pari-mutuel赌博分数（PGS）的方法导致几乎完全丢失的信息预测地震，即使是大样本的目标事件。因此，基于PGS的结论是站不住脚的。
2017-02-06 physics.geo-ph
Rapid Prediction of Earthquake Ground Shaking Intensity Using Raw Waveform Data and a Convolutional Neural Network
这项研究描述了一种基于深度卷积神经网络（CNN）的技术，用于预测地面震动的强度测量（IM）。CNN模型的输入数据包括2016年意大利中部地震序列期间为M $\ge$ 3.0记录的多站3C宽带和加速度波形。我们发现，CNN是能够准确地预测的IM在远离震中的站，尚未记录到的最大地面震动时，使用10秒的窗口开始在地震发生的时间。CNN IM预测不需要预先知道震源（位置和震级）。CNN模型预测与Bindi等人（2011）GMPE（需要位置和幅度）获得的预测之间的比较表明，CNN模型具有相似的误差方差，但偏差较小。虽然该技术并不是严格为地震预警而设计的，但我们发现，它可以根据各种设置元素（例如，用于数据传输、计算、延迟的时间）。该技术已在原始数据上进行了测试，没有任何初始数据预选，以密切复制实时数据流。当地震数据中包含噪声样本时，发现CNN可以稳定准确地预测与噪声幅度对应的地面震动强度。
2021-05-12 physics.geo-ph
An Earthquake Can Be Predicted
本文认为VLF/LF电磁辐射是这次地震的真正前兆。结果表明，该参数能够较好地描述震源区断层的形成过程。此外，VLF/LF电磁辐射频率分析还提供了同时确定未来地震预测所需的三个特征参数（震级、震中和发震时间）的可能性。结果表明，对中强地震进行高精度预报是可能的。
2022-05-13 physics.geo-ph
Weather conditions several hours before the strong earthquake
几个世纪以来，人们一直在报道强震前观察到的物理现象。将氡异常、电信号、水位变化、地光等识别为震前信号，以达到地震预测的目的。地面大气电场仪在晴天条件下观测到的异常负信号，为地震预测开辟了一条新的途径。地震前的异常热辐射理论上会给震中地区带来晴好天气。为了弄清楚地震前震中周围的天气状况，收集了2013年至2020年全球213次6级以上地震事件。根据我们对晴天的定义，在统计的96.7%的事件中，地震前的天气是晴天。此外，地震前的晴朗状态持续了7个多小时，给我们留下了足够的早期升温时间。
2020-10-26 physics.geo-ph
The theoretical and practical foundations of strong earthquake predictability
本文提供了理论和实践的论点，预测世界范围内的强震和大地震的可能性。许多强震和大地震至少可以提前两到五个月预测，基于确定在强震发生前开始表现异常的应力区域，这些区域的大小与多布罗沃尔斯基公式相对应。我们通过结合许多不同学科的知识来进行预测：物理学、地球物理学、地震学、地质学和地球科学等等。采用综合办法查明异常情况并作出预测，其中包括卫星遥感技术和地面仪器提供的数据。目前每天都要处理太字节的信息，其中应用了许多不同的多参数预测系统。如果几个不同的系统确认了异常，则会发出警报。研究发现，各地震关键区的地震孕育和应力积累的地球物理图象是相似的。自2013年以来，相同的地震预测方法和系统已成功应用于全球实践，该技术成功用于对1970年以来的700多次强震和大地震进行回顾性测试。
2021-04-19 physics.geo-ph
Possibility of Land Movement Prediction for Creep or before Earthquake Using Lidar Geodetic Data in a Machine Learning Scheme
地震预测是地球科学研究的热点问题之一。不同的地质学和地震学方法存在着对地震及其随后的土地变化的预测。然而，在许多情况下，他们的使命失败了。在本文中，我们解决了完善的地震预测问题的一种新的方法。我们使用四维位置-时间机器学习方案来估计地震发生的时间及其土地变化。我们提出了一个研究的里奇克莱斯特，加利福尼亚州2019年地震预测。我们表明，我们的方法的准确性是约14厘米的土地变化，约2天的时间的地震，预测数据超过3年前的地震。
2020-06-18 eess.SP physics.geo-ph
Reverse Detection of Short-Term Earthquake Precursors
本文介绍了一种基于地震活动断层网络自组织概念的短期地震预测新方法。这种方法被称为“前体反向探测”，因为它是按照前体出现的相反顺序来考虑的。这使得可以检测通过直接分析无法检测的前体。RDP的潜在机制进行了概述。RDP描述了一个具体的例子：我们认为作为短期的前兆，新引入的地震链，反映了地震相关范围的上升，并检测（回顾）这样的链前几个月两个突出的加州地震-兰德斯，1992年，M = 7.6，和赫克托矿，1999年，M = 7.3，一个假警报。RDP对加利福尼亚（M ≥ 6.4）、日本（M ≥ 7.0）和东地中海（M ≥ 6.5）的21次强震也得到了类似的结果（在别处描述）。RDP方法的验证一如既往地需要提前预测，本研究为此建立了一个基础。我们有第一个提前预报的案例，它是在9月10日十胜冲地震（日本北海道附近）之前报道的。25，2003，M = 8.1。RDP对其他前兆和除地震外的其他关键现象的预测具有潜在的重要应用。特别是，它可能证明一些短期的前兆是正确的，这些前兆以前被认为发出了太多的假警报而被拒绝。
2003-12-13 physics.geo-ph
EPBench: A Benchmark for Short-term Earthquake Prediction with Neural Networks
本文提出首个全球区域尺度短期地震预测基准EPBench，包含92万余条地震记录及多模态数据、评估方法和多种基线模型，旨在推动神经网络在地震预测中的应用。
2025-07-22 physics.geo-ph
Predicting laboratory earthquakes with machine learning
