Study on the Prediction of Ground Motion Amplitude Based on Deep Neural Network
-
摘要: 地震动预测模型是灾害分析和结构设计的重要组成部分，近年来神经网络技术愈发成熟地被应用在该预测模型的开发上，但多为使用地表以下30 m范围内土层等效剪切波速（VS30）作为场地输入参数的单层全连接神经网络模型，忽略了完整土层厚度及剪切波速信息对地震动幅值的影响。本文采用卷积神经网络及全连接神经网络混合模型，选用日本KiK-net台网记录到的
3174 次地震共计39192 条地震动记录，构建了一种基于深度神经网络框架的地表地震动幅值预测模型。该模型的输入参数为震级、震源深度、震中距、场地各土层厚度、剪切波速信息和井下地震动幅值，输出为相应的地表地震动幅值（PGA或PGV或PGD）。对模型进行训练并计算其各项评价指标予以评估，结果表明：(1)该混合神经网络模型的决定系数超过了0.85，模型残差服从正态分布，均值残差接近于0，模型表现出无偏的特性。(2)与现有经验公式相比，混合网络模型的PGA、PGV和PGD预测精度分别提升约26.9%、16.5%和11.6%。与使用VS30作为场地参数的全连接神经网络模型相比,该框架下模型预测值与真实值的Person相关系数及各项评价指标均有所提升，模型残差的均值和标准差更小，PGA、PGV和PGD模型预测精度提升约6.3%、3.9%和3.4%，能更好地对地震动幅值进行预测。Abstract: The ground motion prediction model is a critical component in disaster analysis and structural design. In recent years, neural network technology has increasingly been applied to develop such prediction models. However, most existing models are single-layer fully connected neural networks that use the equivalent shear wave velocity of soil layers within 30 meters below the surface (VS30) as the site input parameter. This approach often overlooks the impact of the complete soil layer thickness and shear wave velocity information on ground motion amplitude. In this paper, a combined convolutional neural network (CNN) and fully connected neural network model is proposed. A dataset comprising39192 ground motion records from3174 earthquakes recorded by KiK-net is used to build a ground motion amplitude prediction model based on deep neural network technology. The model's input parameters include the magnitude, source depth, epicenter distance, thickness of each soil layer, shear wave velocity information, and underground ground motion amplitude. The output is the corresponding ground motion amplitude (PGA, PGV, or PGD). The model is trained and its evaluation indexes are calculated. The results indicate that: (1) The coefficient of determination (R2) of the mixed input neural network model exceeds 0.85. The model residual follows a normal distribution, and the mean residual is close to 0, demonstrating an unbiased characteristic. (2) Compared to the empirical formula, the prediction accuracy of the