高泛化性模型在郯廬斷裂帶中南段b值與中強震回溯中的應用

[摘要]" b值變化與孕震的指示性歷來是震情研判的重要參考指標。基于深度學習技術可以挖掘數據隱含特征的優勢，考慮到川滇地區近年地震多發的自然現象和郯廬斷裂地震活動性的高關注度，本研究利用中國地震臺網地震目錄川滇地區地震事件自制數據集，并將M_L4.5以上的中強震設標簽為1，M_L3.0以下的弱震為0，通過時間滑動窗口方法計算川滇地區的格網化b值，將每個地震事例震前5年的區域b值變化與標簽做映射，通過卷積神經網絡模型進行訓練與分類，將訓練優化后的模型應用到郯廬斷裂中南段的中強震的回溯性檢驗，驗證準確率可達到90%左右，盡管川滇地區和郯廬斷裂帶中南段及其鄰區有不同的地理與構造背景，但基于數據驅動的方法，合理的泛化思想、訓練數據集的制作和深度學習模型構建仍有挖掘強震規律的借鑒意義。

[關鍵詞] b值; 卷積神經網絡; 中強震; 郯廬斷裂

[DOI] 10.19987/j.dzkxjz.2024-077

基金項目： 國家自然科學基金（41874051），江蘇省高校自然科學研究面上項目（20KJB170009），宿遷市科技計劃項目（K201914）和宿遷學院大學生創新創業訓練計劃項目（202314160008Z）聯合資助。

0" 引言

古登堡—里克特關系式[1]（Gutenberg-Richter）是地震學研究中最重要的經驗公式之一，其一般表達式為：

（lgN=a-bM） （1）

式中，M為震級，N是震級大于或等于M的地震次數，a、b為常數[2]。其中的相關系數b一直備受關注，它不僅是一個單純的統計分析參數，而且有直接的物理意義，即反映一個地區承受平均應力和接近強度極限的程度，且不受具體孕震模型的限制[3-4]。在巖石力學上，地殼介質構造破裂概率與b值相關[5]；在大陸環境和俯沖帶環境上，地震的b值隨應力線性減小[6]。前人震例研究表明，強震前b值時空變化與孕震關系有較強的關聯性[7-17]。b值的變化歷來都是震情研判和特征判別的重要參考指標。

近年，深度學習技術已經在多個領域取得了顯著的進展，尤其是在圖像識別（CV）和自然語言處理（NLP）方面。以卷積神經網絡（Convolutional Neural Network，CNN）為代表的深度學習模型通過模擬人類視覺及注意力機制，在特征提取和圖像分類等任務中取得了很好的效果。當前，研究人員使用卷積神經網絡及改進模型從地震波形數據中自動提取有用特征、提高地震數據可解釋性、學習地震事件之間的復雜關系、進行地震震級估算等研究[18-22]。本文針對地震b值變化與發震關系的問題展開研究，基于郯廬斷裂帶近年地震及強震頻次遠低于川滇地區的現狀，通過搜集川滇地區的地震目錄數據，采用時間滑動窗口進行局地b值計算，并將b值變化情況與地震發生關系進行分類與標注，制作訓練數據集，通過構建適用于數據集的深度學習模型，并學習地震b值變化的特征與中強震發生的關系，最終將模型回溯至震災風險較高的郯廬斷裂中南段（遼寧—安徽），在郯廬斷裂中南段近年已發生的地震事件上得到正確率較高的回溯性驗證結果。

1" 數據和方法

1.1" 數據

1.1.1" 時空范圍選取

為研究b值變化的時空特征，選取中國地震臺網中心發布的2004年1月—2024年1月地震目錄資料，考慮到地震目錄中絕大多數地震事件數據為地方震，并依據廣泛使用的轉換標準[23]，將極少數震級為M_S的地震進行標度轉換，本文震級采用M_L標度，研究范圍為（24°N～34°N、99°E～109°E），該范圍覆蓋了川滇地區。