成功地预测地震是地球科学的圣杯之一。传统的预测使用关于复发间隔的统计信息，但这些预测不够准确。在最近的一篇论文中，提出了一种机器学习方法，并将其应用于实验室地震数据。机器学习算法通过声发射连续测量辐射能量，作者能够成功预测实验室地震的时间。在这里，我们复制了他们的模型，该模型应用于玻璃珠的凿层，并将其应用于使用盐的凿层获得的数据集。在该盐实验中，设置了不同的加载点速度，导致可变的重复时间。我们使用的机器学习技术被称为随机森林，它使用了地震间隔期间的声发射。随机森林模型成功地对这两种材料做出了相对可靠的预测，也是在地震发生之前很久。显然，在整个实验过程中，数据中有关于下一次地震发生时间的信息。对于玻璃珠，能量是逐渐和越来越多地释放的，而对于盐，能量仅在前体活动期间释放，因此用于预测的重要特征是不同的。我们解释的结果的差异是由于不同的微观力学的滑动。研究表明，机器学习方法可以揭示数据中存在的关于不稳定滑动事件（地震）时间的信息。需要进一步的研究，以确定负责任的微观机械过程，然后可以用来推断自然条件。
2020-11-12 physics.geo-ph
The Potential of Continuous, Local Atomic Clock Measurements for Earthquake Prediction and Volcanology
现代光学原子钟以及目前正在开发的光纤技术可以测量大地水准面，大地水准面是延伸大陆上平均海平面的等势面，其精度可与现有技术相媲美。在这一过程中，我们指出，原子钟不仅有可能绘制大陆上的海平面，而且还可以以前所未有的时间分辨率来观察大地水准面随时间的变化。大地水准面的局部时间序列有许多应用。其中包括对地震和火山预测的潜在改进，以及对进行水力压裂的地区的地面隆起进行更密切的监测。
2015-06-09 physics.geo-ph
A Prospect of Earthquake Prediction Research
地震的发生是由于地壳中积累的应力引起断层的突然滑动。由于这些断层及其机制大多不明显，确定性地震预测是困难的。为了进行有效的预测，必须考虑复杂的条件和不确定因素，这就需要进行随机预测。特别是，大量的不确定性在于确定异常现象是否是大地震的前兆，以及确定地震的紧急程度。除非考虑风险的定量建模，否则任何对地震预测潜在有用信息的发现都是不完整的。因此，本文展望了地震可预报性研究的前景，以期在不久的将来实现实用化的业务预报。
2013-12-30 physics.geo-ph stat.ME
Indications and implications of a borehole seismic monitoring result of the San Andreas Fault foresee future earthquake prediction
针对帕克菲尔德M6地震预测失误问题，研究通过SAFOD主孔地震台阵监测发现三重活动子断层模型，可解释地震复发周期差异，表明多位置长期钻孔监测或能实现地震预测。
2024-08-19 physics.geo-ph
On the short time prediction of earthquakes in the Balkan- Black Sea region based on geomagnetic field measurements and tide gravitational potential behavior
本文是对2002年1 ~ 6月巴尔干和黑海地区地震短临预报方法进行统计估计的首次尝试。这一发现的实质是地磁局部“震”是未来地震的前兆，其时间由潮汐重力位行为决定。提出了一个巴尔干黑海地区地震“何时何地”预报网络。
2002-10-24 physics.ao-ph physics.geo-ph
Transfer learning: Improving neural network based prediction of earthquake ground shaking for an area with insufficient training data
在最近的一项研究（Jozinović et al，2020）中，我们表明，应用于网络地震道的卷积神经网络（CNN）可用于快速预测地震峰值地面运动强度测量（IM），仅使用震中附近台站的记录。这些预测是在没有任何关于地震位置和震级的先验知识的情况下做出的。这种方法不同于地震预警系统（EEWS）所采用的标准程序，后者依赖于位置和震级信息。在之前的研究中，我们使用了2016年意大利中部地震序列的10秒原始多站波形，共915次事件（CI数据集）。CI数据集具有大量的空间集中地震和密集的台站网络。在这项工作中，我们将CNN模型应用于位于意大利比萨附近的VIRGO引力波天文台周围的区域。在我们最初应用该技术时，我们使用了由39个台站记录的266次地震组成的数据集。我们发现，使用这个较小的数据集训练的CNN模型与Jozinović等人（2020）的原始研究结果相比表现更差。为了解决数据缺乏的问题，我们采用了两种方法来进行迁移学习（TL）：首先，使用基于CI数据集构建的预训练模型，然后，使用基于不同（地震学）问题构建的预训练模型，该问题具有更大的数据集可用于训练。我们表明，使用TL改善了预测值和真实IM值之间的残差的离群值，偏差和变异性方面的结果。我们还证明了在神经网络中添加站点位置知识作为附加层可以改善结果。EEW的可能用途通过在车站PII收到警告的时间来证明。
2021-05-11 physics.geo-ph
Comparison of observed ground-motion attenuation for the 2016/04/16 Mw7.8 Ecuador megathrust earthquake and its two largest aftershocks with existing ground-motion prediction equations