hybrid network model improves by 26.9%, 16.5%, and 11.6% for PGA, PGV, and PGD, respectively. (3) Compared to the traditional fully connected neural network model using VS30 as the site parameter, the Pearson correlation coefficient and various evaluation indexes of the predicted values and actual values show improvement. The mean and standard deviation of the model residual are smaller, and the prediction accuracy of the PGA, PGV, and PGD models improves by about 6.3%, 3.9%, and 3.4%, respectively. This combined neural network model can better predict seismic amplitude, taking into account the complete soil layer information. -
引言
地震烈度是指地震对人工建筑物或地面影响的强弱程度（胡聿贤，2006），即建（构）筑物遭受地震影响的破坏程度及地表面变化情况，是衡量地震破坏力的标准之一。地震烈度图是指一次地震事件后烈度的空间分布情况，直观反映灾区不同地区的受灾程度和地震造成的破坏范围，是政府部门震后第一时间了解地震破坏规模及范围最直观的方式，为评估地震灾害损失、确定地震应急救援方案、部署救援力量、拟定灾民救助方案和物资发放等抗震救灾工作提供科学依据（李金香等，2013；王晓青等，2015），因此快速高效产出地震烈度图具有重要实践意义。
目前，地震行业内常用的地震烈度图生成方法是以地震应急指挥技术系统为基础，基于地震应急基础数据库中的静态数据，在破坏性地震发生后，根据地震三要素和地震衰减关系模型，生成初评估地震烈度圈，从而产出初评估地震烈度图，但存在地震烈度图图件制作不规范，符号、标注、图面整饰因人而异等问题；震后通过卫星遥感、无人机遥感、现场调查等手段不断获取灾情信息，作为烈度圈修正的辅助信息，专业人员根据辅助信息采用GIS软件以手动勾画的方式对烈度圈进行修正，生成修正后的地震烈度图。该方法专业要求较高，自动化程度及制图效率低，且缺乏全时程地震烈度图动态修正及自动出图。
由于地震应急救援工作时间紧迫，震后快速高效产出地震应急专题图十分重要（席楠等，2016）。现阶段，地震应急专题图的快速生成技术已十分成熟，普遍采用的是模板匹配法，即首先利用专业的GIS软件平台，设计并研制地震应急专题图模板，然后基于ArcGIS Engine组件式开发技术或Python语言、Arcpy包进行二次开发（魏艳旭等，2014， 2016；孙哲等，2016；韩贞辉等，2020），从而建立脱离GIS桌面软件的地震应急专题图快速生成系统。该方法满足专题图自动化、规范化输出流程，在一定程度上提高了地震应急专题图制图效率。
针对现有地震烈度图存在的问题，本文基于《地震烈度图制图规范》（GB/T 38226—2019）（中华人民共和国国家市场监督管理总局等，2019）要求，研制不同幅面和版面的地震烈度图模板，并根据震后不同时段动态修正及更新烈度圈的需求，设置时间节点自动产出多期地震烈度分布图。在此基础上，基于Arc Engine组件式开发技术研发地震烈度图动态快速制图系统，实现全时程地震烈度图标准化、自动化出图，大大提高了烈度图制图效率，为地震应急指挥和应急救援提供支持。
1. 地震烈度图特点
（1）动态性
地震烈度图是政府部门第一时间了解地震破坏规模和范围最直观的方式，为政府启动应急响应等级、应急救援部署等提供依据。因此，对地震烈度圈的要求首先是快中求准，满足地震应急时效性需求。由于刚开始地震烈度圈可能不是很“准”，需要对其进行动态修正。动态修正是指利用地震三要素进行地震烈度初评估后，根据现场调查、遥感影像、无人机影像、微博、微信、手机短信、灾情上报APP等手段不断获取灾情信息，对烈度圈进行动态调整，使得地震烈度圈在数量特征和空间分布上与现场调查结果接近，辅助应急救援决策。
（2）阶段性
地震应急期一般划分为应急启动、紧急救援和过渡性安置阶段（王海鹰等，2013）。针对不同阶段，地震应急图产出需求不同。在应急启动阶段，地震烈度图主要通过地震动衰减关系或地震烈度经验衰减关系拟合得到，为初步判定地震影响范围及受灾规模，时效性要求较高，其结果可能与实际地震烈度圈的符合程度较低。在紧急救援阶段，由于现场反馈的灾情信息有限，通过卫星遥感、无人机遥感、互联网、观测台站等多种途径获取灾情信息，动态修正地震烈度圈，为指挥部提供更准确的地震烈度圈，以使确定应急救援方案、指导救援力量部署等。过渡性安置阶段以灾区现场调查信息为主，结合余震数据、星机地多源灾情信息等，勾画最终的地震烈度圈，为震后恢复重建提供依据。
