Forecasting the rates of future aftershocks of all generations is essential to develop better earthquake forecast models
目前,性能最好和最流行的地震预报模型之一依赖于这样的工作假设:“过去背景地震的位置揭示了未来地震活动的可能位置”。作为替代方案,我们提出了一类平滑地震活动性模型(SSM)的基础上的流行病型余震序列(ETAS)模型的原则,预测的位置,时间和震级的所有未来地震使用的背景地震活动率和未来的余震率的估计。利用加州地震目录,我们制定了六个控制的伪前瞻性实验,三个目标震级阈值的不同组合:2.95,3.95或4.95和两个预测时间范围:1或5年。在这些实验中,我们比较了(1)空间均匀参数的ETAS模型或GETAS(2)空间可变参数的ETAS模型或SVETAS(3)三种基于去聚类的SSM(4)基于未聚类数据的简单SSM和(5)基于应变率数据的模型在许多测试期间预测所有(未聚类)目标地震的位置和震级的性能。在所有进行的实验中,SVETAS模型与所有竞争模型相比具有一致的优越性。SVETAS模型相对于基于去聚类的SSM的一致更好的性能突出了预测所有世代的未来余震对于开发更好的地震预报模型的重要性。在这两个ETAS模型本身中,考虑到参数的最佳空间变化,预测性能得到了强有力的、统计上显著的改善。
2019-03-17 physics.geo-ph
Calendar Time Local Earthquake Forecasts from Earthquake Nowcasts: A Do-It-Yourself (DIY) Ensemble Method
University of California, Davis(加州大学戴维斯分校);Santa Fe Institute(圣塔菲研究所);Jet Propulsion Laboratory(喷气推进实验室);Purdue University(普渡大学);University of California, Irvine(加州大学尔湾分校);University of Virginia(弗吉尼亚大学);Shizuoka University(静冈大学)
本文提出一种利用小震计数和格鲁伯-里希特关系预测本地大震的方法,通过ROC测试验证其有效性,适用于不同时间尺度的地震预测。
2026-04-22 physics.geo-ph
A RELM earthquake forecast based on pattern informatics
我们提出了一个RELM预测未来的地震在加利福尼亚州,主要是基于模式信息学(PI)的方法。这种方法可以识别出地震活动性有系统波动的地区,而且已经证明是成功的。最初于2002年2月19日发布的南加州PI预测图成功地预测了过去三年中18次M>5地震中的16次。该方法也已成功应用于日本和世界各地。地震预报的另一种方法是相对烈度法。RI预测图是基于最近小地震的地震活动性水平。PI方法的最新进展显示出相当大的改进,特别是与使用相对操作特征(ROC)图进行二元预测的RI方法相比。RELM应用程序需要在五年期间内每个位置的多个震级箱的概率。因此,我们构建了一个混合预测,其中我们结合PI方法与RI方法来计算在任何位置发生的事件的概率图,而不仅仅是最可能的位置。这些概率进一步转换,使用古腾堡-里克特标度定律,可以使用RELM测试评估的未来地震的预期率。
2005-10-19 physics.geo-ph
A combining earthquake forecasting model between deep learning and Epidemic-Type Aftershock Sequence (ETAS) model
针对ETAS模型长短时间尺度预测偏差问题,提出结合ConvLSTM与ETAS的CL-ETAS复合地震预测模型,经南加州真实地震数据验证,在预测精度、稳定性及可解释性上均优于单一模型。
2023-10-04 physics.geo-ph
Statistical earthquake focal mechanism forecasts
预测未来地震的震源机制对于地震危险性估计、库仑应力和其他地震发生模型都很重要。在这里,我们报告了一个高分辨率的全球预测地震率密度的位置,震级和震源机制的函数。在以前的出版物中,我们报道了0.5度空间分辨率的预报,包括纬度范围、震级和震源机制。在以前的出版物中,我们报告了基于全球中心矩张量地震目录的0.5度空间分辨率的预测,覆盖纬度范围从-75度到+75度。在新的预报中,我们将空间分辨率提高到了0.1度,并将纬度范围从两极提高到两极。我们的震源机制估计需要距离加权的组合观察到的震源机制在1000公里内的每个网格点。同时,我们使用Kagan & Jackson在1994年提出的方法,计算了预测的机制与周围所有机制之间的平均旋转角。这个平均角度揭示了一个地区的构造复杂程度,并表明预测的准确性。当经度线不是近似平行的,地震是如此稀疏以至于足够的样本跨越很大的距离时,这个过程就成了问题。在75度以北或以南,1000公里以外的点的方位角可能变化约35度。我们解决这个问题的方法是,在每个预测点计算与地球表面相切的平面上的震源机制,并对平均值中包含的地震位置的经度线旋转进行校正。在-30度和+30度纬度之间的校正可以忽略不计,但在该带之外,未校正的旋转可能会显着偏离。
2013-10-10 physics.geo-ph
High Resolution Long- and Short-Term Earthquake Forecasts for California