2016年4月16日23时58分，厄瓜多尔海岸发生Mw7.8级地震。这次地震是迄今为止记录最好的大型逆冲事件之一。除了主震之外，2016年5月18日还记录了两次大余震，分别为7 h57（Mw6.7）和16 h46（Mw6.9）。这些数据为了解厄瓜多尔地震动的衰减做出了重要贡献。峰值地面加速度和谱加速度与为界面地震开发的四个地面运动预测方程进行了比较，全球Abrahamson et al.（2016）模型，日本方程Zhao et al.（2006）和Ghofrani and Atkinson（2014），以及智利方程Montalva et al.（2016）。四个测试的GMPE提供了距离200公里的主震相当接近的预测。然而，我们的结果表明，弧后部位的高频衰减更大，因此没有考虑这种差异的Zetal 2016和Metal 2016没有进一步考虑。残差分析表明，G&A14和Aetal 2016很好地预测了主震的地震动衰减。余震观测结果与Aetal 2016预测的比较表明，GMPE对观测到的衰减率提供了合理的拟合。Mw6.7和Mw6.9级地震的事件项为正值，但在全球类似地震的预期离散范围内。事件内标准差高于模型的事件内变异性，这部分与VS 30模型约束不良有关。
2018-12-21 physics.geo-ph
Earthquake Prediction: Probabilistic Aspect
本文对时空上的地震预测问题进行了理论分析。我们发现一个明确的结构的最优策略和它的关系，广义误差图。本研究是时间预测理论结果的推广。这种扩展的可能性和简单性是由于目标函数类的选择。我们还讨论了预测与预测，标度律与可预测性，以及在研究阶段的预测效率的措施的问题。
2008-02-08 physics.data-an physics.geo-ph
Towards Global Earthquake Early Warning with the MyShake Smartphone Seismic Network Part 1 -- Detection algorithm and simulation platform
MyShake项目旨在建立一个全球智能手机地震网络，通过利用众包的力量促进大规模地震预警和其他应用。MyShake移动应用程序首先在单个手机上检测地震震动。然后在MyShake服务器上使用“网络检测”算法确认地震，该算法由多个单一电话检测激活。在本部分中，我们提出了一种网络检测算法和一个模拟平台，用于测试世界各地的地震场景。提出的网络检测算法是建立在DBSCAN经典的空间聚类算法，修改，考虑到时间特性和新的触发器的关联。我们使用MyShake用户在2018年1月4日伯克利M4.4和2016年6月10日Borrego Springs地震期间记录的真实数据来测试我们的网络检测算法，以证明该系统的实用性。为了测试整个检测过程，并了解MyShake在世界各地代表不同人口和构造特征的各个地点的一阶性能，我们提出了一个软件平台，可以模拟地震触发器在假设的MyShake网络。本论文系列的第二部分探讨了我们的MyShake预警模拟在全球选定地区的性能。
2019-09-17 physics.geo-ph
Turkey's Earthquakes: Damage Prediction and Feature Significance Using A Multivariate Analysis
Algoverse AI Research（Algoverse AI研究院）
本研究利用地震、基础设施和社会经济数据集，测试多种机器学习架构预测土耳其地震死亡人数，发现Random Forest模型预测最可靠，并指出地震震级和建筑稳定性是损坏的主要决定因素。
2024-10-29 cs.LG physics.geo-ph
On the possibility for short time when, where earthquakes prediction with the using geomagnetic field measurements
本文试图探讨短时间地震预报的可能性。当地何时发生地震预测是基于地磁地震与下一个潮汐重力位最小值或最大值之间的联系。预测地震的概率时间窗最小为+/-1天，最大为+/-2天。根据2001-2002年巴尔干、黑海地区地震预报与发震时间差的分布情况，给出了初步的统计估计。后验地震的例子时，在不同的世界地区的预测，使用档案Intermagnet本地数据，给出。在特定的空间和时间尺度上，准确地监测地球表面、地表和上空的电磁场，是实现局部何时、何地地震预测的基础。定期更新地震危险图的信息是必不可少的。地磁场、地壳和大气中的电位分布、地表辐射的时空分布、重力异常图、与季节和日期无关的温度深度分布、水源参数等的监测，是进行局部地区何时、何地、如何发生地震预测的基础（借方、温度、化学成分、放射性）、气体排放、电离层条件参数、地球辐射带参数、太阳风、地壳参数的地震危险图信息（应变、变形、位移）和生物前体。
2003-08-29 physics.ao-ph physics.geo-ph
Earthquake Phase Association using a Bayesian Gaussian Mixture Model
震相关联算法是将地震台网采集到的震相信息聚合成单个地震的算法，在地震监测中发挥着重要作用。密集的地震台网和改进的相位拾取方法产生了大量的地震相位数据集，特别是对于在时间和空间上紧密发生的地震群和余震，使得相位关联成为一个具有挑战性的问题。我们提出了一种新的关联方法，高斯混合模型协会（GaMMA），结合高斯混合模型的相位测量（时间和振幅），地震位置，起源时间和震级估计。我们把地震相关联作为一个无监督的聚类问题的概率框架，其中每个地震对应于一个集群的P和S阶段的双曲线时差的到达时间和衰减的幅度与距离。我们使用一个多元高斯分布模型收集的相位拾取的事件，其平均值是由预测的到达时间和振幅从因果事件。我们为每个地震执行拾取分配并确定地震参数（即，地震位置、发震时间和震级）在极大似然准则下使用期望最大化（EM）算法。GAMMA方法不需要其他算法的典型关联步骤，例如网格搜索或监督训练。合成测试和2019年Ridgecrest地震序列的结果表明，GAMMA有效地将时间和空间密集地震序列的相位关联起来，同时对地震位置和震级进行了有用的估计。
2021-09-18 physics.geo-ph
Gambling scores in earthquake prediction analysis
成功次数n和时空报警标准化测度τ是表征地震预测方法强度和预测结果意义的常用指标。为了更好地评估预报员的技能，最近有人建议使用一个新的特性，赌博得分R，它结合了通过使用不同的权重为不同的警报猜测每个目标事件的难度。我们扩大了类的R-特征，并将这些M8预测算法的结果的分析。我们表明，显着性水平'阿尔法'强烈依赖于（1）加权报警参数的选择，（2）在整个报警体积的分区成组件部分，和（3）的目标事件，m（DG）的空间速率的准确性。这些工具由研究人员使用，可以影响任何方向的显著性估计。这里讨论的所有R统计量都证实了用M8方法预测8.0<=M<8.5的事件是不平凡的。然而，基于传统特征（n，tau）的结论由于两种情况而更可靠：'tau'是稳定的，因为它基于m（.）的相对值，并且“n”统计量使得能够在考虑m（.）的不确定性的情况下构造“α”的上限估计。
