基于深度卷积神经网络的2022年日本福岛7.4级地震震级估算

曾奎原，朱景宝，宋晋东，李山有

（1.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，黑龙江 哈尔滨 150080；2.地震灾害防治应急管理部重点实验室，黑龙江 哈尔滨 150080）

引言

地震预警可以有效的减轻地震破坏所带来的人员伤亡和财产损失，地震预警通过P波和S波的波速不同的原理（即P波波速小于S波波速），利用震源周围所布设的地震监测台站获得的初至P波携带的信息估算地震基本参数和破坏区域，抢在破坏性地震波S波到来之前，向公众发出警报，提醒其采取紧急避险措施，为人们提供几秒甚至数十秒的避险时间［1－2］，进而减少地震所造成的损失。美国、日本、意大利、墨西哥等［3－17］地震活动多发地带已经建立了较为完善的地震预警系统。同时，中国地震预警系统［18－19］也在不断进行验证测试与更新完善。

对于地震预警系统而言，震级估算的结果决定着地震破坏区估算的准确性和预警信息发布的可靠性，因此精确并且快速地估算出震级，是地震预警中尤为重要的一个环节。震级估算的传统方法主要通过P波初至后的单一特征参数和震级的经验关系来估算出震级［20］。常用的特征参数包括幅值类参数［21－22］、周期类参数［5，13－14］和能量类参数［9，23－24］。虽然这上述几类特征参数已经被前人研究所验证和震级存在着一定的相关性，但是由于单独采用某一类特征参数进行震级估算时，其所携带的与震级相关的信息较为单一，所以在估算震级的时候容易产生较大误差，且会发生小震高估、大震低估的现象。近年来，提取多种特征参数、利用人工智能方法建立震级估算模型快速发展，极大的减小了震级估算的误差［25－27］，缓解了小震高估与大震低估的现象。

日本当地时间2022年3月16日23时36分，日本福岛县近海发生MJMA7.3级地震，震中位于北纬37°41.8′，东经141°37.3′，震源深度60 km，最大观测烈度（日本烈度）为6强。次日在日本气象厅发布的震源参数报告中将此次地震的震级由MJMA7.3级提升至MJMA7.4级，震源深度变为57 km。据相关媒体报道，在此次地震中，福岛县和宫城县是地震活动发生的主要地区，有较为强烈的震感，此次地震造成了1人不幸遇难，超80人受伤。在福岛县等地，公路路面发生了龟裂和扭曲、建筑物窗玻璃碎裂，部分地区道路交通临时封闭。此外，地震还造成福岛、宫城以及东京等多个地区地铁路和地下铁交通临时中断。

文中主要采用朱景宝等［28］建立的深度卷积神经网络DCNN－M模型，分别使用P波到达后1～40 s不同时间窗下的特征参数［29］作为输入，对2022年3月16日发生在日本福岛县近海的地震进行单台震级估算，并采用多台平均方法实时估算事件震级，验证该模型对此次日本福岛县近海地震震级估算的可行性。

1 方法

1.1 DCNN－M模型

文中所使用的模型是朱景宝等通过选用日本K－net强震台网中心中所记录的MJMA3～7.5地震事件并基于深度卷积神经网络进行训练而得到的。且在其研究中表明，对于所采用的地震事件，在P波初至后3 s的时间窗内，该模型得到的震级估算结果相比于传统的单参数方法τc和Pd方法有着更高准确性，且小震高估、大震低估的现象得到了明显的改善。

DCNN－M模型的基本网络结构如图1所示，其中主要包括输入层、4个卷积层、4个BN层、4个池化层以及3个全连接层和输出层，且在每个BN层和池化层之间都有插入一个激活函数用于对卷积层所输出的结果做非线性映射，以提高模型的非线性表达能力。

图1 DCNN－M模型网络结构Fig.1 The network structure of DCNN－M model

1.2 特征参数

DCNN－M模型所选取的是与震级相关的4类共12个特征参数，即幅值参数（峰值位移Pd、峰值速度Pv、峰值加速度Pa）、能量参数（速度平方积分IV2、累积绝对速度CAV、累积能量变化率DI）、周期参数（特征周期τc、峰值比Tva、构造参数）和衍生参数（竖向累积绝对位移cvad、竖向累积绝对速度cvav、竖向累积绝对加速度cvaa）作为输入。同时，为了消除作为模型输入的幅值类参数、能量类参数以及衍生类参数因距离衰减而对震级估计产生的影响，需要对这些参数进行震源距的校正，统一校正到参考震源距10 km［30－31］。

1.3 实时多台平均

基于地震预警的时效性分析，文中通过该模型对P波最先触发的10个台站进行震级估算，并将实时多台平均的结果作为实时的震级估计。实时多台震级平均计算公式如下：

式中：Mi为第i秒时的平均估算震级；是第i秒时单个台站的估算震级；N是第i秒时参与平均计算的台站数量。

2 强震数据及处理

文中所采用的数据是由日本防灾科学技术研究所K－net强震观测台网在本次地震中所获取的加速度记录，共576组（1 728条）强震记录，同时对这些强震记录做如下处理：