川滇地區位于青藏高原東南緣，受印度板塊與歐亞板塊的碰撞和擠壓作用，地質構造和地殼應力復雜，地震活動呈現出多中心、多斷裂帶、多震級的特點，是中國大陸構造活動的典型地區。2004年1月—2024年1月，該地區共發生M_L4.5以上地震689次，M_L3.0以下地震617164次，圖1為2004年1月—2024年1月川滇地區M_L4.5以上地震分布情況，其主要集中在龍門山斷裂帶及附近斷裂帶上。

1.1.2" 數據集的制作

M_L4.5以上的地震具有較大的能量釋放和破壞影響，此類地震事件被中國地震局列為中強震；而M_L3.0以下地震釋放能量相對較小，對人類活動和建筑物影響較小。兩類地震間的震級差異導致發震能量相差巨大，故本研究定義M_L4.5以上的地震為發震（正例），M_L3.0以下的地震為不發震（負例）。通過統計兩類地震并賦予不同的標簽（label）值，選取相同數量的兩類地震事件構建數據集，以確保模型訓練數據的公平性。在訓練過程中，選取80%的數據為訓練集、驗證集，20%的數據為測試集，并對數據進行必要的歸一化預處理。

1.2" 方法

1.2.1" 總體方法

基于近年川滇地區天然地震的多發性，本文收集了中國地震臺網地震目錄中川滇地區的地震資料，通過賦予地震事件標簽的方法自制數據集，參考國內公開資料中常用的中強震劃分標準，M_L4.5～6地震為中強震，M_L3.0以下為弱震，因此本文賦予M_L4.5以上的地震標簽為1，M_L3.0以下的地震標簽為0，并計算地震事件發生時刻前5年的以震中為中心2°×2°范圍內的逐年b值，將其代入卷積神經網絡模型進行訓練和分類，將該模型應用到郯廬斷裂帶中南段及鄰區的中強震回溯性檢驗中，回溯準確率達90%左右（圖2）。

1.2.2" b值的計算方法及最小完備震級選取

常用的b值計算方法有最小二乘法（LSM）和極大似然法（MLE）[24]。在研究b值隨時間變化時，極大似然法相對受限小，能更好地反映強震前b值的變化特征。因此，本文使用極大似然法計算b值，計算公式為：

b┴^=lge/（ˉ（M_i ）-M_C ） （2）

式中，ˉ（M_i ）為一組地震子樣本的均值，M_C為最小完備震級，e表示自然常數。以某一M_L4.5以上地震為例，參照多數學者的格網化b值計算方式和選擇標準[4-5，24]，以震中為中心，為保證選取時空范圍內地震事件有足夠的數量（每格網內地震數量≥25個），選取時間窗口為1年，空間窗口格網為2°×2°，計算震前5年區域b值變化情況。本文重新評估了川滇地區（24°N～34°N，99°E～109°E）和郯廬斷裂中南段及鄰區（28°N～42°N，114°E～127°E）的最小完備震級M_C，使用計算地震完備震級中常用的最大曲率法（Maximum Curvature，MAXC），即曲率首次發生突變的點[25-26]。依據本文計算結果并參照已有研究中研究區域的最小完備震級[27-28]，可看出兩個區域的測震能力均有逐步提高的趨勢，故本文最小完備震級M_C設置為2.5。川滇地區、郯廬斷裂帶中南段及鄰區1994—2024年最小完備震級如圖3、圖4所示。

b值的誤差可用公式（3）評估[29]：

（σ_b=b/√N） （3）

式中，σ_b表示b值的標準差，N表示時間窗內地震樣本的個數。本文計算b值時，標準差為0.05～0.3。考慮到b值的時間尺度、空間尺度選取不同，b值的計算方法不同，所得到的b值結果有所差異。本文抽取出了典型地震，與前人所計算的b值進行了比較（汶川8級地震[13]、瀘定6.8級地震[30]），從計算結果來看，并未有太大偏離（圖5）。