2010-05-27 physics.geo-ph
QuakeFormer: A Uniform Approach to Earthquake Ground Motion Prediction Using Masked Transformers
针对地震前、中、后三阶段地面运动预测任务的专用架构局限性及空间依赖性建模不足问题，提出统一深度学习架构QuakeFormer，整合三项任务，采用多台站Transformer与掩码策略，提升预测性能并为地震科学工程提供支持。
2024-12-01 physics.geo-ph
How geodesy can contribute to the understanding and prediction of earthquakes
地震无法精确预测，但存在算法，可根据地震活动模式，对高于预先设定阈值的主震进行中期中期预测。几年前，在意大利航天局资助的SISMA项目框架内首次尝试联合使用CN算法和假想地震等地震学工具以及全球定位系统和合成孔径雷达监测等大地测量方法和技术，以便有效地限制重点预防和减轻地震风险的优先领域。本文介绍了地震学和大地测量学信息集成的进一步发展，清楚地表明了大地测量学对地震认识和预测的贡献。作为一个相关的应用，在回顾性分析中考虑了2016年8月在意大利中部开始的地震危机。与通常的方法不同，这里的GPS数据不是用来估计该地区的标准二维速度和应变场，而是用来重建沿断面的速度和应变模式，这些断面根据已知构造背景的先验信息进行适当定向。总体而言，对现有大地测量数据的分析表明，自2012年11月1日以来，在CN报警区域内，可以突出Amatrice事件区域的速度变化和相关应变积累。所考虑的反例，在氯化萘警戒区和非警戒区，没有显示任何可比的空间加速局部化趋势。因此，我们表明，CN预测算法的结果的组合分析，与那些从足够密集和永久的GNSS网络数据的处理，可以允许在应变积累之前的常规亮点。因此，有可能显著减小CN报警区域的大小。
2017-03-04 physics.geo-ph
A paradigm for developing earthquake probability forecasts based on geoelectric data
我们研究了地震前的地电信号的异常行为，通过一个算法，包括报警为基础的模型和二进制分类。该算法最初由Chen和Chen [Nat. Hazards.，84，2016]，通过删除用于地震发生粗粒化的时间参数，以及通过将单站方法扩展为联合站方法来改进。我们还确定了最佳频带的地震相关的地电信号具有最高的信噪比。使用显着性检验，我们还提供了证据的基础震电关系。机器学习提取这种潜在的关系是合适的，它可以用来量化即将发生的地震的概率预测，并更接近于操作地震预测。
2019-07-12 physics.geo-ph
Statistical tests for evaluating an earthquake prediction method
讨论了在原假设检验中包含后游标的影响。不相等的预测概率可以包括在使用中心极限定理的推广的原假设检验中。给出了随机机会上确定增强因子的一个检验。即使VAN方法无法预测地震，地震信号也可以优先先于地震。我们对这种可能性进行了统计检验。
2018-03-12 physics.data-an physics.geo-ph stat.AP
How "Short" a "Short-term earthquake prediction" can be? A review of the case of Skyros Island,Greece, EQ (26/7/2001, Ms = 6.1 R)
2001年7月26日，希腊斯基罗斯岛发生地震（Ms = 6.1 R），地震发生前三天，保加利亚科学院在索非亚组织的一次会议上宣布。在这项工作中，审查的方法，用于分析现有的数据，以利用特定的预后的结果。特别令人感兴趣的是，确定的发生时间与特定EQ的实际发生时间偏离不到一个小时（实际上是41分钟）。另一个大型EQ（希腊基西拉，Ms = 6.9R，2006年1月8日）的类似示例使用完全相同的方法，仅偏离43分钟。其余的预测参数：震中位置和Skyros EQ的震级通过操纵区域孕震区过去的地震能量释放历史和VOL地球电场监测站点在大震波迹象发生前的最后25天内记录的观测地球电场来利用。本文的结论是，只要用适当的方法处理现有的地震资料，短期地震预测就可以作为真正的“短期”预测。
2010-02-10 physics.geo-ph
Deep learning for magnitude prediction in earthquake early warning
快速准确的震级预报是地震预警成功的关键。我们提出了一种基于深度学习的P波幅度预测（EEWNet）新方法，该方法将时间序列数据作为输入，而不是特征参数。EEWNet的架构根据输入的长度进行自适应调整，从而消除了深度学习超参数的复杂调整。仅使用未滤波的垂直分量加速度记录。EEWNet在中等数量的数据集（10，000条记录）上进行训练，但与使用参数τlog，τc和Pd的方法相比，它在震级预测方面取得了优异的结果。
2020-07-06 eess.SP physics.geo-ph
Mathematical principles of predicting the probabilities of large earthquakes
一种多分量随机过程，用作时空地震预测问题的模型;如果表征地震活动性史前史的预报值已知，这使我们能够对大地震的条件概率进行一致的估计。我们介绍了评估预测效率的工具，包括一个单独的确定效率的“时间预测”和“位置预测”：广义相关系数和密度的信息增益。我们提出了一种技术，用于测试的预测，以决定是否可以拒绝没有预测的假设。
2009-04-26 physics.data-an physics.geo-ph
Convolutional Neural Network for Earthquake Detection and Location
