地震震级取决于地震历史——神经网络分析揭示

地震发生 notoriously difficult to predict（难以预测）。虽然一些关于其时空统计特性的方面可以较好地被点过程模型捕捉，但关于未来事件震级的了解仍很少，而且有深入的争论是否存在可能在地震开始前预测其震级。大多数操作性预测模型假设地震震级遵循时间独立的 Gutenberg-Richter（GR）分布，实际上将震级视为独立于地震历史的。我们通过展示标准震中目录携带关于未来地震震级的信息，从而使其比此前更具可预测性来回应这一根本性问题。我们提出了 MAGNET（MAGnitude Neural EsTimation model），其使用具有 LSTM 单元的多编码器神经网络架构来处理地震历史中的时空模式。通过分析震中位置、发生时间和过去事件的震级，MAGNET 生成概率性的震级预测，这些预测在控制检测伪影后，显示出相对于基于 GR 的模型在预测未来事件的震级方面拥有信息增益。在美国加州、日本和新西兰的目录中，我们的模型在平均每一次地震上实现了约 0.07 位的信息增益，且这种优势持续存在。这些结果表明，震中地震目录包含有关未来震级的可提取信息，这挑战了地震预测中传统的可分离性假设，为地震风险评估提供了新方法。