我们提出了两个模型,估计未来地震的概率在加利福尼亚州,在地震可预测性研究(CSEP)的合作实验室进行测试。第一个是独立于时间的模型,由Helmstetter等人(2007)修改而来,提供了震级m > 4.95的五年预测。我们表明,大地震发生的平均位置附近的小m > 2的事件,因此,未来大地震的空间发布的高分辨率估计是从众多的小事件的位置。我们采用了自适应的空间内核的优化带宽,并假设一个普遍的,锥形古腾堡-里希特分布。在回顾性测试中,我们表明,没有泊松预测可以捕捉到观察到的变化。因此,我们也使用事件数量的负二项分布来测试预测。我们修改现有的基于可能性的测试,以更好地评估空间预测。我们的时间相关模型,一个流行病型余震序列(ETAS)模型修改自Helmstetter等人。(2006),提供了第二天的预测m > 3.95。预测率是背景率的总和,与我们的时间无关模型成比例,以及由于所有先前的地震触发事件。根据大森定律,每次地震触发事件的速率随震级呈指数级增加,并随时间衰减。一个各向同性的核模型的空间密度的余震小(< 5.5)事件。对于更大的地震,我们平滑早期的余震,以预测后期的事件。我们通过优化回顾性预测来估计参数。我们的短期模型实现了约6.0的增益超过时间无关模型。
2009-10-26 physics.geo-ph
Testing the Potential of Deep Learning in Earthquake Forecasting
本文利用日本俯冲带地震数据和时空b值,训练自编码器与卷积扩张网络分类器,以72.3%的准确率预测次日是否发生5级以上地震,验证了深度学习在地震预测中的潜力。
2023-07-04 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
Embracing Data Incompleteness for Better Earthquake Forecasting
我们提出了两种方法来校准的预期最大化(EM)的基础上,同时占目录完整性的时间变化的地震型余震序列(ETAS)模型的参数。第一种方法允许对具有完整性震级$m_c$随时间变化的长期地震目录进行模型校准。这种校准技术有利于长期的概率地震危险性评估(PSHA),这往往是基于仪器和历史目录的混合。第二种方法概括了$m_c$的概念,考虑到速率和幅度相关的检测概率,并允许自洽估计ETAS参数和高频检测不完整性。通过这种方法,我们的目标是解决由于短期余震的不完整性,拥抱不完整性,而不是避免it.Using合成测试参数校准的潜在偏差,我们表明,这两种方法可以准确地反演模拟目录的参数。然后,我们使用它们来估计自1932年以来使用地震目录加州ETAS参数。为了探索模型校准、包含小事件以及考虑短期不完整性如何影响地震的可预测性,我们系统地比较了基于第二种方法的ETAS模型变体,用于加利福尼亚州的伪前瞻性预测实验。我们提出的模型显着优于ETAS空模型,随着目标震级阈值的增加,信息增益降低。我们发现,包括小地震模拟未来情景的能力是改进的主要驱动力,并考虑到不完整性是必要的。我们的研究结果对我们理解地震相互作用机制和未来的地震活动预测具有重要意义。
2021-12-01 physics.geo-ph
Earthquake Counting Method for Spatially Localized Probabilities: Challenges in Real-Time Information Delivery
我们开发并实施了一种新型的全球地震预报。我们的预测是一个扰动的平滑地震活动性(相对强度)的空间预测结合时间的时间平均(泊松)预测。各种统计和故障系统模型已被讨论用于计算预测概率。我们的论文采用了一种新的方法。这个想法是基于观察到的GR统计特征的地震活动的所有空间和时间。小震级事件计数(地震计数)被用作大事件接近的标志。更具体地说,如果GR b值= 1,那么每1000次M>3地震,预计会有1次M>6地震。因此,如果自上次6级以上地震以来,在一个空间区域内发生了约1000次3级以上地震,则不久将发生另一次6级以上地震。在物理学中,事件计数模型被称为自然时间模型,因为小事件的计数表示表征系统动态的物理或自然时间尺度。在以前的论文中,我们使用条件威布尔统计转换成一个给定的固定区域的时间概率的事件计数。在本文中,我们免除了一个固定的区域,并开发了一种方法来计算这些自然时间威布尔(NTW)预测在全球范围内,使用内部一致的方法,在区域的任意形状和大小。在这些结果中,我们发现日本地区在未来一两年内发生大地震(M>8)的风险很大,这一结果也是考虑到古登堡-里克特关系的完整性。
2013-07-22 physics.geo-ph
Imminent earthquake forecasting on the basis of Japan INTERMAGNET stations, NEIC, NOAA and Tide code data analysis
本研究提出了一种可能的方法,通过解决反问题,使用数据采集网络系统的监测,存档和复杂的分析地球物理变量的前兆地震震级,深度和震中坐标的临震预测。在许多可能的前兆中,最可靠的是地球电磁场、钻孔水位、氡表面浓度、局部热流、电离层变量、低频大气和地核波。在这项研究中,只使用地磁数据。在地磁地震方法的框架内,利用一个新的具有维面能量密度的变量Schtm,在对地磁资料进行简单分析的基础上,进行区域性地震活动性的临震预报是可能的。这样的分析Memambetsu,Kakioka,Kanoya(日本,INTERMAGNET)台站和NEIC地震数据,假设预测的地震是具有最大值的变量Schtm允许制定一个反问题(超定代数系统)的前兆信号,如地震震级,深度和距离监测点的函数。因此,在数据采集网络系统存在的情况下,其中包括监测一个以上的可靠的前兆变量,在至少四个点分布在半径达700公里的区域内,将有足够的代数方程计算临震震级,深度和距离,解决超定代数系统。