最近在美国中部诱发地震活动的演变要求详尽的目录，以改善地震危险性评估。在过去的几十年里，地震资料的数量呈指数级增长，这就需要有效的算法来可靠地检测和定位地震。今天最复杂的方法是扫描过多的连续地震记录，寻找重复的地震信号。在这项工作中，我们利用人工智能的最新进展，提出了ConvNetQuake，这是一种高度可扩展的卷积神经网络，用于从单个波形中进行地震检测和定位。我们应用我们的技术来研究诱发地震在俄克拉荷马州（美国）。我们探测到的地震比俄克拉荷马地质调查局以前记录的多20倍。我们的算法是数量级的速度比既定的方法。
2017-02-07 physics.geo-ph
A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction
University of Mazandaran（马赞达兰大学）；Tarbiat Modares University（塔比阿特莫达雷斯大学）
本文提出一种结合注意力机制、CNN和BiLSTM的地震预测模型，通过零阶保持预处理、捕获时空依赖性并突出关键特征，预测中国大陆各地区地震数量与最大震级，表现优于其他方法。
2021-12-26 cs.LG eess.SP physics.geo-ph
Space-Time Earthquake Prediction: the Error Diagrams
地震预测的质量通常用二维图“n”与“τ”来表征，其中“n”是预测失败率，“τ”是时空报警特征。与时间预测的情况下，量'tau'不是唯一定义的，所以（n，tau）图的属性需要理论分析，这是本研究的主要目标。本说明基于Molchan和Keilis-Borok最近在GJI，173（2008），1012-1017中的一篇论文。
2008-07-16 cond-mat.other physics.data-an physics.geo-ph
Skopje and Sofia 2005 Earthquake and Geomagnetic data and the Geomagnetic Quake as Imminent Reliable Earthquakes Precursor
即将发生的地震预测是基于地磁地震和潮汐重力位的最小值（或最大值）之间的相关性。未来地震的概率时间窗口为潮汐最小值约一天，最大值为两天。可靠性的统计证据是基于索非亚地区2002- 2005年和斯科普里地区2004- 2005年期间发生和预测地震之间的时差分布。不久的将来将提出巴尔干-黑海地区地震预报综合网络项目，利用可靠的前兆进行地震预报。该项目以临时数据采集系统为基础，对数据进行初步存档、测试、可视化和分析，目的是编制区域每日风险估计。
2006-03-23 physics.class-ph physics.geo-ph
Significant and megathrust earthquake predictions by real-time monitoring of the genesis processes with Physical Wavelets
该研究提出利用 Physical Wavelets 实时监测地震孕震过程，以提前三个月预测显著地震和巨型逆冲地震并发布防灾预警。
2023-06-02 nlin.CD physics.data-an physics.geo-ph
Earthquake Detection in 1-D Time Series Data with Feature Selection and Dictionary Learning
地震可以通过匹配来自1-D地震波的空间模式或相位特性来检测。目前的地震检测方法，如波形相关和模板匹配，很难检测到与其他地震不相似的异常地震。近年来，机器学习技术在地震检测中的应用逐渐成为一个新的研究方向。本文提出了一种基于字典学习的地震检测方法。我们的检测方法首先通过信号处理和统计方法生成丰富的特征，并进一步采用特征选择技术来选择携带最重要信息的特征。基于这些选定的功能，我们建立了一个字典，从非地震事件的地震事件进行分类。为了评估我们的基于字典的检测方法的性能，我们测试我们的方法在宾夕法尼亚州立大学的labquake数据集，其中包含3，357，566个时间序列数据点，采样率为400 MHz。总共有1,000个地震事件被手动标记，这些地震事件的长度从74到7151个数据点不等。通过与其他检测方法的比较，我们表明，我们的特征选择和字典学习相结合的地震检测方法达到了80.1%的预测准确率，并优于地震检测的基线方法，包括模板匹配（TM）和支持向量机（SVM）。
2019-01-28 physics.geo-ph
Seismic electric precursors observed prior to the 6.3R EQ of July 1st 2009, Greece and their use in short-term earthquake prediction
本文研究了希腊PYR、ATH、HIO监测点监测的地球电场的标准化原始数据，并就其与电震前兆的关系进行了讨论。在2009年7月1日希腊大地震（Ms = 6.3R）发生之前，检测到了电前脉冲、高原状异常电场和甚长周期（VLP）异常。对相同数据的进一步处理揭示了所产生的震前电位的真实形式，从而提供了对大EQ发生的时间窗的间接估计。最后，通过对所有监测点的异常电场进行成对相关，可以计算出“奇异吸引子样”地震电性前兆，它为大EQ的发生提供了时间窗口，不仅利用了已被激活的区域孕震区的确定，而且还利用了更精确的震中位置。
2009-08-28 physics.geo-ph
Forecasting strong aftershocks in earthquake clusters from northeastern Italy and western Slovenia
在这项研究中，我们提出了一个分析的地震集群发生在意大利东北部和斯洛文尼亚西部从1977年到今天。如果主震在人群中产生警报，我们有兴趣预测是否会发生类似震级的地震。我们把与Mm级主震有关的震群分为两类：如果最强余震的震级>=Mm-1（震群或大余震地震层序）为A类，否则（较小余震地震层序）为B类。主震后的大余震可能对已经受损的建筑物和基础设施造成重大破坏，因此及时向民防部门提供咨询信息对于有效决策非常重要。这是我们第一次将我们为整个意大利开发的聚类类型预测模式识别算法应用于新目录（Gentili和Di Giovambattista，2017）。由于当地OGS目录的完整性较低，与国家相比，并采用新版本的算法，我们能够将集群主震震级的阈值从4.5降低到3.7。该方法已通过严格的统计检验进行了验证。我们在1976年的高破坏性地震群（主震震级6.5 -该地区过去80年来最强）上测试了该算法，并回顾性地将其预测为A群。2019年，在其他三个较小的地震群上也取得了成功的结果。
