Modification of the pattern informatics method for forecasting large earthquake events using complex eigenvectors
近年来的研究表明，实值主成分分析可用于地震断层系统的预测预报。此外，理论分析表明，地震应力可能服从波动方程，具有与给定断层的频率相反的解，类似于表征断层上最大事件之间的时间间隔的解。因此，希望应用复杂的主成分分析来开发地震预报算法。本文对地震预报的模式信息学方法进行了改进，利用地震应力的波动特性，利用希尔伯特变换从实测时间序列中产生复特征向量。我们表明，模式信息学分析使用复杂的特征向量创建短期预测热点地图，从热点地图创建仅使用实值数据不同，并建议分析差异和计算信息增益的方法。
2005-08-22 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
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
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
Neural Earthquake Forecasting with Minimal Information: Limits, Interpretability, and the Role of Markov Structure
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
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
From Local Earthquake Nowcasting to Natural Time Forecasting: A Simple Do-It-Yourself (DIY) Method
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
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
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
Possible Origin of Memory in Earthquakes: Real catalogs and ETAS model
地震是困扰社会的最具破坏性的自然灾害之一。一个熟练的、可靠的地震预报仍然是地震学家的最终目标。利用去趋势波动分析（DFA）和条件概率（CP）方法发现，记忆不仅存在于震间记录中，而且存在于释放的能量和单位时间内地震事件数序列中。对传统地震模型（流行型余震序列，ETAS）的分析表明，地震记忆只能在很窄的模型参数范围内再现。这一发现，因此，提供了额外的准确性模型参数，通过严格限制其值在不同的世界范围内的地区，并可以作为一个测试平台，现有的地震预报模型。
2018-07-27 physics.geo-ph
EarthquakeNPP: A Benchmark for Earthquake Forecasting with Neural Point Processes
EarthquakeNPP是一个用于地震预测的神经点过程基准测试平台，通过标准化现有资源评估NPPs与ETAS模型的性能，发现NPPs尚未在实际应用中优于ETAS模型。
2026-03-10 cs.LG physics.geo-ph stat.AP
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
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
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
Forecasting characteristic earthquakes in a minimalist model
使用误差图，我们量化的预测特征地震发生在最近推出的最低限度的模型。最初，我们在特征事件发生后的固定时间连接地震警报。这种策略的评估导致损失函数的一维数值探索。第一个策略，然后通过考虑模型的地震周期的分类，根据存在或不存在的一些因素有关的周期中观察到的地震活动进行细化。从统计学上讲，这些因素扩大或缩短了周期的长度。在预测过程中，这些因素的影响的独立评估导致二维数值探索。最后，作为细化过程中的第三个渐进步骤，我们将这些因素结合起来，进行三维探索。损失函数的最终改进约为8.5%。
2003-07-30 physics.comp-ph physics.geo-ph
Is Seismic Forecasting Possible with Physics-based AI?
