利用混合概率預測模型分析華北地區地震活動特征

馬永 畢金孟 宋程 尚先旗

摘要：在可操作的地震預測研究過程中，構建效能可評價、符合區域地震活動特點的預測模型是至關重要的。以地震活動頻發、地質結構復雜的華北地區為研究對象，選擇相對強度模型、力矩比模型和簡單平滑模型等3種地震概率預測模型，利用1970—2019年華北地區3.0級以上地震數據，以10a為異常學習時段，以1a為步長，分別開展1a、3a和5a尺度下5.0級以上地震的回溯性滑動預測研究。通過Molchan圖表法和T-test檢驗方法，對預測模型進行效能評估，優化了模型參數，確定了3種預測模型的最佳計算參數，構建了適合華北地區地震活動特點的不同時間尺度混合概率預測模型，并使用近10a的地震分析了華北地區當前的地震活動特征。?????? 關鍵詞：地震概率預測模型;效能評價;地震活動特征;華北地區

中圖分類號：P315.7文獻標識碼：A文章編號：1000-0666（2021）04-0572-11

0引言

華北地區作為中國七大地理分區之一，經濟發展、文化繁榮、人口稠密，同時也是構造活動強烈、地震活動頻繁、地質災害較為嚴重的地區之一。自有地震記錄以來，整個華北地區除鄂爾多斯板塊以外基本都有中強地震發生，對人民的生命財產安全造成了極大的損害。特別是1966年邢臺M7.2強震、1976年唐山M7.8強震將華北地區的地震活動推到高潮。鑒于華北地區地質災害的復雜性和地震活動的多樣性，使用現有海量的地震數據開展區域地震活動特征研究，對當前震情跟蹤和中強地震長期危險性分析具有非常現實的意義。

在全球的“地震可預測性合作研究”（CSEP）計劃中，地震學家使用研究區域統一的地震目錄和嚴格的地震統計檢驗方法，對多種地震預測模型開展“競賽”式的回溯性預測檢驗，篩選出“優勝”模型并進行前瞻性的預測，為可操作的地震預測（OEF）提供了堅實的理論基礎，為構建更具減災實效的OEF系統模型提供了可能性（Jordan et al ，2011，2014）。畢金孟和蔣長勝（2019）采用傳染型余震序列（ETAS）模型和Reseanberg-Jones （R-J）模型，對華北地區16次4.5級以上地震的序列參數進行擬合，得到穩定的地震序列參數。馬干等（2009）根據華北地區2700多年的地震數據建立了地震活動性模型，并使用frankel（1995）提出的地震空間高斯平滑處理分析方法，獲得了華北地區主要城市的地震動參數，為區域抗震設防提供了重要的基礎數據。

隨著CSEP計劃的不斷發展和完善，地震學家開發出了大量的不同時間尺度、不同計算方法的地震預測模型。在當前國際地震可預測性研究中，為消除單一地震預測模型在地震預測中的局限性，人們試圖采用“揚長避短”的方式將不同的單一地震預測模型進行融合，形成混合概率預測模型，并進行預測效能檢驗。rhoades和Ger-stenberger（2009）將中長期尺度的EePas預測模型和PPE模型融合到STEP模型中，根據不同的融合方式形成5種混合模型，分別對5.0級以上地震進行了回溯性預測，結果表明所有的混合模型均優于單一模型。Marzocchi和Jordan （2014）將ETAS模型、ETES模型和STEP模型等按不同的權重組合，構建了意大利地區地震預測的OEF技術系統。美國“加州地震概率工作組”于2014年發展了統一的加州地震破裂預測模型（Field et al ，2014），將長期預測模型WG-CEP-UCERF 2與短期預測模型ETAS進行融合，解決了由于時間尺度的不同造成的對地震發生率預測的不一致問題。類似這種的混合模型在提高地震預測能力的同時，已逐漸成為OEF系統建設的主要選擇。為此，本文引入混合概率預測模型（以下簡稱“混合模型”）研究方法，使用1970—2019年華北地區3.0級以上地震數據，構建適合華北地區活動特點的混合模型，分析該地區的地震活動特征，為該地區中強震的地震危險性判定、震情跟蹤以及可操作的地震預測模型構建等提供模型基礎和科學參考。

