1. 数据
强震数据的收集与处理：震后第一时间收集了此次地震的强震仪与烈度仪数据，台站分布图与震中分布图详见图1。
图1 2022年9月5日四川泸定6.8级地震震中及台站分布图
2. 方法与结果
（1）人工智能震级估算：采用基于川滇数据迁移学习后的人工智能DCNN-M模型进行实时震级估算，目前该模型已在福建局、四川局在线运行。DCNN-M模型使用从P波到达后记录的3s地震数据中提取的12个参数作为输入，并且该模型由四个卷积层、四个池化层、四个Batch normalization层、三个全连接层、Adam优化器和一个输出层组成。图2展示了DCNN-M模型的网络架构。
图2 人工智能DCNN-M震级估算网络架构
图3 人工智能地震预警震级估算结果随时间变化的过程
图3展示了人工智能DCNN-M震级估算结果随时间变化的过程，可以看到，在此次泸定6.8级地震中，首台触发后1秒人工智能与传统震级估算模型都可以给出震级估算结果，首台触发2秒后人工智能震级估算结果上升速率较传统震级估算模型更快，首台触发后3.5秒人工智能震级估算结果为6.2级、较传统震级估算模型更接近编目震级，随后人工智能震级估算结果知道首台触发后10秒都稳定在6.3级，与传统震级估算模型相当。
（2）基于人工智能的现地潜在破坏预测：基于多特征输入和机器学习支持向量机（SVM）分别建立震级估计和峰值速度（PGV）预测方程，这两种预测方程分别称为估计震级的SVM-M模型和预测PGV的SVM-PGV模型。设置预测震级阈值和PGV阈值分别为M=5.7和PGV=9.12 cm/s，当预测震级或PGV值超过给定阈值时，会在不同的记录点发出不同的警报级别（0、1、2、3）。警报级别3表示预测的震级和预测的PGV都超过给定的阈值，并且该记录站点可能会受到严重破坏。图4展示了该模型方法。
图4 基于人工智能的现地潜在破坏预测模型
图5 基于P波3秒数据的人工智能现地潜在破坏预测结果分布
图5展示了此次地震中，各个台站利用P波前3秒数据预测现地潜在破坏的结果，可以看到，99%以上的台站预测水准与实测水准都可以保持一致，同时可以看到，预测水准为3的台站与震后烈度分布图的长轴整体走向呈现一致性，本模型不仅可以快速预测现地台站的潜在破坏，也可为地震发生时快速预测影响场提供支撑。
3. 致谢
中国地震台网中心与中国地震局工程力学研究所为本研究提供了强震仪与烈度仪数据，福建省地震局为本研究提供了人工智能与传统震级估算产出日志。
4. 参考文献：
[1] Zhu Jingbao, Li Shanyou, Song Jindong*, WangYuan. Magnitude estimation for earthquake early warning using a deepconvolutional neural network. Frontiers in Earth Science, 2021, 9:653226. doi:10.3389/feart.2021.653226
[2] Zhu Jingbao, Li Shanyou, Ma Qiang, He Bin, SongJindong*. Support Vector Machine‐Based Rapid Magnitude Estimation UsingTransfer Learning for the Sichuan–Yunnan Region, China. Bulletin of theSeismological Society of America, 2022, doi: https://doi.org/10.1785/0120210232
[3] Jindong Song, Jingbao Zhu, Yuan Wang, ShanyouLi*. On-Site Alert-Level Earthquake Early Warning Using Machine-Learning-BasedPrediction Equations. Geophysical Journal International, 2022.https://doi.org/10.1093/gji/ggac220
