美国地震局提出DAS地震预警模型，4秒P波应变数据实现中强地震快速分级

地震发生后传播较快的 P 波会率先到达破坏性更强的 S 波和面波随后抵达。地震预警系统正是利用这段时间差在强烈震动到来前发出警报。虽然预警窗口通常只有数秒至数十秒但已足以支持公众避险、轨道交通降速和关键设施停机是减轻地震灾害损失的重要手段。以美国 ShakeAlert 为代表的现行系统主要依靠专用地震台站捕捉地震信号并据此估算震中位置和震级。这套方法在陆地台网密集地区较为成熟但在卡斯卡迪亚俯冲带等近海高风险区域仍面临明显限制。海底台站建设和维护成本高实时通信也较为困难导致部分近海区域长期缺乏有效监测。观测空白不仅会压缩沿海地区的预警时间也可能因震中定位偏差影响震级估算。分布式声学传感技术Distributed Acoustic SensingDAS为弥补这一缺口提供了新的可能。DAS 可利用现有通信光缆将普通光纤转化为连续分布的应变传感阵列从而获得高密度地震波观测。但光缆多呈线性铺设提供的方位信息有限难以稳定定位震中同时DAS 记录的是应变或应变率与传统地震仪记录的速度、加速度和位移并不相同。针对这些问题美国地质调查局研究团队绕开「先定位、再估算震级」的传统路线提出了一种基于机器学习的二元震级分类方法。该方法仅使用 P 波初至后 4 秒内的应变波形通过振幅和多频带小波特征快速判断地震是否达到 M5.4 的预警阈值。模型以钻孔应变仪历史数据训练并在包含 2024 年门多西诺角近海 M7.0 地震的独立 DAS 数据中验证为 DAS 参与近海地震预警提供了新的可行路径。相关研究成果以「Rapid earthquake magnitude classification via P-wave strains from borehole strainmeters and Distributed Acoustic Sensing」为题已发表于 Nature Communications。查看论文Rapid earthquake magnitude classification via P-wave strains from borehole strainmeters and Distributed Acoustic Sensing | Nature Communications数据集融合钻孔应变与分布式声学传感的地震波形记录该研究采用两类应变数据。其中钻孔应变仪数据用于模型训练和内部测试分布式声学传感DAS数据用于检验模型在通信光缆场景中的适用性。钻孔应变仪数据来自 EarthScope 公开观测网络覆盖加利福尼亚州门多西诺三联点、纳帕谷和里奇克雷斯特三个地震活跃区共包含 7 个台站 2008 年至 2022 年的观测记录。各台站采样率为 20Hz配置 4 条水平应变通道。经过滤波、P 波人工拾取和质量筛选研究最终获得 453 次地震对应的 1949 条有效波形震级范围为 M3.5 至 M7.1。其中M5.4 及以上波形仅占约 5%样本分布明显不均衡。钻孔应变仪数据集用于建模的波形窗口为 P 波到达前 10 秒至到达后 4 秒。2024 年 12 月 5 日门多西诺角近海 M7.0 地震的数据未参与训练而是作为独立测试样本保留。DAS 数据来自加利福尼亚州洪堡县的阿卡塔-尤里卡光缆阵列。光缆全长约 15 千米邻近卡斯卡迪亚俯冲带南段。研究统一不同阶段的采集参数后获得光缆周边 100 千米范围内 25 次 M3.5 及以上地震记录。P 波由 PhaseNet-DAS 模型自动拾取并结合人工检查进行校正。DAS 地震数据集完成预处理后研究从每条波形中提取 127 项特征。除最大应变、振幅极差等时域指标外还利用连续小波变换提取时频信息。研究重点分析 0.2-0.5Hz、0.5-2.0Hz 和 2.0-5.0 Hz 三个频带并经过相关性筛选保留 56 项特征用于首轮模型训练。XGBoost 二元分类器从早期 P 波中识别中强地震该研究采用 XGBoost 梯度提升树构建二元分类模型判断应变波形是否来自 M5.4 及以上地震。模型不直接估算具体震级而是聚焦预警系统最关键的问题地震是否已经达到需要警报的规模。XGBoost 通过多棵决策树逐步修正预测误差能够同时处理振幅、频率和时频变化等特征并识别它们与地震规模之间的非线性关系。其正则化机制也有助于降低小样本条件下的过拟合风险。由于 M5.4 及以上波形仅占全部样本的 5%模型训练面临明显的类别不平衡。为避免模型过度倾向于小震研究提高了中强地震样本的训练权重并使用二元对数损失函数进行优化重点减少将小震误判为危险大震的情况。