1構選背景及數據選取

本文以華北地區（30°～43°N，108°～125°E）為研究對象，該區域在印度板塊和太平洋板塊的共同擠壓作用下，塊體活動強烈、斷裂和褶皺發育、地震活動頻繁（李三忠等，2011）。在地質構造上，華北地區共展布有4條主要地震帶，分別是由山西地塹和渭河地塹地震活動組成的貫穿整個山西省的汾渭地震帶、橫跨燕山隆起和華北盆地直至渤海的張渤地震帶、斜穿河北平原并與張渤地震帶相交的河北平原地震帶和最東側NNE走向的郯廬地震帶（圖1）。

華北地區幅員遼闊，地震監測能力不盡相同，監測水平總體達到M1>2.0，在東部沿海地區達到M1=2.0，在部分地震重點監視防御區和人口密集的主要城市達到了M1=1.5（劉瑞豐等，2007，2008）。筆者使用了中國地震臺網中心提供的《全國統一正式編目》地震目錄，遵照文中所用地震預測模型對地震序列信息的要求，從中挑選出了1970—2019年發生在研究區內的8700次3.0級以上地震數據，其中5.0級以上地震203個，最大地震為1976年河北唐山的M7.8地震。從圖1可以發現，本文所用的地震數據幾乎覆蓋了除鄂爾多斯板塊以外的所有地區，而且在山西汾渭地震帶、河北平原地震帶和張渤地震帶上分布更為集中。受唐山M7.8地震的影響，研究區5.0級以上中強地震大多集中發生在唐山及其周邊地區，其余陸地上的中強地震均沿著活動斷裂帶聚集，滿足歷史地震活動重復發生的規律。圖2為所用研究數據的M-T圖，其中3.0級以上地震覆蓋整個研究時段，5.0級以上中強地震主要集中在發生1976年，其它年份發生中強地震的次數相對較少，每年基本為1～5次，但2004—2019年，除2006年和2013年在研究區域分別有1次和5次5.0級以上地震外，其他年份均無5.0級以上中強地震發生。

2研究方法

混合概率預測模型是指采用多種單一地震預測模型，這些模型的計算方法各不相同，從中篩選出預測效能最優的幾種模型，按照一定的權重系數將其進行混合，經過優化設計后得到具有地區針對性的混合模型。利用混合模型研究區域地震活動特征，無論在確定性預測研究方面，還是在概率性預測領域都得到了廣泛的應用，已成為地震活動性研究的一種重要方法（畢金孟，蔣長勝，2017）。本文利用相對強度（RI）模型、力矩比（MR）模型和簡單平滑（Triple -S）模型等3種單一地震預測模型，逐一對1970-2019年華北地區的3.0級以上地震，以10a為異常學習時段，以1a為分析步長，對5.0級以上地震分別開展1a、3a和5a尺度的回溯性滑動預測，并采用國際通用的Molchan圖表法、T-test等具有針對性的統計檢驗方法，評估每個模型的預測效能。為每種單一模型分配不同的權重因子，構建適合華北地區活動特點的中強地震混合模型，并使用近10a的地震數據評估當下華北地區的地震活動特征。

2.1單一地震預測模型方法

RI模型是一種基于以往地震活動性來定性預測未來地震發生可能性的預測方法。該方法無需過多的定量計算和數據驗證，具有參數設置少、預測效果好、且僅用點源信息便可進行地震預測和危險性分析的優點，在世界各國的地震預測中應用廣泛（Nanjo ，2010，2011）。Tiampo等（2002）應用RI算法在美國南加州地區進行“回溯”和“向前”預測研究，結果表明RI模型對于不同的時間尺度和不同的震級預測范圍均具有潛在的預測效能。其基本思路是首先把研究區域劃分為微型網格，每個網格長度為△x;其次統計在第i個網格，學習時間段（to-t1）內震級M≥M的地震數目，其中第i個網格每天的平均地震數目用n（t，t1）表示;然后將地震數目的相對值作為RI的評分，具體RI評分表達式為n（to，t1）/nMAX，其中nMAX為n1（to，t1）中的最大值，取值范圍為0～1。數值越大的地區未來發生大地震的可能性就越高，反之，發生大震的可能性就越小。應用RI模型算法預測的大地震一般發生在地震活動性相對較高的地區。