CSIRO（联邦科学与工业研究组织）；Duke University（杜克大学）
本研究结合物理机制与AI辅助流形检测，采用基于物理的吸引子，成功提前一周预测新西兰希库兰吉海沟地震，可预测性极限达5-6周，证明基于物理的地震预测可行。
2026-09-01 physics.geo-ph
A positive answer on the existence of correlations between positive earthquake magnitude differences
针对地震震级相关性受目录不完整性阻碍的问题，采用新策略证明了后续正震级差间存在相关性，结果与 Gutenberg-Richter 定律中随时间变化的 b 值一致，显著增强了现有地震预测模型。
2024-04-24 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
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
Earthquake Aftershock Forecasting using Conditional Generative Models
Department of Earth and Planetary Science, University of California, Berkeley（加州大学伯克利分校地球与行星科学系）；Berkeley Seismological Laboratory, University of California, Berkeley（加州大学伯克利分校伯克利地震实验室）
研究地震余震预测问题，提出将其重塑为条件生成时空场，开发QuakeGen扩散模型，该模型在全球序列和每日预测上表现优于现有方法，有望更准确地预测地震序列时空演变。
2026-07-28 physics.comp-ph 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
Scaling Laws in Earthquake Memory for Interevent Times and Distances
在过去几十年中，人们为了解和预测自然灾害作出了大量努力。然而，地震预报技术仍然非常有限，仍然是一个巨大的科学挑战。地震的可预测性有限，部分原因是地震的不稳定性，部分原因是对地震的基本机制缺乏了解。为了提高我们的理解和潜在的预测能力，在这里我们使用滞后条件概率研究了一定震级以上地震的空间和时间长期记忆。我们发现，在实际数据中，滞后的条件概率表现出长期记忆的interevent时间和interevent的距离和记忆功能服从缩放和衰减缓慢随时间的推移，而在一个特征时间，衰减crossover到一个快速衰减。我们还表明，ETAS模型，这是经常被用来预测地震事件，产生的时间和空间的间隔与实际数据不一致的标度函数。
2019-10-07 physics.geo-ph physics.soc-ph
Earthquake Occurrences in the Pacific Ring of Fire Exhibit a Collective Stochastic Memory for Magnitudes, Depths, and Relative Distances of Events
本研究将太平洋火环带多国地震目录中的震级、距离和深度波动建模为长期记忆随机过程，发现其受单一记忆函数控制，参数μ反映共性记忆，\{eta}揭示区域地震动力学差异，为研究地震数据集提供了新视角。
2023-04-01 physics.geo-ph
WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning
WaveCastNet通过卷积长表达记忆与序列到序列框架，高效预测高维波场，参数少、推理快，泛化优于Transformer，无需震级震中估计，可实时预警破坏性地震。
2025-10-26 cs.LG 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
Systematic procedural and sensitivity analysis of the pattern informatics method for forecasting large (M > 5) earthquake events in southern California
文献中最近的研究引入了一种新的地震预报方法，该方法基于用实值Hilbert空间中与时间相关的系统状态向量来表示局部地震活动的时空图案，并从状态向量的相位角推导出有关未来时空波动的信息。虽然这种模式信息学（PI）方法的成功率令人鼓舞，但该方法仍处于起步阶段。程序分析、统计检验、参数敏感性调查和优化都需要进行。在本文中，我们试图优化PI的方法，通过开发定量值的“预测良好性”和分析可能的变化，在拟议的程序。此外，我们试图量化的输入目录的历史数据的质量的系统依赖性，并开发方法，从不同的地震率的地区的目录相结合。
2005-08-22 physics.data-an 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
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
