典型文献
地震动强度参数估计的可解释性与不确定度机器学习模型
文献摘要：
准确预测地震动强度参数(峰值加速度PGA、峰值速度PGV等)对于震后应急和地震危险性概率分析至关重要.作为地震动强度参数预测的新手段,机器学习算法具有优势,但也存在可解释性差和难给出预测结果不确定度的问题.本文提出采用自然梯度提升(NGBoost)算法在预测结果的同时提供其不确定度,并结合SHAP值解释机器学习模型.基于NGA-WEST2强震动数据库,本文训练出了适合预测活跃构造区地壳地震的PGA和PGV概率密度分布的机器学习模型.测试集数据PGA和PGV的预测值与真实值的相关系数可达0.972和0.984,并可给出预测结果的合理概率密度分布.通过SHAP值,我们从数据角度弄清了各输入特征(矩震级MW、Joyner-Boore断层距Rjb,地下30 m平均S波速度Vs30、滑动角Rake、断层倾角Dip、断层顶部深度ZTOR和VS达到2.5 km·s-1时的深度Z2.5)对机器学习模型预测结果的影响机理.SHAP值显示,基于NGBoost算法的机器学习模型的预测方式基本与物理原理相符,说明了机器学习模型的合理性.SHAP值还揭示出一些以往研究忽视的现象:(1)对于活跃构造区地壳地震,破裂深度较浅(ZTOR＜～5 km)时,ZTOR的SHAP值低于破裂深度较深(ZTOR＞～5 km)时的值,表明浅部破裂可能主要受速度强化控制,地震动强度较弱.并且ZTOR的SHAP值随ZTOR值增大而减小,表明地震动强度可能还受破裂深度变化引起的几何衰减变化影响;(2)破裂深度较深时,ZTOR的SHAP值随ZTOR值增大而增大,表明深部破裂的地震动强度可能受和破裂深度变化相关的应力降或品质因子Q的变化影响;(3)Z2.5较小(Z2.5＜～1 km)时,Z2.5的SHAP值的变化规律对于PGA和PGV预测是相反的,表明加速度和速度频率不同,受浅层沉积物厚度变化引起的共振频率变化影响不同.
文献关键词：
强地面运动;可解释机器学习;自然梯度提升;地质灾害
中图分类号：
作者姓名：
陈蒙;王华
作者机构：
电子科技大学资源与环境学院,成都 611731;电子科技大学(深圳)高等研究院,广东深圳 518110
文献出处：
引用格式：
[1]陈蒙;王华-.地震动强度参数估计的可解释性与不确定度机器学习模型)[J].地球物理学报,2022(09):3386-3404
A类：
NGBoost,WEST2,Rjb,Rake,ZTOR
B类：
地震动强度参数,参数估计,可解释性,机器学习模型,准确预测,测地,峰值加速度,PGA,峰值速度,PGV,震后,地震危险性,概率分析,参数预测,新手,机器学习算法,结果不确定度,自然梯度提升,SHAP,NGA,强震动,练出,构造区,地壳,概率密度分布,测试集,真实值,弄清,各输,输入特征,矩震级,MW,Joyner,Boore,波速,Vs30,滑动角,断层倾角,Dip,VS,Z2,物理原理,较浅,深度变化,变化影响,深时,深部,应力降,品质因子,浅层沉积物,共振频率,频率变化,强地面运动,可解释机器学习,地质灾害
AB值：
0.288369
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