（1）首先采用马强等［32］提出的P波到时自动捡拾方法对强震加速度记录进行P波一次捡拾，然后对一次自动捡拾的P波记录继续2次人工识别确认；

（2）随后对捡拾后的强震动加速度记录先进行一次积分得到速度记录，然后对积分后得到的速度记录再一次积分得到位移记录。最后为了消除积分带来的低频漂移的影响，对得到的记录用4阶0.075 Hz巴特沃斯高通滤波器进行滤波［33－34］。

通过以上处理并筛选后得到的强震记录共374组（1 122条）。

图2展示了所有台站记录的三分向PGA与震中距的关系，图中红圈标注的为首台FKS005和加速度记录最大台站FKS002的PGA，蓝圈标注的为剩下台站PGA。图1和图2表明：此次地震中台站所记录到的峰值加速度较大值主要集中在震源周围，且随着震中距的增加，峰值加速度呈现不断衰减的趋势。

图2 三分向PGA和震中距的关系Fig.2 The relationship of three-component PGA and epicenter distance

图3则展示了本次地震事件中的强震记录数量与震中距的关系，其中震中距的范围在63.27～761.36 km，台站主要集中分布在200～350 km的震中距范围内，有14个台站位于100 km震中距以内，其中距离震中最近的台站为FKS005，震中距为63.27 km，该台站记录的最大加速度幅值为NS向的607.817 8 cm/s2，而获得最大加速度幅值记录的台站是FKS002，震中距为97.95 km，最大加速度幅值为EW向的－751.501 cm/s2。

图3 震中距和强震动记录数量的关系Fig.3 The relationship of epicenter distance and strong-motion records numbers

图4（a）和（b）分别展示了这次地震事件中首个触发的台站FKS005和所记录到加速度最大的台站FKS002的UD、EW、NS方向的加速度时程波形图，峰值加速度以及P波到时标注。

图4 台站FKS005和台站FKS002三分向加速度记录Fig.4 Three-component acceleration records of station FKS005 and station FKS002

3 结果

3.1 DCNN－M模型结果

文中根据日本气象厅提供的实时定位结果，将幅值类参数、能量类参数和衍生类参数进行震源距校正后，联合频率类参数作为深度卷积神经网络震级估算模型DCNN－M的输入进行地震预警震级估算。图6展示了DCNN－M模型在首台触发后1～40 s内对2022年3月16日日本福岛县近海MJMA7.4地震的离线数值模拟得到的震级估计结果。其中红色实心圆代表的是DCNN－M模型震级估计的结果，黑色虚线代表此次地震的实际震级，蓝色虚线代表±1级误差，紫色虚线代表±0.5级误差。表1给出了日本气象厅紧急地震速报详情给出的速报结果，以及对应于DCNN－M模型给出的震级预测结果。当估计的地震震级超过特定阈值（MJMA3.5）时，日本气象厅就会向高级用户发布预警信息［35］。由于本次地震日本气象厅给出的震级结果存在错误，都为1.0级，因此无法将DCNN－M模型的结果与日本气象厅的震级结果作出直接一对一比较，因此文中以日本气象厅紧急地震速报每一报发布时刻为对照，只分析DCNN－M模型在日本气象厅紧急地震速报的每一报时刻震级估算结果。

表1 日本气象厅和DCNN－M模型震级估算结果Table 1 The magnitude estimation results of Japan Meteorological Agency and the DCNN－M model

结合图5和表1，DCNN－M模型在首台触发后1.6 s（即：日本气象厅预警速报第1报），给出的震级估算结果为5.85级，且满足日本气象厅预警发布的阈值（MJMA3.5）。同时，随着首台触发后时间的不断增加，触发的台站数目也在增多，DCNN－M模型给出的震级估算结果也在迅速趋近于实际震级。在首台触发后4.2 s（即：日本气象厅预警速报第3报）时，震级估计达到了6.47级，震级估计误差小于1个震级单位；在首台触发后11 s，DCNN－M模型估算的结果就达到了6.94级，与实际震级的误差已经小于0.5个震级单位，并且在首台触发后23.4 s（即：日本气象厅预警速报第21报）给出的震级估算结果为7.37级，与实际震级的误差仅仅有0.03个震级单位。可以看出：对于此次地震，在日本气象厅预警速报第1报时，DCNN－M模型震级估计满足阈值；在首台触发初期，DCNN－M模型可以得到鲁棒的震级估算，且随着时间的增加，预测震级逐渐接近实际震级。

图5 DCNN－M模型多台平均震级估算结果Fig.5 Estimation results of multiple mean magnitudes in DCNN－M model

