地震预警的核心工作是利用地震初期信息快速判断地震的潜在破坏区域，但是在大地震事件中，快速实时预测地震破裂的走向是制约地震潜在破坏区域确定的关键，这也是目前地震预警的难点所在。随着地震台网的密集建设，直接利用密集现地台站地震动预测代替地震动场成为研究的趋势，但目前还存在现地台站震级估计与现地地震动预测准确性差的亟待解决问题。本研究基于机器学习方法建立了现地台站的震级与地震动预测方程，在此基础上，分别以震级5.7和仪器烈度Ⅶ度作为阈值建立四水准警报判断模型，提出了一种基于机器学习的地震预警新方法。
研究方法及结果：
1）利用日本K-net强震观测加速度数据建立训练、测试、验证数据集，构建了基于多特征输入和机器学习支持向量机（SVM）的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1）
2）三次破坏性地震事件（M≥6.5）的验证结果表明，就预测PGV的SVM-PGV模型的性能而言，在P波到达后3 s，这三个事件的成功警报百分比分别高于95%、73%和94%，假警报百分比接近0。考察SVM-M模型估计震级的性能，在P波到达后3s，这三个事件的成功警报百分比超过95%，漏报百分比接近0。此外，几乎所有实测PGV≥16厘米/秒（IMM≥Ⅶ）的震中附近台站均可以发布3级警报。
3）该方法是一种新型地震预警模型，具有潜在的应用前景。（图2）
该成果发表在国际知名地球物理学期刊《Geophysical Journal International》 （Jindong Song（宋晋东）, Jingbao Zhu（朱景宝）, Yuan Wang（汪源）, Shanyou Li（李山有）*. On-Site Alert-Level Earthquake Early Warning Using Machine-Learning-Based Prediction Equations. Geophysical Journal International, 2022. https://doi.org/10.1093/gji/ggac220）（IF：2.934，*通讯作者）。
图1 基于机器学习的现地阈值水准地震预警模型
图2 三次大地震事件的警报水准预测与性能分析
