WaveCastNet：基于深度序列到序列学习的地震早期预警波场快速预测
机器学习
2025-10-28 v2 地球物理
摘要
我们提出一种新的深度学习模型 WaveCastNet，用于预测高维波场。WaveCastNet 将卷积长期记忆架构集成到序列到序列预测框架中，使其能够在空间和时间维度上建模长期依赖性和多尺度模式。通过在空间和时间维度之间共享权重，WaveCastNet 的参数数量显著少于诸如 Transformer 等资源密集型模型， 从而实现更快的推理速度。关键的是，WaveCastNet 在稀有和关键地震情景（如大震）方面也能更好地泛化。本文展示了该模型能够实时预测破坏性地面运动的强度和 timing，使用来自旧金山湾区的模拟数据。此外，我们演示了 WaveCastNet 在真实地震数据上的 zero-shot 能力。该方法无需估计地震震级和震中位置，这些步骤在传统方法中容易出错， 也不依赖经验地面运动模型， 后者往往难以捕捉强烈各向异性波传播效应。
关键词
引用
@article{arxiv.2405.20516,
title = {WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning},
author = {Dongwei Lyu and Rie Nakata and Pu Ren and Michael W. Mahoney and Arben Pitarka and Nori Nakata and N. Benjamin Erichson},
journal= {arXiv preprint arXiv:2405.20516},
year = {2025}
}