MR模型使用地震間隔時間的力矩比作為前兆預警指標，基于地震活動率與地震發生前背景地震活動性的長期異常變化關系開展地震預測。Talbi等（2013）利用日本氣象廳679—2012年的全日本地震綜合目錄數據，證明了MR模型對未來各階段均有較高的地震預測效能，特別是對于7.0級以上地震的預測能力明顯高于其他方法。具體步驟是通過每個位置點x和采樣網格尺寸r進行計算得到：

式中：和a分別是時間序列{的算術平均值和方差。為了確保用MR模型估計的最小精度和不同網格尺寸r結果的穩定性，需設置一個最小樣本量n，計算過程中要求存在至少n個事件時計算出MR值。計算時在n，取值確定的前提下，網格r取值的大小直接影響MR模型的預測性能。

Triple -S模型是一種基于中強地震更容易發生在以往地震活動頻率較高的地方假設的地震預測方法，其突出優點在于較少的參數設置和假設條件，不需要依據地震構造特征來劃分潛在震源區，該方法利用了不同平滑函數，在世界各地得到充分應用（Zechar，Jordan ，2010）。在計算過程中需將研究空間進行精細網格化，將發生地震的位置（xeqk，yeqk）在空間范圍[x1-x2，y1-y2]內地震發生率的影響表示為：

然后，采用平滑函數對r進行平滑和歸一，并直接將其作為“平滑距離”，式中的K為kn（x，y）=，σ為用于平滑的參考距離。2π0

2.2模型預測效能評價方法

Molchan圖表法（Molchan，1997，2010）是根據預測結果與觀測目標地震之間的分布差異程度，預測研究區域強震的發震時間，并試圖給出概率解釋的一種統計檢驗方法。該方法不考慮預測地震或觀測目標地震的數量和震級，僅通過異常時空占有率（r）和漏報率（v）2個參數來進行預測效能統計評價，因其簡單客觀的評價特性，目前已在國際上廣泛地應用于概率預測的統計檢驗和效能評估（蔣長勝等，2011）。其中，r是指達到和超出預測警報閾值的時空范圍與研究區域總的時空范圍的比值;v則是未達到預測警報閾值的時空范圍內實際發震的次數與研究區內總的實際地震數之比。概率預測最理想的預測效果是在預測成功率最大（v→0）情況下異常時空占有率最小（r→0）。預測效能的評價一般情況下有兩種判別方式，一種是用1減去（r，v）曲線與橫、縱坐標軸所包圍面積的差，所得數值越大則預測效果越好;另一種是考察擊中數（h）所對應的顯著性水平（a），通過比較r-v曲線上各點與顯著性水平等值線判斷預測效能。顯著性水平α值的計算公式為：

式中：N為實際發生地震總數;h為擊中數，即在預測有震區域內實際發震的地震數。

T-test是基于t-test（Student 1s）檢驗，依據樣本平均數與已知總體平均數的差異的顯著程度來評價不同模型預測效能平均分布情況的一種檢驗方法。通過對比的方法可以更好地篩選出模型中的最佳預測模型，構建符合研究區域地震活動特征的優勢預測模型。T-test的計算表達式為：

式中：N為研究樣本的總個數;X為樣本平均數;s為樣本標準偏差;μ為樣本總體期望值。

3模型參數優化與預測效能評價

模型參數設置是構建地震概率預測模型過程中非常關鍵的步驟之一，只有設定適合研究區域地震活動特征的模型參數，才能使預測模型達到最佳的預測效果。本文以研究區域內5a尺度5.0級以上地震的回溯性概率預測為例，分別對3種單一地震預測模型設置不同的模型參數，并通過統計檢驗方法對每一種地震預測模型中不同參數預測效能進行評價。依據效能評分，從中選擇最優參數，確保每種模型在研究范圍內的預測能力達到最優水平。