数据按照 70% 训练集、30% 测试集划分但以完整地震事件为单位。同一次地震产生的全部波形只能进入一个集合避免相似数据同时出现在训练和测试环节。研究还对训练集中的大震样本数量设置约束并从约 2,000 种随机划分中筛选出 50 套符合条件的独立模型以降低单次划分带来的偶然性。机器学习工作流程示意图首轮训练使用 56 项特征并通过 K 折交叉验证和网格搜索确定模型参数。随后研究利用沙普利加性解释方法SHAP评估各项特征对预测结果的贡献。结果显示模型的主要判别信息集中在排名前 6 的特征中。考虑到部分特征高度相关研究进一步剔除重复信息最终保留 3 项核心特征0.2-0.5Hz 频带三阶高斯小波系数最大值、0.5-2.0Hz 频带一阶高斯小波系数极差以及 P 波到达后 4 秒内的最大应变振幅。这 3 项特征分别反映低频能量、中低频变化幅度和应变强度。它们相关性较低既保留了主要判别信息也使模型的预测依据更加清晰。确定核心特征后研究重新训练模型并比较不同训练轮数下的召回率、精确率和 F1 分数。结果显示训练达到 500 轮后各项指标基本稳定。因此最终性能取 500 套模型的平均结果以减少数据划分和随机训练造成的波动。模型在钻孔应变仪数据上取得 81% 召回率与 79%精确率接下来研究人员从模型分类能力、与 ShakeAlert 的参考性对比、DAS 跨设备验证和静态应变分析四个方面开展实验。首先在钻孔应变仪数据上模型整体准确率达到 96%。但由于小震样本占 95%这一指标容易虚高更有意义的是召回率、精确率和 F1 分数。500 套模型的平均召回率为 81%平均精确率为 79%F1 分数为 78%。这表明模型能够识别超过八成的中强地震并在漏报和误报之间保持相对均衡。其次研究将模型与 ShakeAlert 的历史结果进行回溯比较。两者的运行条件并不相同本文模型使用单台应变仪数据不需要震中定位ShakeAlert 则依赖至少 4 个地震台站并需要实时完成探测、定位和震级估算因此对比结果只能作为参考。钻孔应变仪模型与 ShakeAlert 性能对比在 2021 年至 2024 年加州预警区内 55 次 M4.5 以上地震中ShakeAlert 识别出全部 3 次 M5.4 及以上地震召回率为 100%但精确率仅为 30%。该研究模型的召回率为 81%精确率则达到 79%。这说明 ShakeAlert 更强调避免漏报而本文模型在降低误报方面表现更好。第三组实验检验模型能否迁移到 DAS 数据。研究将 15 千米光缆划分为三个区段分别提取各段有效通道的特征均值和标准差。结果显示虽然 DAS 与钻孔应变仪在埋设条件、场地效应和频率响应上存在差异但核心特征随震级变化的趋势基本一致也未表现出明显的地域依赖。2024 年门多西诺角近海 M7.0 地震未参与模型训练。其钻孔应变仪波形被全部 500 套模型正确判断为 M5.4 及以上将三段 DAS 光缆特征输入模型后平均召回率达到 96%。结果表明基于钻孔应变仪训练的模型具备一定的跨设备迁移能力。进一步对比 M7.0 地震与一次 M4.8 地震发现两者在 P 波初始阶段的应变振幅相近但 M7.0 地震在 0.2-0.5Hz 频带的能量明显更强、持续时间更长。这说明低频特征能够更有效地反映大震较长的破裂过程也是模型完成震级分级的重要依据。DAS 记录的 M7.0 和 M4.8 地震比较此外研究还识别出 14 条具有静态应变偏移的近场地震波形。这些样本在 P 波到达后 4 秒内的最大应变普遍低于常规震级—振幅关系的预测值。说明仅依靠短时间动态振幅可能低估部分近场大震。未来若将动态 P 波特征与静态形变结合有望进一步提高模型的识别能力。写在最后总体来看这项研究没有试图使用 DAS 完整复刻传统地震预警流程而是重新设计了 DAS 的使用方式跳过容易受光缆形态影响的震中定位环节直接利用 P 波到达后 4 秒内的应变特征判断地震是否达到预警阈值。这种方法降低了对台站数量、光缆方位和精确震源位置的依赖也部分绕开了 DAS 与传统地震仪观测物理量不同所带来的震级估算难题。虽然模型召回率仍有提升空间且目前主要在陆上 DAS 数据中完成验证但研究已经证明应变波形中的低频和振幅信息能够用于快速识别中强地震。随着海底通信光缆进一步开放、DAS 设备成本下降和海洋观测数据积累DAS 有望成为传统地震台网的重要补充。在卡斯卡迪亚俯冲带等近海台站稀疏、沿海人口密集的高风险地区它或可作为前沿监测网络更早捕捉潜在大震为沿海地区争取额外的预警时间。