1.3" 深度學習方法

1.3.1" 卷積神經網絡

卷積神經網絡（Convolutional Neural Network）是一種基于深度學習方法的神經網絡模型，它通過多層卷積和池化操作來提取輸入數據中的特征，并通過全連接層進行回歸分類。卷積神經網絡的基本組成包括卷積層、池化層、激活層、全連接層等。本研究搭建的模型如圖6所示。

1.3.1.1" 卷積層

卷積層是卷積神經網絡的核心部分，它由一組可學習的卷積核組成，每個卷積核與輸入數據進行逐元素的卷積操作，公式為：

h_j^（（n））=∑_（k=1）^K h_k^（（n-1））*w_kj^（（n））+b_j^（（n）） （4）

式中，*表示卷積運算，h_j^（（n））是第n個隱藏層中的第j個特征圖輸出，h_k^（（n-1））是第n?1隱藏層中的第k個通道，w_kj^（（n））是第n層第j個卷積核中的第k個通道，b_j^（（n））是其對應的偏置項[31]。

目前對于卷積層數與池化層數的選取沒有較強的理論依據，本文依據常規的模型搭建方式，通過多次實驗進行設置。共設置2個卷積層進行處理，第1層卷積使用32個卷積核，第2層包含了64個卷積核，單個卷積核大小為3×3。為保證模型的快速收斂，在進行卷積之前，對輸入數據統一進行歸一化處理，防止前層網絡參數發生變化導致模型訓練失敗。

1.3.1.2" 池化層

在每層卷積后面加入池化層，池化層通過減小每個特征圖的大小，減少了網絡中需要處理的參數數量，有助于減少過擬合，提高模型的泛化能力。本研究采用最大池化層以2×2為移動窗口、步長為2進行最大池化（Max-pooling）處理。在一個高度為h、寬度為w的矩陣中選取最大值作為矩陣區域代表，最大池化計算式為：

（amp;Maxpooling[i，j]=max（x[i*stride_h：i*stride_h+@amp;h，h*stride_w：j*stride_w+w]）） （5）

式中，Maxpooling表示池化后的結果，x表示輸入矩陣，strideh和 stridew表示垂直方向和水平方向的步長，h和w 表示池化窗口的大小。

1.3.1.3" 激活層

在每一個池化層后面加入了ReLU層。ReLU激活函數可以對卷積層的輸出進行非線性變換，避免出現梯度消失的情況，使神經網絡可以學習到更復雜和抽象的特征，提高網絡的表達能力和性能（圖7）。

1.3.1.4" 全連接層

最后，卷積神經網絡會通過全連接層將數據映射到輸出類別上。全連接層將前面層的所有節點連接到當前層的每個節點，每個節點都與輸出類別或回歸目標相關聯。這樣，全連接層可以通過學習適當的權重和偏置，將高級抽象的特征與具體的類別相關聯。

1.3.2" 評價指標

存在預測結果與標簽相符合和不符合的情況，預測與標簽符合稱為正確，預測與標簽不符合稱為錯誤，因此先定義二元分類的混淆矩陣，如表1所示。實際類別標為TP 和 TN ，表示預測與實際類別相同，是預測的正確集；FP表示誤報；FN表示漏報。常用的效果度量指標在此基礎上產生。

本文采用以下5個指標：準確率Acc（Accuracy）、精確Pre （Precision）、召回率Rec（Recall）、誤報率FA（False Alarm）、F1-Score。準確率Acc表示所有預測結果中正確的概率；精確度Pre表示所有模型預測為正例的樣本中真實為正例的概率；召回率Rec表示所有真實正例中模型正確預測的概率；FA表示預測為正例的樣本中負例所占的比例；F1-Score是統計學中用來衡量二分類模型精確度的一種指標，它綜合了精確率和召回率的表現，可以評估模型在正負樣本均衡的情況下的分類效果。計算公式如下：

