基于XGBoost的现地地震烈度阈值实时判别模型
摘要
摘要: 如何在地震中利用台站接收到的少量P波信息预测该台站处的最终烈度是否会超越6度是地震预警研究中亟待解决的关键问题. 提出了一种基于极限梯度提升树(XGBoost)的现地烈度阈值实时判别模型,该模型以由台站接收到P波后3秒内的信息计算的5种特征作为输入参数,以该台站处的最终仪器地震烈度是否会超越6度作为阈值. 选取1996—2022年日本K-NET台网记录的460次地震的4 353条加速度记录建立了基于P波前3秒信息的烈度阈值实时判别模型(XGBoost-ITD). 结果表明,该模型对低烈度的判别准确率为93%,对高烈度的判别准确率为88%. 在相同数据集条件下,相较于支持向量机分类方法及传统方法,XGBoost方法对现地烈度阈值判别具有更高的精度. 关键词: 现地预警 / XGBoost / SHAP / 机器学习 / 天然地震
引用本文（GB/T 7714）
Shanyou Li, Xin Chen, Jianqi Lu, 等. 基于XGBoost的现地地震烈度阈值实时判别模型[J]. Earth Science-Journal of China University of Geosciences, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。