从表1中也可以得到：在日本气象厅预警速报第3报时，该模型所给出的震级估算结果与实际震级的误差已经小于1个震级单位；在首台触发后11 s，日本气象厅未有速报发布，但是依据DCNN－M模型可以得到6.94级，且预测震级与实际震级的误差小于0.5个震级单位。

3.2 单台结果与多台结果对比

如图6所示，给出了参与平均的单台震级估算的结果。结合图5和图6可以得到，个别单台估算的结果在首台触发初期估算的结果相比于多台平均结果给出的震级要明显过低，如果仅仅用单台的估算结果，就容易导致估算结果趋近于实际震级的时间要增加，不利于地震预警所注重的时效性，因此用多台估算结果参与平均能够在首台触发初期快速的使得震级结果趋近于实际震级结果。同时，随着触发时间的增加，单台估算的结果也在趋近于实际震级，但是部分台站震级估算的结果超过了实际的震级，出现了高估的现象，以台站FKS006尤为明显，而反观多台平均的结果，并未出现高估的现象，且估算结果一直在趋近实际震级，并未超出。这是因为多台参与平均将部分高估的结果给降低了，使其能更好的向实际结果趋近且不至于产生与实际结果有较大的误差。

图6 单台震级估算结果Fig.6 Magnitude estimation of single-station

3.3 DCNN－M模型与τc和Pd方法震级估算结果对比

如图7所示，图中分别给出了DCNN－M模型、τc和Pd方法对本次地震事件的多台平均震级估算结果。从图中可以看出，τc方法所预测的震级结果明显较差，在首台触发初期震级估算结果过低，且随着时间窗的增加，估算值有所改善但仍与实际震级有着很大的误差，而Pd方法的震级估算结果比τc方法的估算结果有了很大程度上的改善，且在首台触发初期震级估算的结果甚至优于文中所研究的DCNN－M模型给出的震级估算结果，但是随着时间窗的增加，震级高估的现象愈发明显，也未得到降低。传统的单参数τc和Pd方法在预测震级时，分别出现了一些诸如震级低估高估，首台触发初期未能给出较好的预测结果等现象，而DCNN－M模型在这些方面都有了明显的改善：首先在首台触发初期，给震级估算误差就已经满足日本气象厅预警信息发布的震级阈值（MJMA3.5），而τc方法在2 s给出的结果为MJMA2.95未能满足阈值。其次，随着首台触发时间的增加，DCNN－M模型的预测震级迅速趋近于实际震级，而Pd方法在首台触发后14 s的预测结果就已经超出了实际震级，且在随后高估的现象越发明显。

图7 DCNN－M、τc和Pd方法多台平均震级估算结果Fig.7 Estimation results of multiple mean magnitudes in DCNN－M model、τc and Pd method

4 结论与讨论

基于朱景宝等［29］使用日本K－net强震数据构建的DCNN－M模型，本研究使用日本2022年3月16日福岛县近海MJMA7.4地震在P波到达后1～40 s不同时间窗下的特征参数作为DCNN－M模型的输入，对此次地震进行震级估算。通过分析单台DCNN－M模型离线数值模拟的结果和对其结果进行多台平均，探索在该模型下对此次地震事件震级估算的可行性，并给出以下结论：

（1）在首台触发后1.6 s（即：日本气象厅预警速报第1报），DCNN－M模型给出的震级估算结果为5.8级，且满足日本气象厅预警信息发布的震级阈值（MJMA3.5）；

（2）在首台触发后4.2 s（即：日本气象厅预警速报第3报），DCNN－M模型给出了6.47级的估算结果，震级估算误差小于1；

（3）在首台触发后11 s，DCNN－M模型的震级估算结果为6.94级，与实际震级偏差缩小到可容忍的0.5个震级误差范围内；

（4）在首台触发后23.4 s（即：日本气象厅预警速报第21报），DCNN－M模型的震级估算结果为7.37级，与实际震级仅有0.03个震级的误差，并且在随后的估算结果也与实际震级的误差维持在0.1～0.2个震级范围内；

（5）通过与τc和Pd方法的多台平均结果进行对比，DCNN－M模型所给出的震级估算结果优化了这2种传统单参数方法中出现的震级低估高估，首台触发初期震级估计误差较大现象。

基于地震预警的时效性分析，DCNN－M模型对本次日本福岛县近海地震，在首台触发后1.6 s，震级估算误差满足日本气象厅预警信息发布的震级阈值（MJMA3.5）；在首台触发后4.2 s时，震级估算误差小于1；在首台触发后11 s时，震级估算误差小于0.5。这也表明：对于此次地震，在首台触发初期，DCNN－M模型可以得到鲁棒的震级估计。同时，随着时间窗的增加，震级估计误差逐渐减小。

致谢：日本防灾科学技术研究所为本研究提供数据支持（https：//www.kyoshin.bosai.go.jp/kyoshin/quake/index_en.html）。