Acc=（TP+TN）/（TP+TN+FP+FN）

Pre=TP/（TP+FP）

Rec=TP/（TP+FN）

FA=FP/（TP+FP）

（F1=（（1+β^2）×Pre×Rec）/（β^2×（Pre+Rec））） （6）

樣本不均衡時，依據Acc進行評價頗有偏失，綜合評價指標F1-Score綜合了精確率和召回率。為了減少樣本不均衡的影響，實際應用中主要用F1值綜合評價訓練和測試效果。當β=1時，F1= （2×Pre×Rec）/（Pre+Rec），F1趨近1時表示效果較好。

1.3.3" 泛化思想的運用

在機器學習及深度學習領域中，泛化思想是核心技術之一，是驗證模型優劣的重要指標。其核心理念是構建能夠在不同領域或任務中應用的模型，即模型應具備跨時空范圍的能力。一個具有強泛化能力的模型能夠將在一個領域學習到的知識或模式有效地應用到另一個相關領域中。考慮到雖然地震學模型可能與計算機視覺或自然語言處理中的模型存在差異，但某些概念和結構可能具有相似性。在本文的研究中，考慮通過川滇地區近年豐富的測震數據訓練一個模型來識別b值變化與強震映震關系，并將模型應用在郯廬斷裂中南段及鄰區，驗證泛化思想在地震學領域的可行性和有效性。

2" 模型分類結果與回溯性檢驗

2.1" 分類結果

本實驗網絡模型使用0.001的學習率，損失函數為二元交叉熵（Binary Cross Entropy，BCE），Dropout為20%，采用自適應矩估計優化算法（Adam）更新權重，學習訓練次數至分類損失Loss不再顯著變化為止。訓練和測試的Loss、Recall、FA曲線如圖8—10所示。

對驗證集合數據進行分類測試，4種類型的預測結果如圖11所示。其中Rec（召回率）相對于Pre（精確度）較高，意味著模型能夠識別出更多的實際正例樣本。對于本次地震的預測結果，Rec相對于Pre較高說明中強震相較于弱震更能被預測出來，漏報較少。

對圖11中的數據進行類別算術平均值和加權平均值（圖12），加權平均值包含了分類數據的頻率信息。

2.2" 回溯性檢驗

在地震的預測研究中，回溯性檢驗對模型的檢驗和改進起到關鍵性作用[32]，因此我們特別關注神經網絡模型在中強震中能否進行回溯性預測。

郯廬斷裂中南段一般范圍為遼寧至安徽段，總長約1600 km。航磁等數據表明其具有深大斷裂的性質，其分段性也較強，且基底結構復雜，控制著我國東部的新近地震活動，近年發震情況不確定性和風險較強，研究郯廬斷裂中南段的地震活動特征及其對周邊區域的影響，對于提高地震風險研判能力具有重要的現實意義。

郯廬斷裂帶中南段及鄰區雖與本文制作訓練數據集選擇的川滇地區有不同的構造活動差異，但兩個區域均為由主干斷裂控制若干次級斷裂的形式，作者依據國家地震科學數據中心發布的《中國地震斷層信息系統》，曾統計了兩個區域的斷裂數量和運動形式，均為斷裂分布密集，各種斷層運動形式均有。除研究區域不同外，其他外部環境的設定，如b值計算方法、最小完備震級、數據選取標準和模型評價指標等均一致，可以驗證回溯性檢驗的有效性。

本文根據國家地震臺網目錄，依據余震震級相對主震減小一級以上的標準和余震表現出高頻性的特點，去除海域地震和大震之后的短期余震事件，共選取了12次郯廬斷裂中南段及鄰區1975年以后ML5.5以上的內陸地震進行回溯性檢驗，如圖13所示。

將川滇地區地震事件作為數據集訓練出的模型，針對郯廬斷裂中南段及鄰區近年典型地震進行回溯性預測的預測效果檢驗。

利用12次地震事件前5年的區域b值作為模型輸入。所選事件前5年b值和后2年的b值變化如圖14所示，中強震在震前5年與震后2年中均出現了b值變化，我們希望通過回溯性檢驗進一步檢驗模型捕捉b值細微變化的能力。

