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

关注

原创最新推荐文章于 2026-11-10 00:57:14 发布 378 阅读 AI 写同款· GEO 优化 ›

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 Sensing，DAS）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。