在RI模型的計算過程中，影響最終預測結果的模型參數主要是異常學習時段的最小完備性震級M和劃分網格的長度△x。依據王鵬等（2011）、王霞等（2014）、韶丹等（2015）和謝卓娟等（2019）對華北地區近50年來的地震活動研究結果，本文模型的最小完備性震級M的取值為3.0，即以研究區域內3.0級以上的地震作為“異常學習”的信息輸入。對于劃分網格的長度△x，選用了0.1°×0.1°、0.2°×0.2°、0.3°×0.3°和0.4°×0.4°共4種網格尺度，使用Molchan圖表法分別評價每種網格參數下RI模型的預測效能。用1970—2019年華北地區3.0級以上地震數據，以10a為異常學習時段預測未來5a的5.0級以上地震的效能評價結果，如圖3a所示。圖中彩色圓點為RI模型不同網格參數的Molchan圖表法的結果，彩色實線代表RI模型不同參數的區域技能評分結果，虛線為顯著性水平等值線，對角黑色實線為無預測技能分界線。0.1°×0.1°、0.2°×0.2°、0.3°×0.3°和0.4°×0.4°網格的預測效能評價分值依次為0.831、0.877、0.783和0.718，很顯然0.2°×0.2°的網格是采用RI模型研究華北地區中強地震危險性的最佳網格尺度，在此參數下華北地區5.0級以上地震概率性危險區分布結果如圖3b所示。圖中顏色的深淺代表發生地震的危險性程度，顏色越深表示危險程度越高;藍色圓圈為1980—1984年5.0級以上“目標地震”的實際發生位置，18次地震中，除位于125°E邊界線上的1次地震外，其他均發生在危險程度較高的區域，預測效能相對較好。圖3c是自1980年起，以10a為異常學習時段，用RI模型逐年回溯預測華北地區未來1a、3a和5a尺度5.0級以上地震的效能評價分值統計結果。由圖可知，圖3c中除有少數年份的分值低于0.4外，大多年份均大于0.6，且有多個年份大于0.9，總體水平相對較好。

對于MR模型，重要的計算參數是最小樣本量n，和采樣網格尺寸r。筆者依據研究區域3.0級以上地震的活動頻次，設置初始最小樣本臨界值n，為5，即計算過程中，在每個單元格內要求存在至少5個3.0級以上的地震事件才可計算出該點的MR值，然后設置（0.1°x0.1°、0.2°x0.2°、、0.3° 0.3°和0.4.4°x0.4°）這4種不同的網格，同樣應用Molchan圖表檢驗法選出最優的網格尺寸r。每種網格的預測效能評價結果如圖4a所示（圖4中要素含義與圖3相同），網格尺寸從小到大的評價分值分別為0.639、0.752、0.651和0.577。顯然0.2°x0.2°網格的分值最高，在此參數下未來5a尺度5.0級以上地震的危險性分布如圖4b所示。圖中危險區域分布的整體趨勢與圖3b基本一致，但各具特點。在MR模型無震區發生的目標地震有2次，西邊界高危無震區1處，且擊中的地震中有4次的預測效能處在顯著性水平α=1%的等值線以外;在標注的有震區內，顏色較深的高危區塊較少，最明顯的是河北平原地震帶與張渤地震帶相交的天津一唐山一帶，其次是河北平原地震帶與山西汾渭地震帶的連接區，與RI模型的結果相比，該區的危險程度明顯高于兩側。圖4c為以10a為異常學習時段，3種不同時間尺度的MR模型效能評價分值統計圖。1980—1991年因3.0級以上地震數量較多，預測效果相對較好，效能評分基本都在0.6以上;1992年以后因采樣信息量較少，且發震位置分散，效能評分值相對較低。

在我國大陸地區的研究中，Triple -S模型運用最為廣泛的平滑函數是Frankel （1995）提出的高斯核函數（畢金孟，2017）。筆者選取不同的平滑距離數進行評價，結果如圖5a所示（圖5中要素含義與圖3相同），0.1°×0.1°、0.2°×0.2°、0.3°×0.3°、0.4°×0.4°網格相應評分依次為0.776、0.798、0.770和0.796。取效能評價最高分值對應的0.2°×0.2°網格和平滑半徑a=100km，用Triple -S模型預測得到的華北地區5.0級以上地震概率危險性分布（圖5b）。圖5b中彩色標注的危險區域面積明顯大于前2種預測模型面積，且圖中顏色較深的高危險區全部包含了前2種預測模型的高危區域，在實際發生的18次“目標地震”中，除研究區域東西兩條邊界的2次地震外其余全部精準預測，且均位于log（N/N）≥-4.78范圍內，發震位置相對集中。在以1a、3a和5a為時間長度的回溯預測效能評分統計（圖5c）中，在有“目標地震”發生的年份里僅有3次低于0.6，整體預測結果具有很高的可信度。