2016-08-02 physics.geo-ph
Neural Earthquake Forecasting with Minimal Information: Limits, Interpretability, and the Role of Markov Structure
Frankfurt Institute of Advanced Studies(法兰克福高等研究所);Goethe-University Frankfurt(法兰克福歌德大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本研究评估了神经网络与混合模型在短期地震预报中的时间泛化能力,发现模型在近期数据上性能显著下降,强调了结合物理先验与数据驱动方法的重要性。
2025-09-18 physics.geo-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
From Local Earthquake Nowcasting to Natural Time Forecasting: A Simple Do-It-Yourself (DIY) Method
University of California, Davis(加州大学戴维斯分校);Santa Fe Institute(圣塔菲研究所);Jet Propulsion Laboratory(喷气推进实验室);Purdue University(普渡大学);University of California, Irvine(加州大学尔湾分校);University of Virginia(弗吉尼亚大学)
本文提出一种基于古登堡-里克特关系和ROC曲线的自然时间地震预报方法,无需概率模型,通过计算阳性预测值来估计大地震概率,并在洛杉矶地区北岭地震后进行了验证。
2025-10-16 physics.geo-ph
Retrospective Evaluation of the Five-Year and Ten-Year CSEP-Italy Earthquake Forecasts
2009年8月1日,全球地震可预测性研究合作实验室在意大利启动了一项前瞻性和比较性地震可预测性实验。CSEP-意大利实验的目标是测试地震发生的假设,这些假设已经被正式化为从几天到几年的时间尺度上的概率地震预报。在第一轮提交的预测中,CSEP-意大利工作组的成员向苏黎世联邦理工学院的欧洲CSEP测试中心提交了18份五年和十年地震预测。我们认为,这12个时间无关的地震预报,并评估他们与过去的地震活动性数据从两个意大利地震目录。在这篇文章中,我们提出了测试的结果,衡量的预测与过去的观察的一致性。除了对所提交的不受时间影响的预报进行评价外,这项工作还使人们深入了解了可预测性试验中的一些重要问题,如预报的具体说明、检验的效果以及结果的可靠性与试验持续时间之间的权衡。最后,我们对未来的地震可预测性实验设计提出了建议。
2010-07-22 physics.data-an physics.geo-ph
Probabilistic and Alarm-Based Evaluation of a b-Value-Driven Deep Learning Earthquake Forecast
Frankfurt Institute of Advanced Studies(法兰克福高等研究院);Goethe-University Frankfurt(法兰克福歌德大学)
本文通过概率和警报评估方法,展示基于b值驱动的深度学习模型在短期地震预测中具有有限但一致的改进效果。
2026-03-03 physics.geo-ph
Pattern Informatics and Its Application for Optimal Forecasting of Large Earthquakes in Japan
模式信息学(PI)技术可以用来探测地震的异常活动或平静,并进行地震预报。在这里,我们应用PI方法在日本的大地震的最佳预测,使用的数据目录,由日本气象厅。用PI方法对神户地区1995-2004年的5级以上大地震进行了预测。直观检验和统计检验表明,优化后的PI方法相对于常用作标准零假设的地震烈度数据具有预测技巧。此外,我们发现一个回顾性的预测,1995年神户地震(m = 7.2)落在一个地震异常区。测试预测算法的另一种方法是为大(m >= 5)地震事件创建未来潜在地图。这是用2000-2009年预测期的神户和东京地区来说明的。根据得到的神户地图,我们指出了几个预测区域:1995年神户地震的震中区,和歌山地区,三重地区,爱知地区。东京预测图是在2004年10月23日新潟6.8级地震和5.0级以上的主要余震发生之前制作的。我们发现这些事件发生在东京地图上的预测区域。区域地震活动性观测的PI技术证实了一个例子,显示出日本中期地震预报的巨大前景。
2005-01-21 physics.comp-ph physics.geo-ph
Earthquake forecasting and its verification
