Earthquake aftershock forecasting with conditional generative models

当大规模地震发生时，地面并不会仅仅陷入死寂。在随后的数小时、数天，甚至有时是数年内，地壳会持续震动，释放出成千上万次被称为余震的小型震动。这些余震遵循着一种可预测的节奏：它们在主震发生后最为频繁，并逐渐减弱，同时其位置往往聚集在发生破裂的具体断层线上。科学家长期以来一直使用统计规则来猜测这些余震可能发生的时间和地点，将每一次震动视为广阔随机云团中的一个孤立点。这些传统方法在平均意义上表现良好，但往往无法捕捉到特定序列展开时那些混乱的、现实世界的细节。它们难以预测余震区的精确形状或特定序列会产生多少次震动，往往抹平了定义真实地震余波的那些锯齿状、沿断层分布的模式。

加州大学伯克利分校的一位研究人员开发了一种超越简单统计的新型序列预测方法。该方法不再试图逐一预测单个震动，而是训练一个计算机模型，将整个未来的地震活动景观想象成一幅单一的、不断演变的图像。这种被称为 QuakeGen 的新方法通过学习大量的历史地震数据，来理解余震如何在空间和时间上扩散。在与政府机构使用的标准方法进行对比测试时，这一新模型在精准定位余震聚集位置和活动衰减方面表现得更为准确。它成功地重现了跟随真实断层的长而窄的余震带形状，而旧模型往往会丢失这一细节，取而代之的是模糊的圆形猜测。

这项工作的核心思想在于视角的转变。传统的预测将地震序列视为一系列独立的事件，使用固定的数学公式来估算发生的次数和地点。这些公式假设余震会从主震处向各个方向均匀扩散，就像池塘里的涟漪一样。然而，真实的地震并非如此运作。余震通常沿着破裂的断层排列，形成长而拉伸的集群，反映了地下破裂的几何结构。研究人员意识到，试图单独预测每一个事件限制了他们观察大局的能力。相反，他决定将预测视为一个“场”，类似于气象学家绘制天气图的方式。他希望建立一个能够生成完整未来地震活动图的模型，展示每一小块区域内预期震动的数量以及最大震动的规模。

为了构建这个系统，研究人员使用了一种被称为“扩散模型”的人工智能技术。这种技术近期在天气预报和蛋白质结构分析等领域引发了革命，其原理是学习如何逆转一个添加噪声的过程。想象一张清晰的照片，它被逐渐覆盖上一层静电噪声，直到变成纯粹且毫无意义的颗粒。扩散模型学习如何通过一步步去除这些噪声，从而揭示出原始图像。在这项研究中，“图像”不是照片，而是一张地震活动图。模型从一张空白且充满噪声的地图开始，在已有信息的引导下，逐渐将其精炼为一份清晰的未来预测图。

研究人员在两种不同类型的数据上训练了他们的模型 QuakeGen，以观察其泛化能力。首先，他们使用了一个包含全球范围内从 1990 年到 2023 年间数千次主震及其余震的全球数据集。他们教会模型观察大型地震发生前的几天以及发生后的最初几小时内的地震活动。基于这些有限的信息，模型必须预测未来几天、几周甚至几个月的余震模式。随后，他们将模型应用于 2024 年和 2025 年发生的 80 次重大地震进行测试，而这些地震是模型从未见过的。在这些测试中，QuakeGen 的表现优于美国地质调查局（USGS）使用的标准运行模型。传统模型产生的是一个宽阔的、圆形的预测活动晕圈，而 QuakeGen 则正确识别了沿断层延伸的拉长形状。例如，在日本发生 7.5 级地震后，新模型重现了沿断层的 150 公里长的余震带，而旧模型则将预测范围扩散成了一个大圆圈。

第二个测试侧重于单一区域：南加州。这里的目标不仅是预测单次大地震的余震，还要预测大范围内每日的地震发生率。研究人员利用该地区高度详细的地震目录对模型进行了训练，其中包含了许多标准探测器经常遗漏的小型震动。随后，他们要求模型预测特定高频活动子区域（如索尔顿海和圣哈辛托断层）的每日地震计数。在这种设定下，该模型的表现与经过针对该地区精心调整的最佳统计模型相匹配。这具有重要意义，因为它表明，一个单一的数据驱动模型可以学习整个断层系统的复杂行为，而无需针对每个新区域进行人工重新校准。

该模型最引人注目的特点之一是它处理不确定性的方式。由于地震序列的未来本质上是不可预测的，模型不会只给出一个单一答案。相反，它为每次预测生成 100 种不同的可能未来。这 100 张地图中的每一张都是可能的现实体现，展示了单个震动在不同具体位置的可能性。当研究人员将这 100 张地图平均化时，他们得到了一幅平滑的整体活动速率图，这与自然界中观察到的实际模式非常吻合。这种方法让预报者不仅能看到最可能的结果，还能看到所有可能性的全貌，从而更清晰地了解风险集中的位置。

研究还探讨了模型预测任何给定区域内预期最大余震规模的能力。传统方法在这一点上往往难以应对，因为它们依赖的统计平均值容易受到空白区域的影响。然而，QuakeGen 可以同时生成震动计数和最大震动规模。通过观察其预测的第 90 百分位数，该模型能够将最大震动的预测集中在破裂断层处，这符合现实观察，即最大的余震往往发生在主震破裂的位置。这种频率与震级的联合预测提供了更完整、更真实的灾害视图。

尽管取得了这些成功，研究人员也承认该模型存在局限性。它高度依赖于用于训练的数据质量和数量。对于极其罕见的最大规模地震，模型有时会低估余震的总数，或无法捕捉到破裂区的全貌。这是因为模型在训练过程中看到的此类巨大事件的样本较少。作者建议，未来的改进可以通过将这种数据驱动的方法与基于物理的模拟相结合（以生成更多大地震的案例），或者向模型输入额外信息（如断层破裂的确切几何形状或地面形变测量数据）来实现。

这项工作代表了科学家对待地震预测方式的一次重大飞跃。通过从固定的规则和孤立的事件预测，转向直接从数据中学习复杂的、演化的地震场模式，研究人员创造了一个能够捕捉地震序列本质特征的工具。该模型不仅仅是在猜测；它在学习断层行为的底层结构。虽然它无法预测下一次大地震何时到来，但它为地震发生后的情况提供了一个更锐利、更准确的视角，帮助社区了解随之而来的震动形态与规模。