QuakeFormer：面向地震地面运动预测的统一方法
地球物理
2024-12-03 v1
摘要
地面运动预测（GMP）模型是减灾的关键工具，在地震前、中、后三个阶段均发挥重要作用。这三个阶段分别对应强度预测、早期预警和插值模型，用于评估风险。鉴于数值方法成本高昂、统计方法过于简化，深度学习方法致力于提供精准且接近实时的地面运动预测。当前方法受限于专用架构，忽略了这三个任务之间的相互关联。此外，对绝对和相对空间依赖关系建模不足，导致将认识论不确定性误认为随机变异性。本文引入QuakeFormer，一个统一的深度学习架构，将这三个任务整合到一个框架中。我们设计了基于多站点的Transformer架构和灵活的掩码策略，用于训练QuakeFormer。这种数据驱动的方法使模型能够直接从真实地震记录中学习空间地面运动依赖关系， incorporating 包括绝对和相对空间坐标的位置嵌入。结果表明，在我们的研究区域内，本模型在所有三个任务上均超越了当前最先进的地面运动预测模型。我们还发现，预训练统一的预测和插值模型可提高早期预警任务的性能。QuakeFormer提供了一种灵活的方法，直接学习和建模地面运动，为地震科学和工程学提供了宝贵的见解和应用。
引用
@article{arxiv.2412.00815,
title = {QuakeFormer: A Uniform Approach to Earthquake Ground Motion Prediction Using Masked Transformers},
author = {Yitian Feng and Weiqiang Zhu and Xinzheng Lu},
journal= {arXiv preprint arXiv:2412.00815},
year = {2024}
}