融合“数据-知识”驱动与多模态深度学习在地震预警中的应用

【作者】 朱景宝； 宋晋东； 李山有；

【机构】 中国地震局工程力学研究所地震工程与工程振动重点实验室； 地震灾害防治应急管理部重点实验室；

【摘要】 地震预警是减轻地震灾害的重要手段之一。以提高地震预警的准确性和时效性为目标,我们使用波形输入、知识嵌入、卷积神经网络和图卷积神经网络构建了融合"数据-知识"驱动的地震预警混合深度学习(DHLnet)模型,旨在整合来自知识驱动方法的知识信息和数据驱动深度学习方法的特征提取和学习能力,改善地震预警参数预测的可靠性和时效性;为了进一步结合不同模态的数据和信息形成更全面、更准确的表示,我们构建了一个多模态深度学习(MDLNet)模型,旨在实现不同模态数据的特征融合,从而提高模型的性能,并探索了MDLNet模型在地震预警地震事件识别和震级分类中的可行性。研究结果表明:与知识驱动方法和数据驱动的深度学习模型相比,DHLnet模型提高了震中距、震级、PGA和PGV预测的时效性性和鲁棒性;MDLNet模型能识别99.92%的噪声、96.65%的小震级地震信号和90.68%的高震级地震信号,且高于单一模态数据的准确性。更多还原