（3）易读性
地震烈度图是地震灾区政府部门宏观掌握灾区情势的重要情报，是进行救灾决策和工作部署的重要参考依据。因此，地震烈度图中应展示哪些图层、用什么符号表达均应根据《地震烈度图制图规范》（GB/T 38226—2019）要求进行设计，并保证绘制的等震线处于视觉核心。最后，根据地震烈度图标题图、图件区、说明区、注释区的版式要求进行设计，生成标准化、规范化、易读性强的地震烈度图。
2. 地震烈度图动态快速制图系统设计
基于上述地震烈度图特点，研发满足其特点要求的地震烈度图动态快速制图系统，服务于地震应急救援、震后损失评估和恢复重建等工作。其中，“动态”体现地震烈度图的阶段性和动态性，能根据系统设置的时间节点，自动调用当前阶段获取的多源灾情信息，不断修正烈度圈，产出多期地震烈度专题图。“快速”反映地震烈度图的制图效率，即能在地震发生后第一时间迅速产出初评估烈度圈，随着各类灾情信息的不断涌入进行动态修正，实现全时程地震烈度图自动化出图。“易读性”体现在根据《地震烈度图制图规范》（GB/T 38226—2019）要求研制烈度图模板，实现地震烈度图的标准化产出。本文将从逻辑结构、系统功能、业务流程、功能模块耦合分析等方面对系统进行总体设计。
2.1 逻辑结构设计
地震烈度图动态快速制图系统采用B/S架构模式，由基础设施平台、数据资源库、应用支撑平台、应用层及信息安全保障体系、运行维护体系、标准规范系统构成（图1）。
图 1 地震烈度图动态制图系统架构图Figure 1. Architecture diagram of the dynamic mapping system of seismic intensity map（1）基础设施平台
基础设施平台包括服务器、数据中心、网络、安全、存储设施等硬件设备。
（2）数据资源库
数据资源库是通过解析业务逻辑层对数据需求，为系统业务提供数据的服务。数据资源涵盖地震烈度图动态快速生成所需的数据，主要包括基础空间数据库、基础属性数据库、灾情信息数据库、地震烈度模板数据库、元数据库，根据数据类型划分为不同存储方式，包括文件存储和DB存储。
（3）应用支撑平台
应用支撑平台是整体应用系统建设的基础保障，为地震烈度图动态快速生成提供通信网、ESB系统总线、报表工具、操作系统和GIS系统平台等支撑系统运行的软硬件设备。
（4）应用层
业务应用层集成了多因素控制的地震烈度初评估子系统、烈度圈动态修正子系统、烈度图快速制图子系统、地震烈度一张图展示子系统。集成后的地震烈度图快速制图系统可以在震后第一时间产出多因素控制的烈度初评估及在应急期内按时间间隔给出融合星机地多源灾情信息动态修正地震烈度圈，实现烈度圈的动态修正和烈度图快速自动出图，将地震烈度圈和居民地等各类基础信息、遥感影像、救援力量分布、救灾物资分布、离散灾情点等信息叠加展示，实现地震烈度一张图展示，为地震应急指挥和应急救援提供直观的综合信息展示。
2.2 功能设计
地震烈度图动态快速制图系统软件包括多因素控制的地震烈度初评估模块、烈度圈动态修正模块、烈度图自动制图模块、地震烈度一张图展示模块，具体功能如图2所示。
（1）多因素控制的烈度初评估模块
系统接收到地震速报自动触发或手动输入参数触发评估，启动地震烈度快速初评估，根据地震三要素获取震区附近潜在发震断层信息，根据发震区域选择合适的地震动衰减关系计算地震动参数，考虑场地局部放大效应，利用场地放大系数校正由衰减关系计算的地震动参数，参照《中国地震烈度表》（GB/T 17742—2008）（中华人民共和国国家质量监督检验检疫总局等，2009）中的地震烈度与地震动参数的关系，将其转换为地震烈度，绘制地震烈度等值线，生成初评估地震烈度圈。
（2）烈度圈动态修正模块
烈度圈动态修正子系统提供自适应修正和专家修正模式。以时间节点为轴，每次地震触发后持续监听当前时间，到达预先设置的时间节点后，系统调用本次地震获取的离散烈度点进行自适应修正，并将每次修正结果进行保存。同时，到达或未到时间节点时均可通过人工干预进行局部修正或自动拟合，也可以进行基于专家经验的烈度圈调整，主要是将余震序列、地震破裂方向、震源机制、地形地貌、多源灾情信息等展示在地图中，基于专家经验，运用旋转、平移、缩放、点编辑、平滑等工具实现地震烈度圈的手动勾画。
（3）烈度图自动制图模块
烈度图自动制图子系统包括专题图分类管理模块、专题图模板管理模块、专题图输出参数管理模块、专题图图册管理模块和专题图自动生成模块。根据《地震烈度图制图规范》（GB/T 38226—2019），定制达到准出版标准的不同幅面和版面的地震烈度图模板，在建立烈度图模板库的基础上，实现模板管理，对烈度模板库进行统一管理。针对每次地震事件生成的专题图结果文件进行管理，并能导出矢量图和自动打印符合绘制规范的地震烈度图，为地震应急各阶段及应急指挥、现场救援、物资调度、余震趋势判断、恢复重建等工作提供地震烈度图。
（4）烈度一张图展示模块