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 ETAS Earthquakes: Information Entropy of Earthquake Catalogs
本文利用ETAS模拟研究地震目录信息熵的来源，发现非泊松余震聚类是信息的主要来源，去聚类处理可能损害预测效果。
2023-10-21 physics.geo-ph
ANADEF: A Nested-Permutation Alarm for Dual-Parameter Earthquake Forecasting
University of Beira Interior（比拉伊内里乌大学）；Atmosphere and Ocean Research Institute (AORI), the University of Tokyo（东京大学大气海洋研究所）；Farhangian University（法尔坎吉安大学）
提出ANADEF流程，结合应力敏感b值场与背景速率进行双参数地震预报，在扎格罗斯带测试显示减少警报面积并保持高命中率，但增量信息显著性依赖于零模型选择。
2026-09-09 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
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
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
Scaling of Seismic Memory with Earthquake Size
已经观察到地震事件具有短期记忆，即在特定位置发生的事件取决于该位置的短历史。我们进行了分析，看看是否实时地震数据也具有长期记忆，如果是这样的话，这种自相关性是否取决于地震的大小在密切的时空接近。我们分析了日本64个台站记录的地震波形数据库，其中包括2011年的“东日本大地震”，这是有史以来五次最强烈的地震之一，导致了海啸和毁灭性的核事故。我们通过使用平均条件间隔和去趋势波动分析（DFA）来探讨地震记忆问题。我们发现波形符号序列表现出长程幂律相关性，而间隔序列表现出长程幂律相关性。我们发现地震自相关性具有尺度依赖性-随着地震尺度的增大，这两种自相关行为都增强。DFA标度指数$α$与震源深度和震中距无关。
2011-10-18 physics.data-an physics.geo-ph
Long- and Short-Term Earthquake Forecasts during the Tohoku Sequence
我们考虑了与2011年东北大地震有关的两个问题：（1）该地区最大地震的重复时间是什么？（2）在2011年东北地区地震序列中，数值短期预报的可能性是什么？从1999年开始，我们使用GCMT目录对日本和周边地区进行了长期和短期预测。这些预报预测了每个地区、时间、震级单位的地震率和震源机制。长期预测表明，东北地区9级地震的重复时间约为350年。我们已经存档了东北地震前后的几次预测。长期地震率的估算结果表明，正如预期的那样，预测的地震率在东北大地震后仅变化了几个百分点，而由于前震的影响，与长期地震率相比，主震前的短期地震率增加了100倍以上。在东北大地震之后，该比率增加了1000倍以上。这些结果表明，业务地震预报战略需要制定考虑到短期利率的增加。
2012-01-08 physics.geo-ph
BlackSeaHazNet Scientific Report - EU FP7 IRSES project 2011-2014
该项目（2011-2014年）的目标是在项目名称-地震预测可能性、地震和气候变化相关性的综合研究-中建立一个研究上述问题的小组。参加该项目的有来自16个研究所和8个国家的76名科学家-亚美尼亚、保加利亚、格鲁吉亚、希腊、马其顿、斯洛文尼亚、土耳其和乌克兰。主要结果在下文中简要列出。创建一个能够完成地震预测可能性综合研究的小组;主要成果是在专门创建的地震存档、可视化和分析数据采集系统（地磁地震方法）框架内，根据地磁监测，对地震区域活动进行临震预测的可能性进行统计证明。用INTERMAGNET台站的数据进行说明- PAG（保加利亚帕纳古里希特），SUA（Surlari，罗马尼亚），GCK（塞尔维亚格罗卡）和拉奎拉（意大利AQU）近5-8年来的地震资料，应用地磁地震方法分析钻孔水位，表明水位变化也是区域地震的可靠临震前兆;提出并研究了气候变化、地震相关性和轴子核反应堆存在的现实性假设;利用射电共振地球电磁辐射反问题分析研究深部地壳结构和上地幔，在希腊和保加利亚进行了Astrogon测量;项目成员参加了许多国际会议、大会和研讨会，发表了97篇论文。
2014-10-22 physics.geo-ph
Modeling the Asymptotic Behavior of Higher-Order Aftershocks with Deep Learning
本文提出用深度神经网络学习高阶余震速率的渐近行为，替代传统模拟方法，在保持精度的同时大幅提升计算速度并增强鲁棒性，实现近实时地震预测。
2024-01-11 physics.geo-ph
Role of non-extensivity $q$-parameter in tectonic seismic forecasting
本文通过地震碎片-凹凸体模型识别非广延性q参数的临界范围（1.4<q<1.8），该区间对应熵的强变化并涵盖全球主震多数报道值，表明q可作为地震风险因素，虽不足以预测强震但提供参考。