目前还没有经过验证的方法可用于可靠的地震短期预测(几分钟到几个月)。然而,对地震风险进行概率危险评估是可能的。这些主要基于小地震与未来大地震的关联。本文讨论了一种新的地震预报方法。这种方法是基于模式信息学(PI)的方法,量化的时间变化的地震活动。其产出是一幅预测在未来10年内将发生地震的孕震区("热点“)的地图。这种方法已成功地应用于加利福尼亚州,日本和世界各地。这些预测是二元的--地震预测要么发生,要么不发生。评价二元预测的标准方法是使用相对操作特征(ROC)图,这是一种比极大似然检验更具限制性且受偏差影响较小的检验。为了测试我们的PI方法,我们对加利福尼亚州进行了两种类型的回顾性预测。第一种是PI方法,第二种是相对强度(RI)预测,其假设是未来地震将发生在最近发生过地震的地方。虽然这两个追溯性预测都是针对2000年1月1日至2009年12月31日的十年期,但我们在预测的5年内进行了中期分析。PI方法在大多数情况下优于RI方法。
2005-08-19 cond-mat.stat-mech physics.geo-ph
Nonlinear Dynamics, Magnitude-Period Formula and Forecasts on Earthquake
根据地球动力学原理,由于岩层下流体层的运动和动量的输送与积累,使动量能量超过岩石的断裂阈值时,地震才发生。从流体力学的非线性方程组出发,可以导出与能量积累相对应的动量的简化非线性解。否则,可以得到一个混沌方程,其中混沌对应于地震,这表明地震学的复杂性,以及对地震进行精确预测的不可能性。但是,结合Carlson-Langer模型和Gutenberg-Richter关系,可以近似地导出该地震的震级-周期公式,并对某些结果进行定量计算。例如,我们预测了2004年,2009年和2014年的一系列地震,特别是2019年在加利福尼亚州。结合Lorenz模型,讨论了地震的往返迁移。而且,许多地震的外部原因仅仅是这个非线性系统的初始条件。
2008-02-02 physics.gen-ph physics.geo-ph
A way to synchronize models with seismic faults for earthquake forecasting: Insights from a simple stochastic model
数值模型开始被用于确定地震断层和断层网络的未来行为。他们的最终目标是预测未来的大地震。为了使用它们来完成这项任务,有必要将每个模型与它所模拟的实际断层或断层网络的当前状态同步(就像气象学家通过将当前的大气数据纳入其中来将他们的模型与大气同步一样)。然而,岩石圈动力学在很大程度上是不可观测的:重要的参数不能(或很少)在自然界中测量。然而,地震提供了岩石圈应力和应变状态的间接但可测量的线索,这应该有助于模型的同步。破裂面积是地震的可测参数之一。在这里,我们将探讨如何使用它来至少同步断层模型之间的相互作用和预测合成地震。我们的目的是在一个简单但随机的断层模型中预测合成地震。通过将该模型合成地震的破裂面积加到其它模型上,使后者与前者部分同步。我们使用这些部分同步的模型成功地预测了第一个模型产生的最大地震。这种预测策略优于其他只考虑地震序列的预测策略。我们的研究结果表明,使更详细的模型与真实断层同步的一个好方法可能是迫使它们再现断层上以前地震破裂的序列。这一假设可以在未来用更详细的模型和实际的地震资料来检验。
2006-02-13 physics.data-an physics.geo-ph
Integrating b-Value and Background Seismicity Rate for Spatial Earthquake Forecasting in the Alborz Region, Northern Iran
Farhangian University(法尔康吉安大学);The University of Tokyo(东京大学);University of Beira Interior(贝拉内陆大学);University of Kashan(卡尚大学);Ankara University(安卡拉大学)
本研究利用均质化地震目录,评估b值和背景地震活动率μ在阿尔博兹地区的空间预测能力,并证明二者结合可提供更高效、物理基础更扎实的地震预测框架。
2026-05-22 physics.geo-ph
Earthquake Forecasting Based on Data Assimilation: Sequential Monte Carlo Methods for Renewal Processes
在气象学、工程学和计算机科学中,数据同化通常被用作将噪声观测与先验模型信息相结合的最佳方法,以获得比忽略数据不确定性更好的状态估计,从而获得更好的预测。地震预报也受到测量误差和部分模型信息的影响,因此可以从数据同化中获益匪浅。我们提出了也许是第一个完全可执行的数据同化方法,地震预报所产生的点过程模型的地震活动性。我们测试的方法在噪声中观察到的更新过程的合成和教学的例子,这是有关的地震空区假说,模型的特征地震和复发统计推断从古地震数据记录的大地震。为了解决地震的非高斯统计,我们使用顺序蒙特卡罗方法,一组灵活的基于模拟的方法递归估计任意后验分布。我们进行了大量的数值模拟,以证明基于数据同化的地震预报的可行性和好处。特别是,我们表明,基于最优采样重要性恢复(OSIR)粒子滤波器的预测显着优于基准预测,忽略了所观察到的事件时间的不确定性。我们使用边际数据似然,在数据错误的存在下,模型的解释能力的测量,估计参数和比较模型。
2009-08-11 physics.data-an physics.geo-ph
Adaptively Smoothed Seismicity Earthquake Forecasts for Italy