烈度一张图展示子系统包括专题图展示模块、专题图输出模块和专题图图册输出模块。专题图展示模块将地震烈度圈和居民地等各类基础信息、遥感影像、救援力量分布、救灾物资分布、离散灾情点等信息叠加展示，实现地震烈度一张图展示，并可投影到应急技术指挥大厅屏幕，为应急指挥决策提供依据。专题图输出模块通过研制不同震级、不同幅面和版面的地震烈度图模板，导出矢量图并自动打印符合绘制规范的地震烈度图。专题图图册输出模块可获取该地震事件产出的全套专题图图册，支持手动选择或批量输出矢量图。
2.3 业务流程设计
利用地震烈度图动态制图系统获取不同阶段地震烈度专题图时，各功能模块之间的数据流按一定数据导向进行相互调用，根据系统的逻辑结构和功能结构设计，对系统总体业务流程进行设计，如图3所示。
系统实时接收地震速报，随后自动触发评估或手动输入参数触发评估；获取地震三要素后开启执行地震烈度初评估流程，根据发震区选择合适的地震动衰减模型，计算每个公里格网点基岩PGA、PGV值，结合场地类别分区数据，得到土层放大系数空间分布，进行场地校正，得到地表PGA、PGV值，依据《中国地震烈度表》（GB/T 17742—2008）中的地震烈度与地震动参数关系进行烈度换算，得到地表烈度，并绘制烈度圈等值线，生成初评估地震烈度圈，调用地震烈度图制图模板，并与基础数据叠加，产出地震烈度初评估相关专题图。
地震初评估烈度圈生成后，系统可监听修正事件。事件触发后，首先判断该事件是否为专家修正，如果是，则导入余震、震源机制解、破裂方向、地形地貌等多源数据，与烈度圈进行叠加显示，行业专家基于自身经验利用系统提供的修正工具包进行手动修正，生成烈度圈，并根据地震烈度圈模板生成专题图；如果不是，则获取当前地震所接收的灾情，对灾情进行预处理，利用多源灾情信息与烈度转换模型生成离散烈度点，并判断修正事件是否进行灾情拟合。如果进行灾情拟合，基于离散烈度点生成烈度圈及专题图；否则在现有烈度圈的基础上，基于离散灾情点进行局部自适应修正，经过修正后生成专题图。每次生成专题图后，用户可查看专题图并下载。系统会继续判断当前地震是否已经完成了所有阶段的修正，如果完成，则结束整个流程，否则回到修正事件的监听，继续监听下次修正事件。
基于各阶段获得的烈度圈矢量数据，将地震烈度圈和居民地等各类基础信息、遥感影像、救援力量分布、救灾物资分布、离散灾情点等信息叠加展示，实现地震烈度一张图展示，为地震应急指挥和应急救援提供直观的综合信息展示。
2.4 功能模块耦合分析
本系统采用模块化思想，各功能模板可以完全独立或者具备一定的松散耦合关系。以业务流程为驱动，部分功能模块需要依赖其他模块的分析结果，如烈度图自动制图模块需要依赖于初评估模块生成的初评估烈度圈或者烈度圈动态修正模块生成的修正烈度圈。因此，模块间均采用非直接耦合或者数据耦合的方式进行关联，以保证各模块的独立性。根据本系统业务流程和各模块间数据的流动，绘制本系统各功能模块的耦合关系，如图4所示。由图 4 可知，当地震发生后，直接触发地震烈度初评估模块生成初评估矢量烈度圈，该数据一方面可以流入烈度图自动制图模块，结合预先制定的MXD模板，产出地震烈度专题图；另一方面可以进入烈度一张图展示模块，叠加居民地等各类基础信息、灾情信息、救援力量等信息，在大屏上清晰直观展示；可以为烈度圈动态修正的输入，在此基础上，根据灾情信息和系统提供的修正工具修正后，生成修正烈度圈，作为烈度图自动制图模块、烈度一张图展示模块和烈度圈动态修正模块的输入。
3. 地震烈度图动态快速制图系统实现及案例应用
在地震烈度图动态快速制图系统整体架构下，在规范的地震烈度图模板库研发基础上，本文采用B/S模式，基于Arc Engine组件式开发技术研发了地震烈度图动态快速制图系统。该系统可在接到正式地震速报15 min内给出多因素控制的地震烈度快速初评估结果，按照6 h、12 h、24 h、36 h、48 h、60 h、72 h等阶段给出地震烈度修正结果，并根据研制的地震烈度图制图模板，动态产出多期地震烈度专题图。
3.1 系统实现
该系统采用Spring Boot微服务架构模型，以前后端分离的开发方式，将系统分为前端工程和后台业务服务工程。前端着重页面逻辑与用户交互体验，后端着重服务资源提供、自动化服务调度、数据引擎以及专题图出图引擎的计算实现。以较低粒度的方式，实现服务模块化、专一化，降低后期的维护成本与难度，同时提高系统的稳定性、可靠性。
该系统主界面如图5所示，系统左边界面为主要功能菜单，包括地震烈度初评估、烈度圈修正、烈度图制图和一张图。界面最上方是标题栏，未执行任何功能时当前事务不出现，执行某功能时滚动显示当前运行节点。界面主体为地图窗口，为地震烈度图动态修正、各类信息的可视化提供底图。地图窗口上方横条展示目前使用过的功能，点击想要使用的功能名称可以直接跳转到该功能，点击“×”可使其不显示在该状态栏上，右上方可展示二级菜单的功能及图层控制按钮，控制图层的显隐，左上方竖行滚动条控制地图比例尺缩放，左下方为地图鹰眼。
3.2 案例应用
本文通过历史地震案例对系统功能进行验证，以四川省九寨沟7.0级地震为例。收集整理四川省基础地理信息数据、场地分类格网数据、地质构造数据、九寨沟余震数据等信息，并根据系统制定的灾情模板模拟九寨沟地震灾情信息，用于演示地震动态产出各阶段地震烈度专题图产出。