2025-08-06 physics.geo-ph
Magnitude Of Earthquakes Controls The Size Distribution Of Their Triggered Events
最成功的统计预测模型之一ETAS模型背后的驱动概念是，地震活动性是由自发发生的背景地震驱动的，这些地震级联成大量的触发地震。在ETAS模型的几乎所有概括中，假设背景地震和触发地震的震级遵循具有相同指数（\b{eta} -值）的古腾堡-里克特定律。此外，触发地震的震级总是被假定为与触发地震的震级无关。应用EM算法对加利福尼亚地震目录进行分析，我们发现地震震级的分布呈现出三种不同的\b{eta} -值：背景事件为\b{eta}_b，触发事件低于和高于触发地震震级分别为\b{eta}_a -δ和\b{eta}_a +δ;最后两个值表示触发事件的震级与触发地震的震级之间的相关性，这是迄今为止ETAS模型的所有拟议操作概括中所缺乏的一个特征。ETAS模型结合了这种扭曲的震级分布，提供了迄今为止最好的地震目录描述，因此可能具有最好的预测潜力。我们推测，扭结的震级分布可能是由于系统倾向于恢复区域位移梯度张量的对称性，已被打破的启动事件。一般新兴的概念可能是，虽然背景事件发生主要是为了适应对称应力张量在系统的边界，触发地震是准戈德斯通波动的自组织临界变形状态。
2019-01-12 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
Scaling-law-informed neural point processes for earthquake sequence forecasting
Yunnan Key Laboratory of Complex Systems and Brain-Inspired Intelligence（云南省复杂系统与类脑智能重点实验室）；Kunming University of Science and Technology（昆明理工大学）；Faculty of Science, Kunming University of Science and Technology（昆明理工大学理学院）；Environmental Physics, Ben-Gurion University of the Negev（内盖夫本古里安大学环境物理系）；Ben-Gurion University of the Negev（内盖夫本古里安大学）
该研究开发了基于标度律的神经点过程Fusion，结合ETAS模型与Gutenberg–Richter定律，在地震序列预测中优于ETAS等基线模型，证实低震级目录历史与标度律信息可提升神经序列学习的时间预测性能。
2026-11-06 physics.data-an physics.geo-ph physics.soc-ph
Dynamical system analysis and forecasting of deformation produced by an earthquake fault
我们提出了一种低维非线性模型的构建方法，描述了一个离散的二维细胞断层带的主要动力学特征，具有许多自由度，嵌入在一个三维弹性固体。一个给定的断层系统的特征在于一组参数，描述的动力学，流变学，性质紊乱，和断层几何形状。根据在系统参数空间中的位置，我们表明，粗动态的故障可以被限制到一个吸引子，其尺寸是显着小于空间中的动态发生。我们的系统约简策略是寻找几个主导动力学的相干结构，并捕捉这些相干结构之间的相互作用。识别的基本相互作用的结构是通过应用本征正交分解（POD）的地表变形场，伴随着走滑断层积累在相同的时间间隔。我们使用一个前馈人工神经网络（ANN）架构的系统动态投影到子空间（模型空间）跨越最充满活力的相干结构的识别。使用标准反向传播算法来训练ANN，以在给定当前时间的观测模型状态的情况下预测（映射）未来时间的观测模型状态的值。该人工神经网络提供了一个近似的，大规模的，动态模型的故障。
2003-05-22 physics.data-an 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
Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting
University of Virginia（弗吉尼亚大学）；University of California, Davis（加州大学戴维斯分校）；Santa Fe Institute（圣达菲研究所）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；University of California, Irvine（加州大学欧文分校）
本文将地震即时预报表述为时空时间序列预测问题，提出了MultiFoundationQuake和GNNCoder两种创新架构，并引入结合定制模式与基础模型的MultiFoundationPattern方法，有效捕捉地震时空关系并取得最佳整体性能。
2024-08-21 cs.LG physics.geo-ph
Aftershocks in Modern Perspectives: Complex Earthquake Network, Aging, and Non-Markovianity