選取1970—2019年華北地區3.0級以上地震數據，分別運用RI模型、MR模型和Triple -S模型，以10a為異常學習時段回溯性預測未來5a發生5.0級以上地震的危險區為例，對模型的網格劃分和計算半徑等參數進行了優化。在該預測時段內，3種模型在最優參數條件下的評分值依次為0.877、0.752和0.796，即RI模型優于Triple -S模型，Triple -S模型優于MR模型，且整體預測效能水平相對較高。

4構建混合模型分析地震活動特征

在最優參數條件下，3種模型的整體預測效能水平相對較高，但所預測的危險區域分布存在一定差異。分配不同的權重因子構建混合模型，可以放大單個模型的“優勢”，縮小模型中存在的“劣勢”。權重分配的大小取決于預測效能評價信息中數值的分布，即分值高且分布集中的模型賦予的權重大，反之權重小。本文運用T-test檢驗方法比較混合模型與單一模型的結果，通過調整權重因子，使混合模型結果達到最優狀態，確定適合華北地區不同預測時間尺度的中強地震混合模型，并使用最近10a的地震數據計算中強地震的概率性危險區分布，分析當下華北地區的地震活動特征。

RI模型、MR模型和Triple -S模型對華北地區5.0級以上地震1a尺度的預測效能評分如圖6a所示。由圖可見，在41次計算結果中在研究區域內共有25次“目標地震”發生，其中RI模型評分最高的有10次，MR模型有5次，Triple -S模型有10次，分別占比40%、20%和40%。3種模型相對于零假設條件下的T-test檢驗結果如圖7a所示，從圖中可以發現，雖然RI模型和Triple -S模型的高分數量同樣多，但Triple -S模型的評價分值分布最為集中，預測可信度高，即Triple -S模型優于MR模型，MR模型優于RI模型，所以Triple -S模型應該賦予最高權重。由于Triple -S模型在計算時受平滑半徑參數的影響，危險區域呈圓（橢圓）形分布，需要有危險區域小且分值分布好的MR模型突顯其中高危險性的重點區域。而RI模型又因其最高分值次數與Triple -S模型相同，且效能評分最為分散，所以應分配最低權重。因此，本文綜合考慮3種單一模型的T-test檢驗結果和“目標地震”占比情況兩個因素，確定華北地區1a尺度的混和模型的計算表達式為20%MR+80%Triple -S。

3種模型對華北地區5.0級以上地震3a尺度的預測效能評分統計中（圖6b），研究區域內有30次“目標地震”發生，RI模型、MR模型和Triple -S模型分值最高的次數分別為12次、8次和10次，占比依次為40%、27%和33%。參照華北地區5.0級以上地震的時間分布（圖2）可以看出，MR模型僅對2006年發生的1次地震預測效果明顯，所以預測效能評分在該年前后最高，而RI和Triple -S模型無論是在地震頻發時期，還是在地震較少時段，效能評分基本同步，且均好于MR模型。3種單一模型相對于零假設條件下的T-test檢驗結果如圖7b所示，從整體來看，對于3a尺度的概率預測，Tri-ple-S模型優于RI模型，RI模型優于MR模型，因此MR模型在混合模型中應給予最低權重。5a尺度的預測效能評分統計（圖6c、7c）與3a尺度的情況基本類似，RI、MR和Triple -S模型分值最高次數和占比分別為16次、5次、11次和50%、16%、34%。RI模型高分次數最多，但分值波動范圍略寬，Triple -S模型雖然高值比例次之，但評價分值分布最為集中，而MR模型基本不占優勢，不僅最高分值的次數少，而且大多的計算結果都明顯低于前兩種模型。綜合以上分析，基于3種單一模型的T-test檢驗結果和“目標地震”占比分布情況的一致性，確定華北地區3a和5a尺度的混和模型計算公式統一表示為30%RI+70%Triple -S。

不同時間尺度的混合模型與RI、MR和Triple -S3種單一地震預測模型相對于零假設條件下的T-test檢驗結果如圖7所示。從圖中可以發現，在T-test檢驗結果中，混合模型與相對最優的Triple -S模型基本一致，且均明顯好于RI和MR模型。

