最小信息下的神经地震预测：限制、可解释性与马尔可夫结构的作用
地球物理
2025-09-19 v1
摘要
地震序列的预测仍是地震学中的核心挑战，特别是在非平稳条件下。虽然深度学习模型在这方面显示出前景，但它们在跨时间上的泛化能力仍不为人知。我们在地区目录上使用时间分层交叉验证，对神经网络和混合（神经网络加马尔可夫）模型进行了短期地震预测评估。模型在目录的早期部分进行训练，在未来不可见的事件上进行评估，以实现真实的时序泛化评估。我们发现，尽管这些模型在验证数据上优于纯马尔可夫模型，但其测试性能在最新的第五分位数中显著下降。详细的归因分析揭示了特征相关性随时间的变化，后期数据表现出更简单、更符合马尔可夫行为的特征。为支持可解释性，我们应用集成梯度（Integrated Gradients）等可解释人工智能方法来分析模型如何依赖于不同的输入特征。这些结果突显了过度拟合早期地震活动模式的风险，并强调了采用时间上真实基准的重要性。我们得出结论，预测技能是内在的且随时间而变的，受益于将物理先验与数据驱动方法相结合。
引用
@article{arxiv.2509.14661,
title = {Neural Earthquake Forecasting with Minimal Information: Limits, Interpretability, and the Role of Markov Structure},
author = {Jonas Koehler and Nishtha Srivastava and Kai Zhou and Claudia Quinteros and Johannes Faber and F. Alejandro Nava},
journal= {arXiv preprint arXiv:2509.14661},
year = {2025}
}