為評估模型的魯棒性和穩定性，驗證結果的可信度及模型可重復性，每次模型均能給出強震預測結果，為了探討不變參數下模型的可信度，本研究對模型設置10次獨立訓練及回溯性檢驗，并將結果進行統計分析。依據深度學習中不同任務分類閾值設定的自由性，本文中設置分類閾值為0.4，若模型輸出值高于0.4，將該預測結果視為發震（正例），反之視為不發震（負例）。在本文訓練過程中發現，設置閾值為0.4可增加模型識別正例的能力（召回率）、降低預報正例的錯誤率（誤報率）和提高中強震的回溯準確率，滿足中強震預報的實際需求。閾值設置偏差較大時，模型會出現準確率較高，召回率較低且誤報率較高的情況，這與我們所希望的強震高召回率且低誤報率相悖，本研究在訓練及回溯性檢驗的過程中均使用0.4為分類閾值，符合訓練及回溯性檢驗的統一性。10次回溯性分類結果統計如圖15，模型多次訓練后統計驗證準確率可達到90%左右。其中箱體中紅線代表該組數據的中位數，箱體上方橫線表示數據上半部分的中位數，箱體下方橫線是數據下半部分的中位數；箱體邊緣外的上和下的短橫線分別為上須子和下須子，它們代表該組數據中典型值的范圍。離群值是落在須子范圍之外的數據點，它們表示數據中特別大或特別小的點。

3" 結論與討論

3.1" 結論

把深度學習方法運用于地震預報及震后回溯性檢驗中是當前研究熱點，本研究通過自制數據集，搭建卷積神經網絡模型，在訓練效果較好的情況下，通過分析地震前b值變化與中強震發生的關聯性，將模型遷移到郯廬斷裂中南段的大震中進行回溯性檢驗，驗證準確率可達到90%左右，顯示了數據驅動方法在揭示復雜地震發生規律方面的巨大潛力。

3.2" 討論

3.2.1" 深度學習方法在地震觀測統計參數與發震關系研究中的優勢

地震學傳統上依賴于經驗規則和物理模型來預測地震，這些方法在一定程度上受限于可用數據的質量以及模型的復雜性。相比之下，深度學習提供了一種基于數據驅動的預測框架，能夠自動從大量數據中學習復雜的模式和特征。b值變化與發震關系并非簡單的線性相關，深度學習網絡模型的強大之處在于其能夠學習數據的非線性關系，而無需事先定義明確的規則。在本研究中，卷積神經網絡通過分析地震前5年的b值變化，多次訓練達到了90%左右的回溯準確率，驗證了深度學習方法在處理地震數據時的有效性；同時也驗證了一個良好的地震學深度學習模型。但基于其他地球物理參數的回溯性檢驗效果是否也能達到較高的準確率需要更多震例觀測數據的驗證。

3.2.2" 模型應用

本研究可在地震部門周期會商時作為重要的參考，模型本身輸入強震風險概率，而非b值本身的變化，這一點相對以前對b值數據的利用是一個有益的改進。

3.2.3" 工作展望

首先，模型的性能在很大程度上依賴于輸入數據的質量，考慮到地震數據的復雜性和多樣性，如何選擇和預處理數據是提高模型準確性的關鍵。其次，模型的解釋性問題仍然是深度學習領域的一個挑戰，雖然深度學習網絡能夠識別復雜的數據模式，但如何解釋這些模式與地震發生的地球動力學原理、地質演化過程之間的關系需要進一步研究。

未來將拓展以下研究工作：①擴大和多樣化訓練數據集，提高模型的泛化能力；②將更大范圍、更多源參量和更多地區的回溯性檢驗效果驗證，更大范圍內b值掃描和追蹤研究將是后續研究方向；③開發更加透明和可解釋的深度學習模型，以便更好地理解模型預測與地震發生之間的關系；④探索將深度學習方法與傳統地震學模型相結合的新途徑，以達到更準確的回溯準確率和可預測性。

參考文獻

Gutenberg B，Richter C F. Seismicity of the earth and associated phenomena[M]. Princeton：Princeton University Press，1954