从复杂性科学的角度研究余震现象。特别是，三个不同的概念进行检查：（一）复杂的网络表示的地震活动性，（二）事件事件的相关性，（三）的影响，远程记忆。关于（i），它表明复杂地震网络的聚类系数在主震前后表现出一种特殊的行为。关于（ii），它被发现，余震的经验老化，相关的缩放举行。对于（iii），一类奇异马尔可夫过程所满足的标度关系被破坏，这意味着余震过程中存在长程记忆。
2012-02-20 cond-mat.dis-nn physics.geo-ph
Question-driven ensembles of flexible ETAS models
新的地震预报模型的发展往往是由以下互补目标之一的动机：获得新的见解，以管理的物理和生产改进的预测量化的客观指标。通常，一个是以另一个为代价的。在这里，我们提出了一个问题驱动的集成（QDE）建模方法来解决这两个目标。我们首先描述灵活的ETAS模型，在模型校准过程中，我们放松了参数定义的余震生产力和背景地震率的假设。相反，生产率和背景率都是用数据校准的，这样它们的可变性就能由模型最佳地表示出来。然后，我们考虑64 QDE模型在伪前瞻性预测实验南加州和意大利。QDE模型通过组合不同成分模型的模型参数来构建，其中如何组合参数的规则由关于未来地震活动性的问题来定义。QDE模型可以解释为用不同的成分模型解决不同问题的模型。我们发现某些模型最好地解决了这两个地区的相同问题，QDE模型可以大大优于标准ETAS和所有成分模型。最佳性能的QDE模型是通过组合的模型，允许灵活的背景地震活动和灵活的余震生产力，其中前者参数化的空间发布的背景地震和地震活动的背景事件和余震的分割，后者是用来参数化的时空发生的余震。
2022-12-16 physics.geo-ph
Forecasting temporal variation of aftershocks immediately after a main shock using Gaussian process regression
揭示余震震级和到达时间的分布是了解地震序列特征的关键，它使我们能够预测地震活动性和进行灾害评估。然而，由于到达的地震波的污染，识别紧接在主震之后的余震的数量实际上是困难的。为了克服这个困难，我们构建了一个可能性的基础上检测到的数据，将检测功能的高斯过程回归（GPR）。探地雷达不仅能够估计余震分布参数和探测函数，而且能够估计余震分布参数和探测函数的可信区间。高斯过程和余震的分布都是指数函数的性质导致了一个有效的贝叶斯计算算法来估计超参数。在通过数值试验验证后，将该方法应用于2004年中越地震的目录数据，对余震进行了早期预测。结果表明，即使在主震发生后3小时内，该方法也能稳定地同时估计出分布参数及其可信区间。
2021-02-03 physics.geo-ph stat.AP
Bayesian Estimation of the ETAS Model for Earthquake Occurrences
流行型余震序列（ETAS）模型是地震预报中应用最广泛的方法之一。然而，ETAS的大多数研究使用模型参数的点估计，这忽略了从历史地震目录中估计这些参数所产生的固有不确定性，导致误导性的乐观预测。相比之下，贝叶斯统计允许参数的不确定性被显式地表示，并被馈送到预测分布中。尽管贝叶斯统计在地震学中越来越受欢迎，但ETAS模型中贝叶斯统计的应用受到了所产生的后验分布的复杂性的限制，这使得它不可能应用于包含数百个以上地震的目录。为了解决这个问题，我们开发了一个新的框架，以完全贝叶斯的方式估计ETAS模型，它可以有效地扩展到包含数千次地震的大型目录。我们还提供易于使用的软件来实现我们的方法。
2021-09-13 physics.geo-ph stat.AP stat.ME
Simulation of the Burridge-Knopoff Model of Earthquakes with Variable Range Stress Transfer
地震断层的简单模型对于理解其观测行为的机制非常重要，例如古腾堡-里克特尺度和大小事件之间的关系，这是各种预测方法的基础。虽然元胞自动机模型在长距离应力传递极限方面已经得到了广泛的研究，但是对于Burridge-Knopoff模型，还没有研究过这种极限，该模型包括更真实的摩擦力和惯性。我们发现，后者模型与远程应力转移表现出定性不同的行为比远程元胞自动机模型和通常的Burridge-Knopoff模型与最近邻弹簧，取决于速度减弱摩擦力的性质。这一结果对我们理解地震和其他驱动耗散系统具有重要意义。
2006-01-30 cond-mat.soft cond-mat.stat-mech physics.geo-ph
Revisiting Seismicity Criticality: A New Framework for Bias Correction of Statistical Seismology Model Calibrations
针对ETAS模型校准中的边界、有限尺寸和审查偏差，提出基于可变背景率的校正方法，利用napp(Mco)函数准确恢复真实分支比，并应用于加州、新西兰和川滇地区，发现地震活动呈明显亚临界状态。
2024-04-25 physics.geo-ph
Aftershocks as a time independant phenomenon
针对余震序列记忆效应起源不清的问题，提出分析框架处理labquake和地震目录，发现当记忆存在于变形而非时间时，数据坍缩到主曲线，时间尺度由应变速率倒数决定。
2024-03-27 cond-mat.soft physics.geo-ph
