研究背景：P波初期信息直接预测台站端的峰值，随着地震监测预警台网建设的越来越密集，所有现地台站峰值预测即可以近似为地震动场，同时，地震的潜在破坏预测也依赖于准确的现地Kanamori（

传统的现地P波初期中提取的单个参数（如：峰值位移IV2）建立CNN、循环神经网络SVM）建立地震动峰值预测模型。然而，使用单个机器学习模型提取的特征在一定程度上存在单一性和有限性。PGV快速预测，同时也探索了基于现地

研究方法及结果： 1）我们提出了一个由RNN特征提取块组成的混合深度学习网络（PGV。模型采用单个台站的多个物理特征时间序列、地震原始波形和场地特征PGV相关的信息。本研究利用日本2007-2019年记录到的地震动记录建立训练集和测试集对1展示了HybridNet模型预测的现地PGV与地震潜在破坏（仪器烈度）之间的关系，通过对预测的

P波到达后1给出了Pd方法、SVM模型、RNN模型）的MAE）、标准差（R2）。表MAE、R2与MAE、R2之间的差值；括号里的第二个数字是MAE和HybridNet模型的1中可以发现：和基线模型相比，2展示了场地特征HybridNet模型结果影响，这表明场地特征HybridNet模型输入可以提高模型的性能。 3）对于独立于训练集和测试集的M≥6.5），该工作分析了PGV对潜在破坏区域估计的可行性。图P波到达后2中可以看到，基于PGV获得的潜在破坏区域与ShakeMap有很好的一致性，且成功报警的准确性达到了

5次地震事件，在潜在破坏场地中，图P波到达后时间窗的关系。从图a）中可以看到：随着P波到达后60%。此外，在10秒时，成功报警率超过2%。从图b）中可以看到：当在4秒内，平均观测预警时间超过P波到达之后时间的增加而逐渐减小。在10秒时，平均观测预警时间仍超过

K-NET强震动台网记录的地震动记录，本文构建了用于HybridNet）模型，这不同单个深度学习模型（如RNN模型），也不同于使用单个基于物理的特征（如IV2）建立HybridNet模型优于IV2方法、CNN模型和P波到达后几秒内，基于PGV可以获鲁棒的潜在破坏区域估计；该方法在现地地震预警中有一定的应用潜力。

该成果发表在地球物理领域顶刊《Zhu Jingbao, Li Shanyou, Song Jindong. Hybrid Deep-Learning Network for Rapid On-Site Peak Ground Velocity Prediction. IF：JCR：ResearchGate:https://www.researchgate.net/publication/366422949_Hybrid_Deep-Learning_Network_for _Rapid
_On-Site_Peak_Ground_Velocity_Prediction

图1 HybridNet模型网络架构

图2 P波到达后3秒时的潜在破坏区域估计和警报性能

图3 报警性能和平均观测预警时间与P波到达后时间窗的关系