陳培善，白彤霞，李保昆. b值和地震復發周期[J]. 地球物理學報，2003，46（4）：510-519" nbsp; Chen P S，Bai T X，Li B K. b-value and earthquake occurrence period[J]. Chinese Journal of Geophysics，2003，46（4）：510-519

李全林，陳錦標，于淥，等. b值時空掃描：監視破壞性地震孕育過程的一種手段[J]. 地球物理學報，1978，21（2）：101-125" " Li Q L，Chen J B，Yu L，et al. Time and space scanning of the b-value：A method for monitoring the development of catastrophic earthquakes[J]. Acta Geophysica Sinica，1978，21（2）：101-125

劉雁冰，裴順平. 汶川地震前后b值的時空變化及構造意義[J]. 地球物理學報，2017，60（6）：2104-2112" " Liu Y B，Pei S P. Temporal and spatial variation of b-value before and after Wenchuan earthquake and its tectonic implication[J]. Chinese Journal of Geophysics，2017，60（6）：2104-2112

余騰，朱益民，王鑫，等. 郯廬斷裂帶蘇魯交匯區b值時空特征研究[J]. 地球物理學進展，2020，35（6）：2134-2142" " Yu T，Zhu Y M，Wang X，et al. Research on the b-value space-time characteristics of Jiangsu-Shandong intersection area of Tanlu fault zone[J]. Progress in Geophysics，2020，35（6）：2134-2142

Scholz C H. On the stress dependence of the earthquake b value[J]. Geophysical Research Letters，2015，42（5）：1399-1402

陳學忠，李艷娥，宮悅，等. 2019年四川長寧MS6.0地震前破裂區內視應力和b值的變化[J]. 地震科學進展，2021，51（2）：49-58" " Chen X Z，Li Y E，Gong Y，et al. Variations in apparent stress and b value in the rupture area before the 2019 MS6.0 Changning earthquake[J]. Progress in Earthquake Sciences，2021，51（2）：49-58

王輝，曹建玲，荊燕，等. 川滇地區強震活動前b值的時空分布特征[J]. 地震地質，2012，34（3）：531-543" " Wang H，Cao J L，Jing Y，et al. Spatiotemporal pattern of b-value before major earthquakes in the Sichuan-Yunnan region[J]. Seismology and Geology，2012，34（3）：531-543

馬鴻慶. 華北地區幾次大震前的b值異常變化[J]. 地球物理學報，1978，21（2）：126-141" " Ma H C. Variations of the b-values before several large earthquakes occurred in North China[J]. Acta Geophysica Sinica，1978，21（2）：126-141

馬鴻慶. 大、中地震前b值的區域分布[J]. 地球物理學報，1982，25（2）：163-171" " Ma H C. The spatial distribution of the b-values before large and moderate earthquakes[J]. Acta Geophysica Sinica，1982，25（2）：163-171

Wiemer S，Wyss M. Mapping the frequency-magnitude distribution in asperities：An improved technique to calculate recurrence times？[J]. Journal of Geophysical Research：Solid Earth，1997，102（B7）：15115-15128

易桂喜，付虹，王思維，等. 1988年瀾滄—耿馬地震前震源區應力狀態分析[J]. 地震研究，2014，37（3）：332-338" " Yi G X，Fu H，Wang S W，et al. Analysis on stress state in seismogenic area before Lancang-Gengma M7.6 and M7.2 earthquakes in 1988[J]. Journal of Seismological Research，2014，37（3）：332-338

史海霞，孟令媛，張雪梅，等. 汶川地震前的b值變化[J]. 地球物理學報，2018，61（5）：1874-1882" " Shi H X，Meng L Y，Zhang X M，et al. Decrease in b-value prior to the Wenchuan earthquake （MS8.0）[J]. Chinese Journal of Geophysics，2018，61（5）：1874-1882

