運用注意力機制神經網路於PGV現地型地震預警
Attention-based Neural Network for Onsite PGV Earthquake Early Warning
黃鼎中(Ting-Chung Huang)
國立臺灣大學地質研究所
前言
現地型地震預警運用了單測站初始數秒的地動資訊來判讀是否將會有大的地震來臨，常用的判讀指標有地動最大位移(Pd) (Wu & Zhao, 2006)和主地動頻率(TauC) (Wu & Kanamori, 2005)。雖說這兩個指標計算需求量低，表現也堪用。但是將豐富的地動資訊壓縮成一個線性指標，難免是以管窺天。機器學習的快速發展開起了新的可能性，我們嘗試從過往的完整原始地動初始資訊和最終震度來進行監督式學習，讓神經網路尋找地動資訊中可能的隱藏訊息與規律。
發展
本研究(Huang et al., 2025)延續了之前以PGA為震度標準的機器學習探索(Wang et al., 2022)而將震度標準轉移到與建物震損關連的PGV。跟據過往經驗，PGV是相對困難由初始地動預估的。有鑑於此，我們採用了三個特殊的設計策略。(一)使用了能夠自動判斷地動時間序列重要段落的注意力機制神經網路(Vaswani et al., 2017; Wu et al., 2020)。架構詳見圖一。(二)納入了估計量化的測站修正量(Huang & Wu, 2023)為訓練特徵來描述測站間的震度表現差異性。(三)由於高PGV事件非常稀少，我們整合了日本地震資料進行遷移學習。
成果與展望
在集結四個具代表性的獨立地震測試資料集上，本研究的注意力機制架構在預警精準度和預警時間的綜合評量上領先傳統Pd方法和先前的LSTM架構(Wang et al., 2022)。圖二為四個事件之一的2016美濃地震對三種方法的現地預警效能比較。這證實了機器學習能夠很好的改善PGV地震預警。在進一步模型表現比較下，我們發現(一)特定的測站修正量能夠增進預測能力。(二)預警標籤的時間序列的形態能夠左右預警精準度與預警時間。從另一角度說，最佳的標籤形態也反映了對強地動預警的信心指數隨著時間的變化。該資訊可能是回答為什麼地震預警有效的重要線索。
圖一、本研究設計的注意力機制神經網路。在下方Encoder和Decoder是輸入地動資訊時間序列。上方是輸出強烈地動機率(範圍從0到1)。
圖二、現地地震預警效能比較，以2016美濃地震為例。三角型代表真陽性測站，五角型代表偽陰性測站，正方型代表真陰性測站，菱型代表偽陽性測站。(a) LSTM模型。(b) 傳統Pd方法。(c) 本研究的注意力模型。
參考文獻
Huang, T.-C., Liu, T.-L., Yang, B. M., & Wu, Y.-M. (2025). Attention-Based Neural Network for Onsite Peak Ground Velocity Earthquake Early Warning. Seismological Research Letters, 97(1), 256–271. https://doi.org/10.1785/0220240496
Huang, T.-C., & Wu, Y.-M. (2023). Improving Earthquake Early Warning Initial Peak Ground Motion Magnitude Estimation with Station Corrections: A Case Study Using the P-Alert Network in Taiwan. Journal of Earthquake Engineering, 28(6), 1532–1551. https://doi.org/10.1080/13632469.2023.2245498
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is All you Need. In Advances in Neural Information Processing Systems 30 (NIPS 2017) (pp. 5998–6008). NeurIPS Proceedings.
Wang, C.-Y., Huang, T.-C., & Wu, Y.-M. (2022). Using LSTM Neural Networks for Onsite Earthquake Early Warning. Seismological Research Letters, 93(2A), 814–826. https://doi.org/10.1785/0220210197
Wu, N., Green, B., Ben, X., & O’Banion, S. (2020). Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case. Proceedings of the 37th International Conference on Machine Learning. https://doi.org/10.48550/arXiv.2001.08317
Wu, Y.-M., & Kanamori, H. (2005). Rapid Assessment of Damage Potential of Earthquakes in Taiwan from the Beginning of P Waves. Bulletin of the Seismological Society of America, 95(3), 1181–1185. https://doi.org/10.1785/0120040193
Wu, Y.-M., & Zhao, L. (2006). Magnitude estimation using the first three seconds P‐wave amplitude in earthquake early warning. Geophysical Research Letters, 33(16), L16312. https://doi.org/10.1029/2006gl026871