首先，调用系统地震事件触发功能，手动输入九寨沟地震参数触发地震，启动评估。3 min内根据多因素控制的地震烈度初评估模型生成初评估烈度圈，并在1 min内产出初评估地震烈度专题图，如图6所示。然后，采用人工干预的模式导入预先模拟的灾情信息并选定时间阶段，2 min内根据多源灾情信息与烈度转换模型将其转换成离散烈度点，并基于自适应局部修正模型自动进行动态修正烈度圈，当人工判读离散烈度点在空间均匀分布时，手动触发灾情拟合，1～2 min完成烈度圈自动修正，并保存1次修正记录。同时，在设定时间段全过程中均可进行专家修正，并保存每次修正记录，修正记录结果如图7所示。最后，将修正烈度圈矢量数据叠加到预先制定的MXD地震烈度专题图模板上，并于1 min内产出当前阶段的地震烈度图，生成的部分烈度圈专题图如图8所示。
4. 结论
本文介绍了地震烈度图的基本特点，明确了地震烈度专题图制作及产出需求，阐述了地震烈度图动态快速制图系统逻辑结构设计、功能设计、业务流程设计和各功能模块耦合关系。在此基础上，根据标准规范研制了满足要求的地震烈度图模板，基于Arc Engine组件式开发技术研发了一套地震烈度图动态制图系统，实现了地震烈度图标准化和自动化产出。该系统不仅提高了地震烈度图制图效率，而且提升了对烈度圈动态修正的能力，实现了全时程地震烈度图的快速制图，可以为地震应急救援、震后损失评估、恢复重建等提供科学依据。
-
图 5 混合输入网络模型与传统全连接网络模型目标值与预测值散点分布
Figure 5. Scatter distribution of target value and predicted value of hybrid input model and traditional model
图 6 各神经网络模型的Person相关系数
Figure 6. Person correlation coefficient of neural network models
图 8 混合神经网络框架下PGA、PGV、PGD模型在各类场地中残差分布
Figure 8. Residual distribution of hybrid neural network model in each site
表 1 数据参数范围
Table 1. Data parameter range
输入参数 范围 震级MW 1.9 ～ 9.0 震源深度/km 3 ～682 震中距/km 0.22～ 1217.50 地表峰值加速度/Gal 1～ 2430 
下载: 导出CSV
表 2 NERPH场地分类标准
Table 2. NERPH site classification criteria
地表以下30 m范围内土层等效剪切波速
VS30 /（m·s−1）场地类别 VS30 > 1500 A 760<VS30≤ 1500 B 360<VS30≤760 C 180<VS30≤360 D VS30≤180 E
下载: 导出CSV
表 3 各神经网络模型散点拟合斜率
Table 3. Scatter fitting weight of neural network models
网络模型 PGA PGV PGD 训练集 测试集 训练集 测试集 训练集 测试集 DNN 0.800 0.802 0.870 0.866 0.841 0.836 CNN+DNN 0.899 0.903 0.922 0.922 0.876 0.870
下载: 导出CSV
表 4 不同模型评价指标
Table 4. Evaluation indexes of different models
参数 模型 MSE MAE R2 误差/% PGA CNN+DNN 1.62×10−3 3.12×10−2 0.901 15.3% DNN 3.26×10−3 4.48×10−2 0.805 21.6% 经验公式 4.82×10−3 5.91×10−2 0.490 42.2% PGV CNN+DNN 1.50×10−3 3.00×10−2 0.918 43.6% DNN 2.41×10−3 3.89×10−2 0.868 47.5% 经验公式 4.93×10−3 6.01×10−2 0.421 60.1% PGD CNN+DNN 3.40×10−3 4.50×10−2 0.853 61.3% DNN 3.70×10−3 4.70×10−2 0.836 64.7% 经验公式 5.22×10−3 6.31×10−2 0.396 72.9%
下载: 导出CSV
表 5 各网络模型残差的均值、方差、标准差统计
Table 5. Statistics of mean, variance and standard deviation of residuals of neural network models
网络模型 PGA PGV PGD 均值 方差 标准差 均值 方差 标准差 均值 方差 标准差 DNN −0.022 0.237 0.486 −0.021 0.231 0.480 −0.017 0.569 0.754 CNN+DNN 0.019 0.119 0.344 −0.018 0.139 0.373 0.015 0.518 0.720