我们提出了一个模型,估计未来的震级M > 4.95在意大利的地震的概率。该模型是Helmstetter等人(2007)和Werner等人(2010)为加利福尼亚提出的模型的略微修改版本,通过空间非均匀,时间均匀的泊松点过程近似地震活动性。时间、空间和幅度维度完全分离。星等是根据锥形古登堡-里氏震级分布独立同分布的。我们估计未来地震活动的空间发布通过平滑的位置,过去的地震列在两个意大利目录:一个短的仪器目录和较长的仪器和历史目录。自适应空间核的带宽估计通过优化的空间地震密度的核估计在回顾性预测的预测能力。在可用且值得信赖的情况下,我们使用m>2.95的小地震来阐明活动断层结构和未来可能的震中。通过在两个不同持续时间的目录上校准模型来创建两个预测,我们打算量化只有短期但最近的数据记录时发生的可预测性损失(或增益)。这两个预测,规模为五年和十年,提交给意大利的前瞻性预测实验的全球合作实验室的研究地震可预测性(CSEP)。Helmstetter等人(2007年)将该模型的早期预测提交给了加利福尼亚州的区域地震可能性模型(RELM)实验,并且在五年实验的一半以上,该预测表现优于其竞争对手。
2010-06-28 physics.data-an physics.geo-ph
Seismic Electric Signals: A physical interconnection with seismicity
通过对地震时间序列的自然时间分析,我们发现地震活动的序参量在地震电信号(SES)活动开始的日期前后呈现出独特的变化。特别是,我们表明,在日本的地震活动的序参量的波动表现出一个明确的可检测的最小值约在开始的SES活动观察到近两个月前的火山地震群活动在2000年在日本伊豆岛地区,日本。据我们所知,这是第一次,在大地震发生之前,异常变化被发现几乎同时出现在两个独立的数据集的不同地球物理观测(地电测量,地震活动性)。此外,我们表明,这两种现象在空间上也有密切的联系。
2017-03-24 cond-mat.stat-mech 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
Design and Implementation of a 25-Yr Pseudoprospective Earthquake Forecasting Experiment in China (AoyuX)
School of Systems Science, Beijing Normal University(北京师范大学系统科学学院);International Academic Center of Complex Systems, Beijing Normal University(北京师范大学复杂系统国际学术中心);Department of Systems Science, Faculty of Arts and Sciences, Beijing Normal University(北京师范大学文理学院系统科学系)
本文提出了一种基于AoyuX平台的25年伪前瞻性地震预测实验,通过比较ETAS模型变体在不同空间分辨率和震级阈值下的表现,评估了尾部敏感性对模型排名的影响,并量化了生产力指数。
2026-10-14 physics.geo-ph
Likelihood analysis of earthquake focal mechanism distributions
在我们以前发表的论文中,我们讨论了地震震源机制预报和检验预报效率的方法。提出了几种验证方法,但它们都是基于特定的经验假设,因此它们的性能是值得怀疑的。在这项工作中,我们应用传统的似然方法来衡量预测的技能。这种方法的优点是,地震率预测原则上可以与震源机制预测充分结合,如果两者都是基于似然分数,导致一般的预测优化。为了计算可能性得分,我们需要将实际预测或预测事件的发生与零假设进行比较,该零假设是该机制的3-D方向是随机的。对于双耦合源定向,随机概率分布函数是不均匀的,这使得似然值的计算复杂化。为了更好地理解所产生的复杂性,我们计算的信息(似然)得分为两个旋转分布(柯西和冯米塞斯-费舍尔),这是用来近似震源方向模式。然后,我们计算的可能性得分的震源预测和验证未来的地震活动性数据。在分析观测结果时,需要探讨几个问题:它们对预测和数据分辨率的依赖性,预测角度分数的内部依赖性,以及可能性分数的随机变化。在这项工作中,我们提出了一个初步的解决方案,这些复杂的问题,因为这些问题需要通过更广泛的统计分析来探讨。
2014-05-23 physics.data-an physics.geo-ph
Residual analysis methods for space--time point processes with applications to earthquake forecast models in California
现代,强大的技术的残差分析的时空点过程模型进行了审查和比较。这些方法被应用到加州地震预测模型中使用的地震可预测性研究合作实验室(CSEP)。这些地震预测模型的评估以前已经使用简单的,低功耗的手段,如L-测试和N-测试。相反,我们提出了基于重新缩放,细化,叠加,加权K函数和偏差残差的残差方法。重缩放残差可用于评估模型的总体拟合,但与细化和叠加一样,当条件强度$λ$不稳定时,重缩放通常不切实际。虽然残余细化和叠加可能有助于识别模型拟合不佳的空间位置,但当建模的条件强度假设在观测区域的某个地方极低或极高时,这些方法的能力有限,这通常是地震预测模型的情况。最近提出的细化和叠加的混合方法,称为超细化,是一个更强大的替代方案。