2020-04-27 physics.geo-ph
Medium - long term earthquake prediction by the use of the oscillating electric field (T = 365 days) generated due to Earth's orbit around the Sun and due to its consequent oscillating lithospheric deformation
我们研究了地球的电场监测PYR（希腊）监测站点，为期六年多（2003年5月23日至2009年9月7日）。它的比较，特别是它的振荡成分T = 365天，与近日点-Aprilion日期的地球绕太阳的轨道，与地球的磁场的相同组成部分，与相应的相同周期的潮汐振荡和发生的大EQ的相同的时间段。结果表明，振荡电场分量是由地球形状-岩石圈振荡变形触发的大尺度压电效应产生的。驱动机制（年潮汐变化）先于近日点-近日点日期一个月，符合地球形状变形的潮汐摩擦行为。地球振荡的电场峰值与近日点-近日点日期相吻合，而触发的大EQ非常接近近日点-近日点日期。此外，它表明，所观察到的地球的振荡电场是不相关的，或由相应的地球的磁场引起的。因此，地球振荡电场特征可作为大震群的中长期电震前兆。关键词：潮波，地球形变，前兆电信号，磁场，近日点，近日点，地震预测。
2009-12-04 physics.geo-ph
Spatio-temporal evolution of low-magnitude seismicity before the May 24, 2013, Sea of Okhotsk earthquake recovered by waveform cross correlation. Is it an earthquake prediction case?
研究通过波形互相关方法恢复了2013年5月24日海雾岛地震前的低强度地震序列，发现其发生率在5月19日下午突然增加，可能预示主震来临。
2026-08-05 physics.geo-ph physics.soc-ph
Forecasting Strong Subsequent Earthquakes in Japan using an improved version of NESTORE Machine Learning Algorithm
本研究将NESTORE机器学习算法应用于日本，通过引入混合集群识别方法REPENESE和新地震活动特征，有效解决了高地震活动区的类别不平衡问题，在主震后6小时实现了0.94的准确率，并成功应用于2024年四国M6.6地震的近实时预测。
2024-08-23 physics.geo-ph
Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress
Università La Sapienza（罗马第一大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
地震预报和预测有很长的历史，在某些情况下是肮脏的，但最近的工作重新点燃了兴趣的基础上，在早期预警，诱发地震活动的危险评估和实验室地震的成功预测。在实验室中，摩擦粘滑事件提供了地震和地震周期的模拟。Labquakes是机器学习（ML）的理想目标，因为它们可以在受控条件下以长序列产生。最近的工作表明，ML可以预测的几个方面的实验室地震断层带声发射。在这里，我们概括了这些结果，并探索了用于地震预测和自回归（AR）预测的深度学习（DL）方法。DL改进了现有的实验室地震预测的ML方法。AR方法允许通过迭代预测来预测未来的水平。我们证明了基于长短期记忆（LSTM）和卷积神经网络的DL模型在几种条件下预测了实验室地震，并且可以逼真地预测断层带应力，证实了声能是断层带应力的指纹。我们还预测时间开始失败（TTsF）和时间结束失败（TTeF）的labquakes。有趣的是，TTeF是成功地预测在所有的地震周期，而TTsF的预测与地震前断层蠕动的量而异。我们使用三种序列建模框架：LSTM，时间卷积网络和Transformer网络，报告了预测断层应力演化的AR方法。AR预测与现有的预报模式不同，现有的预测模式仅预测特定时间的目标变量。对单一地震周期以外的预测结果是有限的，但令人鼓舞。我们的ML/DL模型优于国家的最先进的，我们的自回归模型代表了一种新的框架，可以提高目前的地震预报的方法。
2022-10-12 cs.CV physics.geo-ph
Quantifying the Value of Real-time Geodetic Constraints for Earthquake Early Warning using a Global Seismic and Geodetic Dataset
大地测量地震预警（EEW）算法通过估计最大、最具破坏性的地震的断层有限性和非饱和矩震级来补充点源地震系统。由于这种地震是罕见的，它一直难以证明，大地测量预警改善地面运动估计显着。在这里，我们量化和比较的及时性和准确性的震级和地面运动估计模拟实时地震和大地测量观测的一套全球分布的，大地震。地震EEW算法（我们使用ElarmS）的震级解决方案饱和，而ElarmS触发的大地测量报警系统（G-larmS）甚至减少了其第一个解决方案的错误。振动强度（MMI）的时间序列计算每个站和每个事件进行评估MMI阈值交叉的基础上，使我们能够准确地表征每个站的报警时间。我们对警报进行了分类，发现MMI 4阈值仅导致12.3%的真阳性（TP）警报，ElarmS的中值警告时间为16.3 +- 20.9 s，但44.4%的TP警报，G-larmS的中值警告时间为50.2 +- 49.8 s。大地测量EEW系统将MMI 3和4阈值的错过警报数量减少了30%以上。如果G-larmS在地震发生时被瞬间触发，性能统计数据是相似的，警告时间稍长，震级稍准确。通过量化的幅度，地面运动估计，和警报的及时性增加的准确性，我们证明了大地测量算法增加了显着的价值，包括更好的成本节约性能，EEW系统。