圖8展示了基于前文的混合模型，以2010—2019年華北地區3.0級以上地震為異常學習時段得出的未來1a、3a和5a尺度發生5.0級以上地震概率性的危險區域。從圖中可以看出因混合模型中包含其他模型的成分，在一定程度上改善了Triple -S模型危險區域呈圓（橢圓）形的分布情況，突出了其中高危險區域的重點位置，特別是在圖8a中體現得尤為明顯。根據“目標地震”在單一模型中的分布，需要重點關注log（N/N）高于-3.3和-3.6的區域。從總體分布來看，當前華北地區地震危險性最為明顯的是山西汾渭斷裂帶和張渤地震帶，其次是河北平原斷裂帶南部和郯廬斷裂帶中北段，零散塊狀區域為湖北北部和江蘇東北部及其附近海域。在1a時間尺度圖（圖8a）中，發生中強地震的高概率危險區域主要有河北平原斷裂帶和張渤地震帶交匯的唐山地區、郯廬斷裂帶北段的膠東半島和遼東地區。2020年研究區域內共發生5.0級以上地震1次，即7月12日唐山古冶5.1級地震，位于圖中的高危范圍內。在圖8b中，除以上3處重點區域外，還有山西斷裂帶中部、陜西北部、湖北宜昌和山東威海地區，這些區域活動斷層發育、地震活動頻繁。

5結論

本文以地質構造復雜、地震活動頻發的華北地區為研究對象，使用1970—2020年華北地區3.0級以上地震數據，利用RI模型、MR模型和Triple -S模型3種單一地震預概率測模型，以10a為異常學習時段，以1a為分析步長，對5.0級以上地震分別開展1a、3a和5a尺度的回溯性滑動預測，并運用Molchan圖表法和T-test統計檢驗方法進行預測效能評價;再參照效能評分優化模型參數，通過為每種單一模型分配不同權重因子的方式，構建了適合華北地區的中強地震混合模型，評估了當前華北地區的地震活動特征，得出以下幾點認識：

（1）通過對比預測效能評價分值得出，在華北地區，使用3.0級以上地震，以10a為異常學習時段，開展5.0級以上地震概率預測研究時，RI模型、MR模型和Triple -S模型的最優參數設置分別為：最小震級為3.0，采樣網格0.2°×0.2°;最小樣本量為5，采樣網格0.2°×0.2°;采樣網格0.2°×0.2°，平滑半徑為100km。

（2）根據3種單一模型最優參數時的T-test檢驗結果和“目標地震”占比分布情況，構建適合華北地區1a、3a與5a尺度的混合概率預測模型，計算表達式分別為20%MR+80%Triple -S和30%RI+70%Triple -S，模型預測效能檢驗結果得到明顯改善。

（3）依照混合模型的計算公式，使用近10a的地震數據，獲得當前華北地區中強地震概率性危險區分布，危險區分布與斷裂帶的活動斷層展布一致，突出了其中高危險區域的重點位置，其中1a尺度的重點區域有3處，3a和5a尺度的重點區域共有7處。

在OEF研究的發展進程中，為決策者提供有價值的參考信息、為地震預測的實際應用和為社會公眾服務等是亟待解決的重要問題。本文獲得的華北地區概率預測模型最優參數、混合地震預測模型和地震活動特征，對該區域的地震預測預報研究和地震危險性評估都具有潛在的實際應用價值。在今后的工作中，將使用更多模型，對不同時段和地區開展更加深入、全面的研究。

感謝中國地震臺網中心全國地震編目系統提供的數據支持，感謝審稿專家為本文提出的寶貴意見。

參考文獻：

畢金孟，蔣長勝。2017。可操作的地震預測（OEF）國際研究動態綜述[J].中國地震，33（1）：1-13。

畢金孟，蔣長勝。2019。華北地區地震序列參數的分布特征[J].地球物理學報，62（11）：4300-4312。

畢金孟。2017。區域地震預測策略和預測效能評價技術研究[D].北京：中國地震局地球物理研究所

蔣長勝，張浪平，韓立波，等。2011。中長期地震危險性概率預測中的統計檢驗方法I：Molchan圖表法[J].地震，31（2）：106-113。

李三忠，張國偉，周立宏，等。2011。中、新生代超級匯聚背景下的陸內差異變形：華北伸展裂解和華南擠壓逆沖[J].地學前緣，18（3）：79-107.