2012-02-29 physics.geo-ph stat.AP
Magnitude Uncertainties Impact Seismic Rate Estimates, Forecasts and Predictability Experiments
地震可预报性研究合作实验室(CSEP)旨在前瞻性地测试与时间相关的地震概率预测与观测的一致性。为了竞争,时间相关的地震活动性模型在地震目录数据上进行了校准。但是星表包含了很多观测上的不确定性。我们研究的影响幅度的不确定性率估计聚类模型,对他们的预测和评价CSEP的一致性检验。首先,我们量化了不确定性。我们发现,震级不确定性是更重尾比高斯,如双边指数分布,尺度参数nu_c=0.1 - 0.3。其次,我们研究了这种噪声的影响,一个简单的聚类模型,捕捉流行的短期模型的主要成分的预测。我们证明了噪声预报与精确预报的偏差服从尾幂律分布,指数α =1/(a*nu_c),其中a是余震生产率定律的指数。我们进一步证明,波动的典型规模仍然敏感地依赖于特定的目录。第三,我们研究了如何在CSEP一致性测试中评估噪声预测。对于给定的置信限,噪声预测比预期更频繁地被拒绝。泊松假设的一致性检验是不充分的短期预测评估。为了捕捉每个模型的特性以及任何传播的不确定性,预测需要指定地震率的整个似然分布。
2007-10-23 physics.geo-ph
Exceedance Probabilities for Large Earthquakes From DIY Local Earthquake Ensemble Nowcasting and Forecasting
University of California, Davis(加州大学戴维斯分校);Santa Fe Institute(圣塔菲研究所);Jet Propulsion Laboratory(喷气推进实验室);Purdue University(普渡大学);University of California, Irvine(加州大学尔湾分校);University of Virginia(弗吉尼亚大学);Shizuoka University(静冈大学)
本文研究如何通过统计小震数据预测本地大震概率,利用Gutenberg-Richter关系计算超前概率,方法在时间跨度增大时表现更优,经UCERF3验证并应用于洛杉矶周边区域。
2026-04-28 physics.comp-ph physics.geo-ph physics.soc-ph
Physics-Based Seismic Hazard and Risk Assessment: A New Paradigm for Earthquake Forecasting
Institute of Risk Analysis, Prediction and Management (Risks-X), Academy for Advanced Interdisciplinary Studies, Southern University of Science and Technology (SUSTech)(南方科技大学高等交叉研究院风险、预测与管理研究所);Istituto Nazionale di Geofisica e Vulcanologia (INGV)(意大利国家地球物理学与火山学研究所)
本文提出SHARP框架,通过量化模型与物理约束的距离,改进地震危险评估中的epistemic不确定性处理。
2026-02-28 physics.geo-ph
Nowcasting Earthquakes with QuakeGPT: Methods and First Results
针对可靠地震观测数据历史短、难以训练AI模型的问题,研究提出基于科学Transformer的QuakeGPT模型,用仅含2个可调参数的ERAS地震模拟数据训练,验证了其用于地震临震预报的潜力。
2024-06-19 physics.geo-ph
Earthquake Forecast via Neutrino Tomography
本文讨论了用(反)中微子层析成像技术预报地震的可能性。从反应堆中释放出的反中微子被用作探测器。当反中微子穿过一个容易发生地震的区域时,物质对反中微子振荡的影响的可观测变化将提供该区域附近的层析成像。在这一初步工作中,我们采用了一个简化模型的几何轮廓和物质密度在一个断层带。本文计算了在断层带地质区,当电子异常积累时和不异常积累时电子反中微子的生存概率,发现反应堆发射的$\bar ν_e$的变化可达3%。的情况下,$ν_e$束从中微子工厂也进行了调查,并指出,由于通常的高能量与这样的中微子,振荡长度太大,所产生的变化实际上是不可观察的。我们的结论是,在现有的反应堆设施和检测技术,它仍然是一个困难的任务,使地震预报使用这样的方案,虽然它似乎是可能的,从理论上的角度来看,忽略一些不确定性。但随着地质学的发展,特别是对断裂带的认识,以及探测技术的提高等,中期地震预报有望实现。
2011-03-29 hep-ph physics.geo-ph
On the Imminent Regional Seismic Activity Forecasting Using INTERMAGNET and Sun-Moon Tide Code Data