下载: 导出CSV
表 6 混合网络模型在各场地中残差的均值、方差、标准差统计
Table 6. Statistics of mean, variance and standard deviation of residuals of mixed network models
场地类型网络模型 PGA PGV PGD 均值 方差 标准差 均值 方差 标准差 均值 方差 标准差 B 0.023 0.123 0.351 0.005 0.138 0.372 0.009 0.489 0.699 C 0.027 0.123 0.350 −0.008 0.151 0.389 0.039 0.538 0.734 D 0.014 0.098 0.313 −0.019 0.121 0349 −0.002 0.486 0.697 E 0.323 0.181 0.425 −0.050 0.155 0.394 0.110 0.662 0.814
下载: 导出CSV
-
薄景山,李秀领,刘红帅,2003. 土层结构对地表加速度峰值的影响. 地震工程与工程振动,23(3):35−40. doi: 10.3969/j.issn.1000-1301.2003.03.006Bo J. S., Li X. L., Liu H. S., 2003. Effects of soil layer construction on peak accelerations of ground motions. Earthquake Engineering and Engineering Vibration, 23(3): 35−40. (in Chinese) doi: 10.3969/j.issn.1000-1301.2003.03.006 董凯月,2020. 基于深度神经网络的地下地震动参数预测研究. 哈尔滨:哈尔滨工业大学.Dong K. Y. ,2020. Study on the Prediction of underground motion parameters based on depth neural network. Harbin:Harbin University of Technology. (in Chinese) 胡安冬,张海明,2020. 机器学习在地震紧急预警系统震级预估中的应用. 地球物理学报,63(7):2617−2626. doi: 10.6038/cjg2020N0070Hu A. D., Zhang H. M., 2020. Application of machine learning to magnitude estimation in earthquake emergency prediction system. Chinese Journal of Geophysics, 63(7): 2617−2626. (in Chinese) doi: 10.6038/cjg2020N0070 胡进军,谢礼立,2005. 地震动幅值沿深度变化研究. 地震学报,27(1):68−78. doi: 10.3321/j.issn:0253-3782.2005.01.008Hu J. J., Xie L. L., 2005. Variation of earthquake ground motion with depth. Acta Seismologica Sinica, 27(1): 68−78. (in Chinese) doi: 10.3321/j.issn:0253-3782.2005.01.008 吕悦军,彭艳菊,兰景岩等,2008. 场地条件对地震动参数影响的关键问题. 震灾防御技术,3(2):126−135. doi: 10.3969/j.issn.1673-5722.2008.02.003Lv Y. J., Peng Y. J., Lan J. Y., et al., 2008. Some key problems about site effects on seismic ground motion parameters. Technology for Earthquake Disaster Prevention, 3(2): 126−135. (in Chinese) doi: 10.3969/j.issn.1673-5722.2008.02.003 万永革,李鸿吉,1995. 人工神经网络在地球物理中的应用综述. 国际地震动态,16(1):9−14.Wan Y. G., Li H. J., 1995. An overview of the application of artificial neural network in geophysics. Recent Developments in World Seismology, 16(1): 9−14. (in Chinese) 徐龙军,谢礼立,胡进军,2006. 地下地震动工程特性分析. 