2019-01-30 physics.geo-ph
Revisiting the predictability of the Haicheng and Tangshan earthquakes
本文分析了1975年2月海城7.5级地震和1976年7月唐山7.6-7.8级地震前的实时地震资料。我们提出了一个强大的和简单的粗粒化的方法，包括在聚合和计数如何所有的异常一起（大地测量，水准测量，地磁，土壤电阻率，地球电流，重力，地球应力，井水氡，井水位）发展作为时间的函数。我们证明了一个强有力的证据，存在一个加速的异常数量导致了海城和唐山大地震。特别是对于唐山地震，发现发生异常的频率被很好地描述的对数周期幂律奇异性（LPPLS）模型，以前提出的工程故障的预测，后来适应于金融危机的预测。基于模拟实时预测实验和模拟研究，我们显示了潜在的预警系统的提前几天的时间，基于这种方法的监测加速率的异常。
2020-02-03 nlin.AO physics.geo-ph
On the Reliability of the Geomagnetic Quake as Short Time Earthquake Precursor for Sofia Region- 2002, 2003
当地何时发生地震预测是基于地磁地震与下一个即将到来的潮汐重力位最小值或最大值之间的联系。预测地震的概率时间窗口为潮汐最小值约+/-1天，最大值为- +/-2天。根据索非亚地区2002- 2003年发震与预报地震时差的分布，给出了初步的统计估计。建立一个当地地震研究和预测网络的可能性是基于对地球表面之下、之上和之上具有特殊空间和时间尺度的电磁场的准确监测。定期更新来自地震危险图和其他标准大地测量信息以及其他测绘信息的信息至关重要。
2004-02-22 physics.ao-ph physics.geo-ph
Towards Global Earthquake Early Warning with the MyShake Smartphone Seismic Network Part 2 -- Understanding MyShake performance around the world
MyShake项目旨在建立一个全球智能手机地震网络，通过利用众包的力量促进大规模地震预警和其他应用。MyShake移动应用程序首先在单个手机上检测地震震动。然后在MyShake服务器上使用“网络检测”算法确认地震，该算法由多个单一电话检测激活。在这两篇论文系列的第二部分中，我们报告了MyShake的地震预警（EEW）功能在世界各地不同地点的一阶性能。由于MyShake网络目前在世界大部分地区都很稀疏，我们使用我们的模拟平台来了解和评估系统在各种构造环境中的性能。我们假设0.1%的人口在智能手机上安装了MyShake移动应用程序，并使用过去20年的历史地震来模拟不同地区不同网络配置的触发场景。然后，我们使用这些模拟触发器运行检测算法，以了解系统的性能。该系统在具有高人口密度和陆上上地壳地震M<7.0的地区表现最好。在这些情况下，警报可以在起源时间后约4-6秒生成，震级误差在约0.5个震级单位内，震中通常在真实位置的10公里内。当地震发生在近海或人口稀少的地区时，警报速度较慢，震级和位置的不确定性增加。此外，即使有0.01%的人口作为MyShake用户，在人口密度高的地区，该系统仍然对大于M5.5的地震表现良好。有关仿真平台和网络检测算法的详细信息，请参阅本系列论文的第一部分。
2019-09-17 physics.geo-ph
Neural Network Applications in Earthquake Prediction (1994-2019): Meta-Analytic Insight on their Limitations
Swiss Federal Institute of Technology（瑞士联邦理工学院）；Academy for Advanced Interdisciplinary Studies, Southern University of Science and Technology（南方科技大学高等跨学科研究学院）；Swiss Seismological Service（瑞士地震服务中心）；Institute of Geophysics（地球物理研究所）；Institute of Risk Analysis, Prediction and Management（风险分析、预测与管理研究所）；Institute of Structural Engineering（结构工程学院）
在过去的几年里，深度学习已经解决了一些看似棘手的问题，为那些现在被认为无法解决的问题找到近似解决方案的希望大增。地震预测是地震学的圣杯，在不断有令人兴奋的发现的背景下，是深度学习探索的一个明显选择。我们回顾了人工神经网络（ANN）应用于地震预测的全部文献（77篇文章，1994-2019年），发现了两个新兴趋势：对这一领域的兴趣越来越大，以及随着时间的推移，ANN模型的复杂化，朝着深度学习发展。尽管在这个语料库中观察到明显的积极结果，我们证明，更简单的模型似乎提供了类似的预测能力，如果不是更好的。由于地震目录的结构化、表格化性质，以及迄今为止所考虑的特征数量有限，在目前的研究阶段，更简单、更透明的机器学习模型似乎更可取。这些基线模型遵循第一物理原理，并与已知的统计地震学经验法则相一致，这些法则预测大地震的能力很低。
2019-10-02 cs.LG cs.NE physics.geo-ph
Real-Time Reconstruction of Ground Motion During Small Magnitude Earthquakes: A Pilot Study
本研究提出一种基于Gappy AE算法的小震级地震地面运动实时重建方法，无需高成本震源模拟，数值实验与真实数据验证了其准确性与实用性，为未来处理更复杂地震事件奠定基础。
2025-04-30 physics.geo-ph
Geomagnetic Earthquake Precursors Improvement Formulation on the basis of SKO (Skopje) and PAG (Intermagnet) Geomagnetic Data