本文提出了一种利用地磁和固体潮资料进行区域地震活动性短临预报的方法。地震活动性的时间周期是潮汐矢量模的日均值在日月极值附近的时间周期。为了分析地磁数据行为,我们使用地磁矢量分量F的日标准差来计算时间方差Geomag信号。通过使用每日A指数(由NOAA发布)的数据来避免太阳风暴的影响。用于预测未来区域地震活动性的前兆信号是当前和前一天的地磁信号和A指数值的简单函数。本文通过对预报地震与发震时间日差的统计分析,论证了地磁区域前兆的可靠性。分析的基础是一个自然的假设,即预测地震是监测点的表面能密度大于同时期、同区域所有发生地震的能量密度的地震。使用位于保加利亚、Panagurishte、PAG的INTERMAGNET台站数据对该方法的可靠性进行了测试(Jan 1,2008-Jan 29,2014),罗马尼亚,Surlari,SUA(Jan 1,2008-Jan 27,2014),Italy,L'Aquila,AQU(Jan 1,2008-May 30,2013)in the time of EU IRSES BlackSeaHazNet(2011-2014)project.简要介绍了解决何时、何地、如何进行地震预测问题的程序步骤。
2016-08-05 physics.geo-ph
Testing long-term earthquake forecasts: likelihood methods and error diagrams
我们提出了一种新的方法来测试的有效性的空间点过程预测的基础上的对数似然得分预测点密度和信息增益的事件,实际上发生在测试期间。该方法在很大程度上避免了模拟使用,并允许我们计算每个事件或事件集的信息得分以及每个预测的标准误差。随着预测事件数量的增加,分数分布接近高斯定律。其与高斯分布的相似程度可以通过计算偏度和峰度系数来衡量。为了显示预测的点密度和点事件,我们使用事件集中图或误差图(ED)的变体。我们证明了该方法的应用,使用我们的长期预测的地震活动在两个西太平洋地区。我们比较ED为这些地区的简化图的基础上两段近似。由于这些地区的地震集中在狭窄的俯冲带,使用预测密度作为模板或基线的ED是一个更方便的显示技术。我们还表明,使用模拟事件发生,一些建议的标准,用于测量预测有效性在ED将强烈偏小的事件数。
2008-06-17 physics.data-an physics.geo-ph
Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a Neural Point Process
本研究将神经点过程模型扩展至震级域用于短期地震预测,发现其在低震级阈值和不完整数据下表现优于传统ETAS模型,且训练速度更快,为地震预测提供了新的有效工具。
2023-10-02 physics.geo-ph stat.AP stat.ML
Towards advancing the earthquake forecasting by machine learning of satellite data
Institute of Earthquake Forecasting, China Earthquake Administration(中国地震局地震预测研究所);National Institute of Natural Hazards, Ministry of Emergency Management of China(中国应急管理部国家自然灾害防治研究院);University of Leicester(莱斯特大学);Nanyang Technological University(南洋理工大学);University of Trento(特伦托大学);National Institute for Nuclear Physics, the Trento Institute for Fundamental Physics and Applications(意大利国家核物理研究院特伦托基础物理与应用研究所);Chapman University(查普曼大学);Queen's University Belfast(贝尔法斯特女王大学);Nantong University(南通大学)
在现有的地震研究技术中,遥感因其成像速度快、图像获取范围广等特点而得到广泛应用。然而,早期的震前异常和遥感异常研究大多是针对单一物理量的异常识别和分析。许多分析都是基于奇异事件,这提供了对这一复杂的自然现象缺乏了解,因为通常,地震信号隐藏在环境噪声中。这种分析的普遍性仍未在世界范围内得到证明。本文研究了地震资料的物理和动力学变化,提出了一种新的机器学习方法--逆提升剪枝树(IBPT),并基于1,371次6级以上地震的卫星数据,对地震对环境的影响进行了短期预测。我们使用2006年至2013年收集的10种不同的红外和高光谱测量数据,分析并比较了我们提出的框架与几种最先进的机器学习方法。我们所提出的方法优于所有六个选定的基线,并显示出强大的能力,在不同的地震数据库中提高地震预报的可能性。
2021-01-31 astro-ph.EP astro-ph.IM cs.LG
Integrating Artificial Intelligence and Geophysical Insights for Earthquake Forecasting: A Cross-Disciplinary Review
University of Science and Technology Beijing(北京科技大学);Beijing Engineering Research Center of Industrial Spectrum Imaging(北京市工业光谱成像工程研究中心);New York University Abu Dhabi(纽约大学阿布扎比分校);Southern University of Science and Technology(南方科技大学);China University of Geosciences (Beijing)(中国地质大学(北京))
