地震时空预测的时序基础模型与深度学习架构

推进地震即时预测，即对地震活动的实时预测，仍是降低伤亡的关键且持久的目标，这一多方面的挑战最近在深度学习领域受到了关注，由于大量长期地震数据集的可用性。尽管取得了显著进展，但现有文献在评估预训练基础模型和现代深度学习架构方面缺乏全面的评估。这些架构，如变压器或图神经网络，独特地关注数据的不同方面，包括空间关系、时间模式和多尺度依赖性。本文通过分析不同架构并引入两种创新方法（MultiFoundationQuake和GNNCoder）来填补上述差距。我们将地震即时预测建模为在美国南加州从1986年到2024年年以0.1度空间网格内未来14天的时序预测问题。地震时序数据以地震释放能量的对数函数进行预测。我们的全面评估采用多个关键绩效指标，包括Nash-Sutcliffe效率和均方误差，按时间和每个空间区域进行评估。结果表明，我们引入的模型有效地捕捉了地震数据中固有的时空关系，优于其他定制架构。现有基础模型的性能根据预训练数据集而有很大差异，强调选择合适数据集的重要性。然而，我们提出了一种新的通用方法，称为MultiFoundationPattern，将一种独特模式与基础模型结果（作为辅助流）相结合。在地震案例中，所得MultiFoundationQuake模型实现了最佳整体性能。