论文标题：Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting

论文链接：https://www.mdpi.com/2624-795X/5/4/59

期刊名：GeoHazards

期刊主页：https://www.mdpi.com/journal/geohazards

研究背景

地震预测一直是地球科学领域最具挑战性的课题之一，其复杂性源于地震活动的非线性特征和多重时空尺度相互作用。传统统计模型在捕捉地震活动的复杂时空模式方面存在明显局限，难以准确预测地震发生的时间、地点和强度。近年来，随着深度学习技术的快速发展，特别是神经网络和Transformer架构在处理大规模序列数据方面的卓越表现，为地震预测研究开辟了新途径。然而，现有研究对预训练基础模型和现代深度学习架构在地震临近预测中的综合评估仍显不足，特别是针对地震数据特有的时空依赖关系和多尺度特征的建模能力有待深入探索。来自美国弗吉尼亚大学的Geoffrey Fox教授及其团队在GeoHazards期刊发表文章，通过系统分析不同架构的性能，并提出两种创新方法——多基础模型集成方法和图神经网络编码器，提升地震临近预测的准确性。

研究内容

本研究聚焦美国南加州地区（北纬32°至36°，西经114°至120°），将1986-2024年的地震数据按0.1°×0.1°的空间网格划分为2400个空间单元，从中筛选出500个地震活动最频繁的网格作为研究对象。研究团队创新性地将地震临近预测转化为时间序列预测问题，采用对数能量释放量作为关键指标，计算公式为logEn=1/1.5×log10(∑10^(1.5×mquake))，其中mquake表示地震震级。通过计算每14天时间窗口内的累计对数能量释放量，构建了每个空间单元的地震时间序列，为深度学习模型提供了标准化输入。

研究团队系统评估了六种预训练基础模型（iTransformer、PatchTST、TimeGPT、Time-LLM、Chronos和TSMixer）的性能，并创新性地提出了"多基础地震模型"（Multi Foundation Quake）和"图神经网络编码器"（GNNCoder）两种新型架构。多基础地震模型通过整合多个基础模型的输出，利用LSTM或GAT作为模式网络，实现了预测性能的显著提升。GNNCoder则基于地理邻近性构建空间图结构（ε=0.15°），采用图注意力网络捕捉空间单元的相互作用，其1层GAT架构在测试中表现出色。实验结果表明，这两种新模型在均方误差（MSE）、平均绝对误差（MAE）和标准化纳什效率系数（NNSE）等指标上均优于传统方法，其中多基础地震模型2型的NNSE达到0.6175，展现了卓越的预测能力。

研究还深入分析了不同预训练数据集对模型性能的影响。结果显示，在TrafficL（交通流量）和Weather（气象）数据集上预训练的模型表现较好，说明具有时空相似性的预训练数据有助于提升地震预测性能。相比之下，在M4（通用时间序列）数据集上预训练的模型表现较差，突显了领域适配的重要性。特征工程分析表明，引入"多重性"（Multiplicity，超过阈值震级3.29的地震计数）和指数移动平均（EMA）等科学特征能进一步提升模型性能，但由于基础模型的输入结构限制，这些特征难以直接整合，这为未来研究指明了改进方向。

研究总结

本研究通过系统评估多种深度学习架构在地震临近预测中的应用，取得了若干重要发现。首先，创新提出的多基础地震模型通过整合多个预训练模型的优势，实现了预测性能的显著提升，证明了模型融合策略在地震预测领域的有效性。其次，图神经网络编码器展现了捕捉空间依赖关系的独特能力，其基于地理邻近性构建的图结构为地震空间建模提供了新思路。研究还揭示了预训练数据选择的关键作用——具有时空特性的数据集（如交通流量和气象数据）能带来更好的迁移学习效果，而通用时间序列数据集则效果有限，这一发现对领域适应性研究具有重要启示。

本研究的实际意义在于，即使预测指标上的改进看似微小，但对地震这种低频率高影响事件而言，任何准确度的提升都可能显著增强早期预警能力，为防灾减灾提供宝贵时间。未来研究可沿多个方向拓展：改进图结构构建方法以更好地整合断层信息；开发混合模型结合时空特征；探索更多领域特定的预训练策略；以及将方法应用于其他地震活跃区。这些进展将有助于缩小先进深度学习技术与实际地震预测应用之间的差距，最终为保护生命财产安全做出贡献。

GeoHazards期刊介绍

主编：Prof. Dr. Zhong Lu, Roy M. Huffington Department of Earth Sciences, Southern Methodist University, Dallas, TX 75275, USA

Dr. Tiago Miguel Ferreira, Instituto Superior Técnico (IST), University of Lisbon, Av. Rovisco Pais, 1049-001 Lisbon, Portugal

期刊发表范围涵地球物理/地质灾害、气候及气候变化相关灾害、气象灾害、水文灾害、块体运动灾害以及人为和技术灾害等研究领域。自2020年创刊以来，被ESCI、Scopus、GeoRef等多个权威数据库收录。