岩土工程学报,28(9):1106−1111. doi: 10.3321/j.issn:1000-4548.2006.09.011Xu L. J., Xie L. L., Hu J. J., 2006. Analysis on engineering characteristics of sub-ground motions. Chinese Journal of Geotechnical Engineering, 28(9): 1106−1111. (in Chinese) doi: 10.3321/j.issn:1000-4548.2006.09.011 薛俊伟,刘伟庆,王曙光等,2013. 基于场地效应的地震动特性研究. 地震工程与工程振动,33(1):16−23.Xue J. W., Liu W. Q., Wang S. G., et al., 2013. Research on ground motion characteristics considering site conditions. Earthquake Engineering and Engineering Vibration, 33(1): 16−23. (in Chinese) 于子叶,储日升,盛敏汉,2018. 深度神经网络拾取地震P和S波到时. 地球物理学报,61(12):4873−4886. doi: 10.6038/cjg2018L0725Yu Z. Y., Chu R. S., Sheng M. H., 2018. Pick onset time of P and S phase by deep neural network. Chinese Journal of Geophysics, 61(12): 4873−4886. (in Chinese) doi: 10.6038/cjg2018L0725 Ahmad I., El Naggar M. H., Khan A. N., 2008. Neural network based attenuation of strong motion peaks in Europe. Journal of Earthquake Engineering, 12(5): 663−680. doi: 10.1080/13632460701758570 Atkinson G. M., 2001. An alternative to stochastic ground-motion relations for use in seismic hazard analysis in eastern North America. Seismological Research Letters, 72(2): 299−306. doi: 10.1785/gssrl.72.2.299 Borcherdt R. D. , 2012. VS30-A site-characterization parameter for use in building Codes, simplified earthquake resistant design, GMPEs, and ShakeMaps. In: The 15th World Conference on Earthquake Engineering. Lisbon: USGS. Chicco D., Warrens M. J., Jurman G., 2021. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7: e623. doi: 10.7717/peerj-cs.623 Derras B., Bard P. Y., Cotton F., 2014. Towards fully data driven ground-motion prediction models for Europe. Bulletin of Earthquake Engineering, 12(1): 495−516. doi: 10.1007/s10518-013-9481-0 Dhanya J., Raghukanth S. T. G., 2018. Ground motion prediction model using artificial neural network. Pure and Applied Geophysics, 175(3): 1035−1064. doi: 10.1007/s00024-017-1751-3 Dokht R. M. H., Kao H., Visser R., et al., 2019. Seismic event and phase detection using time-frequency representation and convolutional neural networks. Seismological Research Letters, 90(2A): 481−490. doi: 10.1785/0220180308 Kerh T., Chu