本文指出，对局部地磁场行为的简单分析，可以作为区域地震活动性增强的可靠临震前兆。作为第一步，使用单分量杜布纳磁通门磁力仪对该问题进行了研究。2001-2004年索非亚监测的结果证实了许多关于地球潮汐（太阳-月亮潮汐作为地震触发器）和地磁场每日平均一分钟标准偏差的跳跃（地磁地震）之间的联系的旧论文。第二步（2004年至今），包括分析在斯科普里地震观测站工作的三分量丹麦磁通门磁力计数据，证实了第一步的结果。对发生强震的周边INTERMAGNET台站的分析也证实了我们的结论。这类地震的时间与当地每日平均潮汐矢量运动的时间差的分布证实了我们的估计，即地震活动增加是在± 2.7天左右的时间窗口内实现的。提出了研究地震预报可能性的Complex程序，以及地震、地磁和潮汐资料分析的FORTRAN程序简介，以及它们之间的相互关系和可视化。
2012-12-11 physics.geo-ph
Spatiotemporal Pattern Mining for Nowcasting Extreme Earthquakes in Southern California
Indiana University Bloomington（印第安纳大学布卢明顿分校）
在过去的几十年里，地球科学和地震学利用最先进的技术和设备来监测全球的震波迹象。由于数据量巨大，现代GPU驱动的深度学习为分析数据和发现模式提供了一种很有前途的方法。近年来，有很多成功的深度学习模型用于拾取地震波。然而，对可能造成灾害的极端地震的预测在历史上仍然是一个欠发达的课题。时空动力学挖掘与预测的相关研究已经取得了一些成功的预测结果，这是许多科学研究领域的一个重要课题。它们的大多数研究都有许多使用深度神经网络的成功应用。在地质学和地球科学研究中，地震预测是世界上最具挑战性的问题之一，前沿的深度学习技术可能有助于发现一些有价值的模式。在这个项目中，我们提出了一种深度学习建模方法，即\tseqpre，通过在区域粗粒度空间网格中发现随时间变化的视觉动态来挖掘从数据到临近极端地震的时空模式。在这种建模方法中，我们使用具有地球科学和地震学领域知识的合成深度学习神经网络，利用卷积长短期记忆神经网络预测地震模式。我们的实验表明，在南加州地震的位置预测和震级预测之间有很强的相关性。消融研究和可视化验证了所提出的建模方法的有效性。
2021-09-11 cs.CV cs.LG physics.geo-ph
Machine Learning Predicts Laboratory Earthquakes
预测断层破坏是地震科学中一个基本但难以实现的目标。在这里，我们表明，通过倾听实验室故障发出的声学信号，机器学习可以非常准确地预测故障发生前的剩余时间。这些预测仅基于声信号的瞬时物理特性，而不利用其历史。令人惊讶的是，机器学习识别出了从断层带发出的信号，这种信号以前被认为是低振幅噪声，可以在整个实验室地震周期中进行故障预测。我们假设，将这种方法应用于连续的地震资料可能会导致识别目前未知的信号，在提供新的见解故障物理，并在放置边界故障时间的显着进步。
2017-02-19 physics.geo-ph
Prediction of the Kamchatka July 29, 2025, earthquake by the evolution of low-magnitude seismicity recovered using waveform cross-correlation at IMS seismic arrays
利用波形互相关（WCC）技术降低检测阈值，分析低震级地震活动演化，成功预测2025年堪察加地震，并扩展研究了互相关公报的复发曲线。
2026-06-17 physics.geo-ph physics.soc-ph
How to quantify earthquake predictability? Advances in earthquake forecasting and predictability limits
The Institute of Statistical Mathematics（统计数学研究所）；the Graduate University for Adavanced Studies (SOKENDai)（advanced studies 研究生院（SOKENDai））；Institute of Risk Analysis, Prediction and Management, Southern University of Science and Technology（南方科技大学风险分析、预测与管理研究院）
本文构建统一信息论框架量化地震可预测性，推导点过程下相关熵率，明确时空震级可预测性的决定因素，提出高维震前观测可提升可预测性，为评估预测极限等提供基础。
2026-07-30 physics.geo-ph
Investigating the 2024 swarm like activity offshore Kefalonia Island aided by Machine Learning algorithms
利用机器学习编制增强地震目录，分析2024年凯法利尼亚岛近海类群震活动，发现其由流体运动与库仑应力变化共同触发，有助于提升地震灾害评估。
2025-05-22 physics.geo-ph
Solar wind triggering of geomagnetic disturbances and strong (M>6.8) earthquakes during the November - December 2004 period
本文将空间天气预报与地震预报研究紧密结合起来。本文的结果支持了以往统计研究的结论，即太阳活动影响地震活动性，这种影响是通过快速地磁扰动来介导的，而地磁扰动与太阳风速度的增加有关。我们的研究涉及一个40天的例子，一系列7个强到巨（M=6.8-9.3）EQ（包括安达曼-苏门答腊EQ）对太阳风速度增加和随后的地磁快速扰动的直接响应。我们对2004年11月23日至12月28日10个M>6的EQs的分析表明，EQs对快速地磁扰动的平均时间响应延迟约为1.5天。这一时期的两次巨大EQ发生在两次最快的地磁变化之后，这一点可以从每日Kp指数变化与一天ΔKp/Δt的比值（分别为12和15）中得到揭示。这表明，由于太阳风速度增加而引起的磁层快速扰动是空间天气-地震预测研究中的一个关键参数。太阳-磁层-岩石圈耦合及其可能的特殊性需要进一步研究，因为它可以为强震的潜在物理关系过程提供重要信息。
2010-12-16 physics.geo-ph physics.space-ph