劉瑞豐，蔡晉安，彭克銀，等。2007。地震科學數據共享工程[J].地震，27（2）：9-16。

劉瑞豐，高景春，陳運泰，等。2008。中國數字地震臺網的建設與發展[J].地震學報，30（5）：533-539。

馬干，史保平，凌華剛。2009。華北地區地震危險性分析和地面運動預測的一致性方法[J].中國地震，25（3）：303-313。

韶丹，賈寧，王瑩。2015。陜西地區地震目錄完整性分析[J].地震地磁觀測與研究，36（4）：30-35。

王鵬，鄭建常，趙金花，等。2011。山東地區最小完整性震級的確定—R-S檢驗[J].華北地震科學，29（3）：19-22。

王霞，宋美琴，李麗，等。2014。山西地區不同時段地震目錄最小完整性震級研究[J].地震，34（2）：82-88。

謝卓娟，呂悅軍，方怡，等。2019。京津冀地區的地震活動性研究[J].地球物理學進展，34（3）：961-968。

Field E H. Arrowsmith RJ.Biasi G P. et a.2014.Uniform California earthquake rupture forecast Version3 UCERF3）-The time - inde-pendent model[ J]. Bulletin of the Seismological Society of America 104（3）：1122-1180.

Frankel A.1995. Mapping seismic hazard in the central and eastern Unit-ed StatesJ]. Seismological Research Letters， 66：8-21

Jordan TH， Chen Y T， Gasparini P， et al.2011. Operational earthquake forecasting： State of knowledge and guidelines for implementation [J].AnnGeophys ，54（4）：315-391.

Jordan T H， Marzocchi W， Michael AJ， et al.2014.Operational earth-quake forecasting can enhance earthquake preparedness[].Seismo-logieal Research Letters.85（5）： 955-959.

Marzocchi w， Jordan T H.2014. Testing for ontological errors in probabi-listie forecasting models of natural systems[ J]. Proceedings of the National Academy of Sciences of the United States of America， 111（3）：11973-11978.

Molchan G M.1997. Earthquake prediction as a decision-making prob-lem[ J]. Pure and Applied Geophysics， 149（1）： 233-247.

Molchan G M.2010. Space-time earthquake prediction the error dia-gramsJ. Pure and Applied Geophysics， 167（8-9）： 907-917.

Nanjo KZ.2010. Earthquake forecast models for Italy based on the RI al-gorithm[ J]. Annals of Geophysics， 53（3）： 117-127

Nanjo KZ.2011. Earthquake forecasts for the CSEP Japan experiment based on the RI algorithm[ J]. Earth， Planets and Space， 63（3）： 26-274.

Rhoades DA.Gerstenberger M C.2009. Mixture models for improved short-term earthquake forecastingLJ. Bulletin of the Seismological Society of America， 99（2A）： 636-646.

TalbiA， Nanjo K， Zhuang J， et al.2013. Interevent times in a new alarm based earthquake forecasting model [ J]. Geophysical Journal In-temational.194：1823-1835.

Tiampo KF， Rundle J B， Meginnis S， et al.2002. Mean field threshold systems and phase dynamics： an application to earthquake fault sys-tems[ J].Europhysics Letters， 60（3）： 481-487.

Zechar JD， Jordan T H.2010. Simple smoothed seismicity earthquake forecasts for Italy[ J]. Annals of Geophysics， 53（3）： 99-105.

Analysis of the Seismicity in North China Using Hybrid Probability Forecasting Model

MA Yong， BI Jinmeng， SONG Cheng， SHANG Xiangi （Tianjin Earthquake Agency， Tianjin 300201， China）

Abstract

For the" Operational Earthquake Forecasting（ OEF） ， it is critical to build a predictive model that conforms to the regional seismicity and whose effectiveness can be evaluated. In this paper， we select the M>5.0 earthquake data from 1970 to 2019 in North China with complex geological structure and intensive earthquake activity， use the relative intensity （RI） model， the moment ratio （MR） model and the simple smoothing （Triple-S） model carry out a retrospective sliding prediction of the historical M>5.0 earthquakes， during which we set the " learning period of earthquake anomalies as 10 years， step length as I year， and the scale of the retrospective cycle as I 3 and 5 years. Then we use the Molchan Diagram method and the T-test method to evaluate the efficacy of the pre-diction model. We determined the best calculation parameters of the three prediction models by optimization， and constructed a " hybrid" of probability forecasting models on different time scales which is suitable for analyzing the characteristics of earthquake activity in North China. Then we apply the latest 10-year earthquake data to our mod-el for the analysis of the current characteristics of earthquake activity in North China.

Keywords： probability forecasting model; effectiveness evaluation; characteristics of earthquake activity;NorthChina