陳學忠，李艷娥，陳麗娟. 唐山MS7.8地震前b值異常特征[J]. 地球物理學報，2021，64（10）：3612-3618" " Chen X Z，Li Y E，Chen L J. Anomalies of the b-value prior to the MS7.8 Tangshan earthquake of 1976[J]. Chinese Journal of Geophysics，2021，64（10）：3612-3618

Petruccelli A，Schorlemmer D，Tormann T，et al. The influence of faulting style on the size-distribution of global earthquakes[J]. Earth and Planetary Science Letters，2019，527：115791

Wang R，Chang Y，Han P，et al. Optimized traffic light system with AIC and application to the 2021 M6.7 Yangbi earthquake sequence[J]. Entropy，2023，25（5）：759

李世杰，師婭芳，羅丹芩. 強震前b值的變化特征[J]. 貴州科學，2021，39（1）：64-67" " Li S J，Shi Y F，Luo D Q. Variation characteristics of b value before strong earthquakes[J]. Guizhou Science，2021，39（1）：64-67

趙明，陳石，Yuen D. 基于深度學習卷積神經網絡的地震波形自動分類與識別[J]. 地球物理學報，2019，62（1）：374-382" " Zhao M，Chen S，Yuen D. Waveform classification and seismic recognition by convolution neural network[J]. Chinese Journal of Geophysics，2019，62（1）：374-382

鄭周，林彬華，金星，等. 基于卷積神經網絡的地震波形智能識別研究[J]. 世界地震工程，2023，39（2）：148-157" " Zheng Z，Lin B H，Jin X，et al. Intelligent recognition of seismic waveform based on convolutional neural network[J]. World Earthquake Engineering，2023，39（2）：148-157

鄭路佳，管闖，李含陽，等. 基于U型卷積神經網絡的微地震信號降噪方法[J]. 東北石油大學學報，2023，47（5）：111-124" " Zheng L J，Guan C，Li H Y，et al. Microseismic noise suppression method based on U-Net[J]. Journal of Northeast Petroleum University，2023，47（5）：111-124

徐彥凱，劉曾梅，薛亞茹，等. 應用雙通道卷積神經網絡的地震隨機噪聲壓制方法[J]. 石油地球物理勘探，2022，57（4）：747-756" " Xu Y K，Liu Z M，Xue Y R，et al. Suppression of seismic random noise using dualchannel convolutional neural network[J]. Oil Geophysical Prospecting，2022，57（4）：747-756

曾奎原，朱景寶，宋晉東，等. 基于深度卷積神經網絡的2022年日本福島7.4級地震震級估算[J]. 地震工程與工程振動，2022，42（5）：1-8" " Zeng K Y，Zhu J B，Song J D，et al. Magnitude estimation for the 2022 M7.4 Fukushima earthquake in Japan based on deep convolutional neural network[J]. Earthquake Engineering and Engineering Dynamics，2022，42（5）：1-8

汪素云，王健，俞言祥，等. 基于中國地震臺網觀測報告的ML與MS經驗關系[J]. 中國地震，2010，26（1）：14-22" " Wang S Y，Wang J，Yu Y X，et al. The empirical relation between ML and MS based on bulletin of seismological observations of Chinese stations[J]. Earthquake Research in China，2010，26（1）：14-22

余騰，王鑫，李明峰，等. 郯廬斷裂帶蘇皖段及鄰區b值時空特征研究[J]. 大地測量與地球動力學，2021，41（2）：173-179" " Yu T，Wang X，Li M F，et al. Research on the b-value space-time characteristics in Jiangsu-Anhui section and adjacent area of Tan-Lu fault zone[J]. Journal of Geodesy and Geodynamics，2021，41（2）：173-179

史翔宇，王曉青，邱玉榮，等. 川滇地震科學實驗場地震目錄最小完整性震級分析[J]. 地球物理學報，2020，63（10）：3683-3697" " Shi X Y，Wang X Q，Qiu Y R，et al. Analysis of the minimum magnitude of completeness for earthquake catalog in China Seismic Experimental Site[J]. Chinese Journal of Geophysics，2020，63（10）：3683-3697