D., 2002. Neural networks approach and microtremor measurements in estimating peak ground acceleration due to strong motion. Advances in Engineering Software, 33(11-12): 733−742. doi: 10.1016/S0965-9978(02)00081-9 Khosravikia F. , Zeinali Y. , Nagy Z. , et al. , 2018. Neural network-based equations for predicting PGA and PGV in Texas, Oklahoma, and Kansas. In: Brandenberg S. J. , Manzari M. T. , eds. , Geotechnical Earthquake Engineering and Soil Dynamics V: Seismic Hazard Analysis, Earthquake Ground Motions, and Regional-Scale Assessment. Austin: American Society of Civil Engineers, 538−549. Quinino R. C., Reis E. A., Bessegato L. F., 2013. Using the coefficient of determination R2 to test the significance of multiple linear regression. Teaching Statistics, 35(2): 84−88. doi: 10.1111/j.1467-9639.2012.00525.x Schober P., Boer C., Schwarte L. A., 2018. Correlation coefficients: appropriate use and interpretation. Anesthesia & Analgesia, 126(5): 1763−1768. Shahriari B., Swersky K., Wang Z. Y., et al., 2016. Taking the human out of the loop: a review of Bayesian optimization. Proceedings of the IEEE, 104(1): 148−175. doi: 10.1109/JPROC.2015.2494218 Thomas S., Pillai G. N., Pal K., et al., 2016. Prediction of ground motion parameters using randomized ANFIS (RANFIS). Applied Soft Computing, 40: 624−634. doi: 10.1016/j.asoc.2015.12.013 Wang Y. W., Li X. J., Wang Z. F., et al., 2021. Deep learning for P-wave arrival picking in earthquake early warning. Earthquake Engineering and Engineering Vibration, 20(2): 391−402. doi: 10.1007/s11803-021-2027-6 Zhu W. Q., Beroza G. C., 2019. PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261−273. 期刊类型引用(6)
1. 何跃，张少斐. 基于Geoserver的地震变化数据自动化监测可视化系统. 自动化与仪器仪表. 2024(06): 122-126 . 
百度学术2. 张树君，王青平，朱耿青，郑超，王辉山. 基于GIS的台湾地区地震应急专题图规范设计与应用. 华南地震. 2023(01): 89-98 . 百度学术3. 倪俊. 突发性泥石流对水源污染的危害性评估研究. 环境科学与管理. 2023(05): 184-189 . 百度学术4. 段乙好，郑通彦，陈雅慧，文鑫涛，任静. 面向应急指挥的地震应急专题图可视化方案探讨. 华北地震科学. 2023(03): 8-14 . 百度学术5. 夏军. 基于百度地图API的地震应急制图系统研究. 乐山师范学院学报. 2022(04): 38-44 . 百度学术6. 孔敏，余佳，田先德，舒雨婷，史潇潇. 基于数据驱动的海洋重力专题图快速成图技术与应用. 海洋信息技术与应用. 2022(01): 1-9 . 百度学术其他类型引用(2)
-
下载:
点击查看大图
计量
- 文章访问数: 86
- HTML全文浏览量: 52
- PDF下载量: 5
- 被引次数: 8
