通过条件生成建模学习地震地面运动

为何未来地震的震动很重要

在许多地区——从旧金山湾区到日本——地震是不可避免的。真正威胁人们和建筑的不是地震本身，而是地表产生的震动。工程师和规划者需要在许多地点获得地面可能出现的强烈运动的现实情景，而不仅仅是已有传感器覆盖的地方。然而，目前的方法要么依赖简化的统计模型而忽略局部细节，要么依赖需要超级计算机和对地球内部有详细了解的大规模物理模拟。本研究提出了一种新的人工智能（AI）方法，它从过去的震动中学习，能够迅速想象未来地震可能使整个区域发生的摇动。

一种新的震动想象方式

研究人员提出了一个称为地面运动条件生成建模（CGM-GM）的模型。CGM-GM并不直接求解波动物理方程，而是从旧金山湾区海沃德和圣安德烈亚斯断层周围数千次记录到的小地震中学习模式。关键思想是“条件”生成：AI会被告知有关事件的基本信息——震级、深度，以及地震和传感器在地图上的位置——然后在这些条件下生成可能的地面运动时间序列。实际上，这个模型像一个智能模拟器，能够填补在从未记录过的地点和地震条件下震动可能呈现的样子。

以时间与色彩“聆听”地震

为了教会AI，团队首先将每个记录的震动信号转换为一种称为声谱图的彩色图像，显示不同频率的强度随时间如何变化。他们使用短时傅里叶变换来将每个波形分解为振幅（强度）和相位（特征出现的时间）。一种特殊类型的神经网络——动态变分自编码器，学习将这些振幅声谱图压缩为一系列隐含变量，然后再重建它们。一个配套模块使用地理坐标和地震属性来影响这个隐含序列，因此模型自然地将震动模式与波传播路径和地震大小联系起来。在生成阶段，模型绘制新的隐含序列、重建振幅声谱图、估计相位，并将所有信息逆变换回合成波形。

在稀疏传感器之间填补地图

训练完成后，可以向CGM-GM询问：“如果发生某一给定大小和位置的地震，我们在密集点网格上可能会看到怎样的震动？”作者通过在湾区的一个子区域生成一万条合成记录并在每个点计算傅里叶振幅谱（一种频率相关震动强度的度量）来测试这一点。生成的地图显示平滑且现实的变化：震动随着距离震源减弱、随方向发生变化，并在已知软土地区（如圣何塞附近和旧金山湾泥地）变得更强。重要的是，这些空间模式比只知道距离和深度的简单基线AI模型看起来更真实，并且类似于由地震学家构建的先进非遍历经验地面运动模型的结果。

在形状与强度上匹配真实数据

团队以多种方式将AI输出与真实记录进行比对。在频域中，合成振幅谱在2到15赫兹范围内与观测数据高度一致，该频段对许多建筑物来说最为重要。在时域中，生成的波形不仅重现了整体形状，还复现了峰值地面速度以及由独立挑选算法确定的P波和S波到达时间。该模型还可以为相同情景产生许多略有不同的震动版本，捕捉地震的自然随机性。存在的局限包括：非常低频和非常高频的匹配较困难，最小事件的震动持续时间表现出更多离散性，以及在没有额外训练数据的情况下扩展到极大地震仍然具有挑战性。

对人们和建筑的意义

对非专业读者来说，结论是该AI框架可以快速在整个城市区域生成现实且考虑物理特性的地震震动情景，即使在没有安装传感器的地方，也不需要运行昂贵的超级计算机模拟。CGM-GM并不取代基于物理的详细模型或精心校准的经验方程，但它在性能上可与最先进的方法相媲美，同时具有灵活且快速的优点。随着进一步改进和更多数据，这类生成模型可能成为探索“如果发生……会怎样”情景、改进危害地图并帮助工程师为下一次重大震动设计更有韧性的建筑和基础设施的实用工具。

引用: Ren, P., Nakata, R., Lacour, M. et al. Learning earthquake ground motions via conditional generative modeling. Nat Commun 17, 4021 (2026). https://doi.org/10.1038/s41467-026-70719-2

关键词: 地震地面运动, 生成式人工智能, 地震危害, 旧金山湾区, 变分自编码器