溫淑琳，劉旭宙，秦滿忠，等. 2023年甘肅積石山MS6.2地震目錄完備性研究[J]. 地震工程學報，2024，46（4）：924-931" " Wen S L，Liu X Z，Qin M Z，et al. Completeness of the earthquake catalog of the 2023 Jishishan MS6.2 earthquake in Gansu Province[J]. China Earthquake Engineering Journal，2024，46（4）：924-931

黃亦磊，周仕勇，莊建倉. 基于地震目錄估計完備震級方法的數值實驗[J]. 地球物理學報，2016，59（4）：1350-1358" " Huang Y L，Zhou S Y，Zhuang J C. Numerical tests on catalog-based methods to estimate magnitude of completeness[J]. Chinese Journal of Geophysics，2016，59（4）：1350-1358

任雪梅. 地震區劃中b值統計的若干問題研究[D]. 北京：中國地震局地球物理研究所，2011" " Ren X M. Study on the estimation of b value on seismic zoning[D]. Beijing：Institute of Geophysics，China Earthquake Administration，2011

Aki K. Maximum likelihood estimate of b in the formula logN=a-bM and its confidence limits[J]. Bulletin of the Earthquake Research Institute，Tokyo University，1965，43（2）：237-239

李冬梅，李小晗，鄭建常. 2022年瀘定M6.8地震前地震活動參數變化研究[J]. 中國地震，2023，39（3）：609-621" " Li D M，Li X H，Zheng J C. Study on variation of seismicity parameters prior to the 2022 Luding M6.8 earthquake[J]. Earthquake Research in China，2023，39（3）：609-621

Bayar B，Stamm M C. Design principles of convolutional neural networks for multimedia forensics[J]. Electronic Imaging，2017，29（7）：77-86

石耀霖，李林芳，程術. 運用LSTM神經網絡對川滇地區的地震中期預報：回溯性預測2008年汶川MS8.0地震的探索[J]. 中國科學院大學學報，2022，39（1）：1-12" " Shi Y L，Li L F，Cheng S. Application of LSTM neural network for intermediate-term earthquake prediction：Retrospective prediction of 2008 Wenchuan MS8.0 earthquake[J]. Journal of University of Chinese Academy of Sciences，2022，39（1）：1-12

Application of high generalization model in the b-value and medium and strong earthquake backtracking of the central and southern section of the Tanlu fault zone

Xiang Jianbin1， Yu Teng1， *， Zhang Dandan1， Zhu Yimin2， Xi Yujia1

1. School of Architecture and Engineering， Suqian University， Jiangsu Suqian 223800， China

2. School of Land Science and Technology， China University of Geosciences （Beijing）， Beijing 100083， China

[Abstract]" nbsp; "The indication of b-value change and earthquake preparation has always been an important reference index for earthquake situation research and judgment. Based on the advantage that deep learning technology can mine the implicit characteristics of data， taking into account the natural phenomenon of frequent earthquakes in Sichuan and Yunnan in recent years and the high attention paid to the seismic activity of the Tanlu fault， this study uses the self-made data set of seismic events in Sichuan and Yunnan region from the earthquake catalogue of the China Earthquake Networks Center， and medium and strong earthquakes above M_L4.5 are labeled as 1， weak earthquakes below M_L3.0 are labeled as 0. The grid b-value in Sichuan-Yunnan region is calculated using the time sliding window method， and the b-value changes of each earthquake event in the five years before the earthquake are mapped to the labels. By using convolutional neural network models for training and classification， the optimized model is applied to the retrospective testing of medium and strong earthquakes in the central and southern section of the Tanlu fault zone. The verification accuracy can reach about 90%. Although the Sichuan-Yunnan region and the central and southern section of the Tanlu fault zone and their neighboring areas have different geographical and structural backgrounds， data-driven methods， reasonable generalization ideas， training datasets production， and deep learning model construction still have reference significance for mining strong earthquake laws.

[Keywords] b-value; convolutional neural networks; medium and strong earthquake; Tanlu fault