震级估计是地震预警中的重要工作之一，可靠的预警信息和破坏区域的预测都依赖于准确的震级估计。目前，地震预警震级估计主要采用频率、振幅或能量参数与震级的线性统计关系。然而，单个参数得到的震级估计结果离散性较大。因此，地震预警震级估计的准确性仍需提高。为了改进P波到达后震级估计的准确性，本文使用深度卷积神经网络建立了用于震级估计的模型（DCNN-M模型）。
研究方法及结果：
1）本文使用日本K-NET台网的强震动记录对建立的DCNN-M模型进行训练和测试。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1展示了DCNN-M模型的网络架构。
2）P波到达后3秒时，对于相同的测试数据集，Tc方法、Pd方法和DCNN-M模型的震级估计如图2所示。和Tc方法、Pd方法相比，基于DCNN-M模型的误差明显减小，且小震（M≤5）高估问题得到了有效的改善；此外，Tc方法和Pd方法的震级估计误差随震中距的变化而发生明显的变化，而基于DCNN-M模型的误差不受震中距变化的影响。
3）在P波到达后3秒时，基于DCNN-M模型对31次地震事件的离线测试如图3所示。这些地震事件的预测震级与编目震级非常接近，几乎所有的预测震级都在DCNN-M模型误差的标准差（0.31）范围内。此外，这31次地震事件的震级预测误差标准差为0.21。此外，对于7.2级以下的地震事件，DCNN-M模型获得了可靠的结果，且没有明显的震级高估和低估现象。
4）本文的研究表明：DCNN-M模型对于地震预警系统有着潜在的应用。由于本文使用的是日本K-NET台网3.0-7.4级的强震数据对DCNN-M模型进行训练，因此该模型对于7.5级以上的地震事件以及其他地区的地震事件是否适用仍需进一步的研究。
该成果发表在期刊《Frontiers in Earth Science》（Zhu Jingbao, Li Shanyou, Song Jindong*, Wang Yuan. Magnitude estimation for earthquake early warning using a deep convolutional neural network [J]. Frontiers in Earth Science, 2021, 9:653226. doi: 10.3389/feart.2021.653226）（IF：3.498，*通讯作者）。
图1 DCNN-M模型的网络架构
图2 P波到达后3秒，（A,D）Tc方法、（B,E）Pd方法和（C,F）DCNN-M模型的震级估计
图3 31次地震事件的离线应用