针对地震预测的科学挑战,综述了将人工智能与地球物理洞察融合的跨学科研究,指出整合多源数据与AI技术可克服传统方法局限,强调跨学科合作以开发更优预测工具。
2025-02-10 cs.AI cs.LG physics.geo-ph
Attention network forecasts time-to-failure in laboratory shear experiments
Rice University(莱斯大学);Pennsylvania State University(宾夕法尼亚州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Nevada, Reno(内华达大学雷诺分校);Sapienza Universitá di Roma(罗马一大(萨皮恩扎大学))
岩石在应力作用下通过蠕变机制变形,包括小规模内部裂纹的形成和滑动。晶内裂纹和沿晶粒接触面的滑移以弹性波的形式释放能量,称为声发射(AE)。AE被认为包含可用于故障预测的预测信息。本文提出了一种利用声发射波形特征进行非监督式分类和注意力网络预报实验室地震的方法。我们的数据是在实验室环境中使用双轴剪切装置与粒状断层泥旨在模仿构造断层的条件。在这里,我们分析了在数百个实验室地震周期中产生的AE的时间演化。我们使用良心自组织映射(CSOM)进行拓扑有序的矢量量化的波形特性的基础上。所得到的地图用于交互式聚类AE。我们检查了随时间推移的聚类,以确定具有预测能力的聚类。最后,我们使用各种LSTM和基于注意力的网络来测试AE集群的预测能力。通过跟踪地震周期内的累积波形特征,该网络能够预测实验室地震的失效时间(TTF)。我们的研究结果表明,分析数据以隔离预测信号并使用更复杂的网络架构是稳健预测实验室地震的关键。该方法可应用于构造断层监测地震和增强现有的预警系统。
2021-09-20 cs.LG 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
Pre Seismic Quiescence and Dynamical Regime Transitions in the Japan and Chile Earthquake Catalogs Evidence from KR Critical Slowing Down Indicators
Kakatiya University(卡卡提亚大学)
通过KR临界减缓指标分析日本和智利地震目录,发现主震前的静默信号,两种区域的抑制效果统计显著,且机制涉及方差和速率的共同作用。
2026-03-24 physics.geo-ph
Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano
Stanford University(斯坦福大学)
本研究利用图神经网络基于GPS、倾斜和地震数据预测基拉韦厄火山破火山口塌陷时间,仅用0.5天数据即可实现几小时精度,并揭示其感知了恒定应力阈值的底层物理机制。
2024-05-03 cs.LG physics.geo-ph
Assessing the predicting power of GPS data for aftershocks forecasting
The Institute of Statistical Mathematics, Research Organization of Information and Systems(信息与系统研究机构统计数学研究所);Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所)
提出基于CNN的机器学习方法,仅用主震当天GPS地表形变数据预测日本余震,发现预测准确性高度依赖GPS台站密度,在远离台站的近海区域预测能力丧失。
2023-05-17 cs.LG physics.data-an physics.geo-ph
An Attention-based Framework with Multistation Information for Earthquake Early Warnings
National Taiwan University of Science and Technology(台湾科技大学);Central Weather Administration(中央气象署)
本文提出基于深度学习的多台站地震预警框架SENSE,通过注意力机制学习台站间关系与局部特征,利用区域全局信息实现更可靠的烈度预测并为远距离区域提供预警,实验证明其性能优于现有方法。
2024-12-24 cs.AI cs.LG physics.geo-ph
Seismic-phase detection using multiple deep learning models for global and local representations of waveforms
Earthquake Research Institute, The University of Tokyo(东京大学地震研究所);Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院)
本文提出一种多模型深度学习震相检测框架,通过分别学习波形的全局与局部表示并融合概率,提升噪声鲁棒性,并可仅重训局部模型适配低频地震。
2022-11-04 cs.LG physics.geo-ph