基于生成式AI的实时概率海啸预报

# 基于生成式AI的实时概率海啸预报 来源：https://arxiv.org/html/2608.04327 古村孝志（Takashi Furumura） 东京大学地震研究所，日本东京。今村文彦（Fumihiko Imamura） 东北大学灾害科学国际研究所，日本仙台。 ###### 摘要 对近岸陆上淹没进行显式预报可提升公众的风险意识，但在高度不确定条件下（例如由巨型逆冲型地震引发的近场海啸），确定性的淹没边界预测可能给边界之外区域带来虚假的安全感。因此，当前警报主要针对近岸海啸波高，而非陆上淹没。尽管机器学习能够实现即时淹没预测，但这些预测仍是确定性的，缺乏不确定性量化。在此，我们开发了一种基于条件扩散模型（一种生成式AI）的概率集成模型，兼顾了准确性与校准性。利用2011年东北地方太平洋近海地震数据进行验证后，我们的模型能够忠实跟踪震后随时间递减的不确定性，同时准确预测淹没深度与范围。我们的框架表明，生成式AI能够推动海啸预报从确定性走向概率性，为下一代早期预警奠定基础。 ## I 引言 由巨型逆冲型地震引发的海啸是对沿海社区最具破坏性的自然威胁之一。近年来海平面上升和沿海地区人口聚集进一步放大了其潜在风险[1 (https://arxiv.org/html/2608.04327#bib.bib1),2 (https://arxiv.org/html/2608.04327#bib.bib2)]。虽然海啸预报是减轻灾害的基础，但如何在预报中充分处理固有不确定性仍然是一个关键挑战。海啸预报从根本上依赖于不完整的观测数据——例如基于地震记录的间接海啸源估计、基于陆上观测的海域地壳形变估计，或有限的近海波形数据——因此天生具有不确定性[3 (https://arxiv.org/html/2608.04327#bib.bib3),4 (https://arxiv.org/html/2608.04327#bib.bib4),5 (https://arxiv.org/html/2608.04327#bib.bib5),6 (https://arxiv.org/html/2608.04327#bib.bib6)]。特别是，海啸在浅水或陆上环境中的非线性行为会进一步增大预测不确定性[7 (https://arxiv.org/html/2608.04327#bib.bib7)]。此外，对于近场海啸，严苛的时间限制要求在观测数据不足的情况下作出预测，使得相关不确定性变得更加关键。在此类情形下，充分捕捉不确定性并理解可能的淹没情景范围，对于疏散和救援等生命攸关的决策至关重要。相比之下，目前全球运行中的海啸预警系统主要依赖确定性方法，输出单一预测值而不考虑不确定性[8 (https://arxiv.org/html/2608.04327#bib.bib8),9 (https://arxiv.org/html/2608.04327#bib.bib9)]。当前海啸预警系统的另一重大问题在于，除某些远场海啸预报等少数例外，它们提供的防灾信息并不完整，将直接造成灾害的淹没排除在预测范围之外[8 (https://arxiv.org/html/2608.04327#bib.bib8),9 (https://arxiv.org/html/2608.04327#bib.bib9)]。虽然量化预测不确定性和预测淹没是各自独立的技术挑战，但二者也存在内在联系。具体而言，在高度不确定条件下展示陆上的确定性淹没边界线，存在致命风险——可能无意中向边界以外区域传递“安全”这一误导性信息，进而妨碍居民作出适当的疏散决策。为实现实时淹没预报，近年来基于机器学习（ML）的方法展现出巨大潜力。传统上，高分辨率、大范围的实时淹没预报需要庞大的计算资源[10 (https://arxiv.org/html/2608.04327#bib.bib10)]。然而，已有研究表明，通过训练机器学习模型学习观测与淹没之间的非线性关系，并将其作为替代模型（surrogate model）来代替计算成本高昂的数值模拟，可以用极小的计算代价即时获得淹没预测[11 (https://arxiv.org/html/2608.04327#bib.bib11),12 (https://arxiv.org/html/2608.04327#bib.bib12),13 (https://arxiv.org/html/2608.04327#bib.bib13),14 (https://arxiv.org/html/2608.04327#bib.bib14),15 (https://arxiv.org/html/2608.04327#bib.bib15)]。尽管计算效率取得了这些显著进展，但预测不确定性的量化研究仍不充分。虽然已有尝试利用机器学习模型快速推理能力进行集成式海啸淹没预报，但其主要目标是观测误差的敏感性分析或波源不确定性评估，并未深入验证预测不确定性的统计可靠性[11 (https://arxiv.org/html/2608.04327#bib.bib11),15 (https://arxiv.org/html/2608.04327#bib.bib15)]。此外，其他现有概率海啸预报研究将预测目标限定于警报等级或近岸波高[5 (https://arxiv.org/html/2608.04327#bib.bib5),16 (https://arxiv.org/html/2608.04327#bib.bib16),17 (https://arxiv.org/html/2608.04327#bib.bib17),18 (https://arxiv.org/html/2608.04327#bib.bib18)]。因此，在本研究中，我们利用一种生成式AI——扩散模型——开发了名为“GenTEW（Generative Tsunami Early Warning，生成式海啸早期预警）”的预测模型，提供能够定量评估不确定性的概率实时海啸淹没预报。扩散模型是近期生成式AI突破性进展的重要推动力[19 (https://arxiv.org/html/2608.04327#bib.bib19),20 (https://arxiv.org/html/2608.04327#bib.bib20)]，其概率生成能力也已被报道可用于气象领域的高质量集合预报[21 (https://arxiv.org/html/2608.04327#bib.bib21)]。我们证明，GenTEW不仅在日本近海现有高密度观测网络条件下[22 (https://arxiv.org/html/2608.04327#bib.bib22)]，而且在2011年东北地方太平洋近海地震时期存在的稀疏观测条件下[23 (https://arxiv.org/html/2608.04327#bib.bib23)]，均能同时实现高预测精度与恰当的不确定性量化。该模型成功捕捉了观测数据匮乏的早期阶段所存在的大不确定性，并随着数据积累动态地优化预测可靠性。参见图注 图1：基于条件潜空间扩散模型的实时海啸淹没预报概览。A，目标区域（东北地方太平洋沿岸）的地理设置。采用Satake等人（2013）[24 (https://arxiv.org/html/2608.04327#bib.bib24)]估计的2011年东北地方太平洋近海地震海啸源模型的海面波动以1 m间隔的等值线显示（红线和蓝线分别表示海床抬升引起的水位上升和沉降引起的水位下降），并附带假设的子断层设置。该图还展示了本研究所用的近海海啸观测网络（NOWPHAS与S-net）的空间布局，以及作为淹没预报目标区域的仙台市沿海地区。B，2011年东北地方太平洋近海地震期间五个NOWPHAS台站记录的实际观测波形[25 (https://arxiv.org/html/2608.04327#bib.bib25)]。震后10、20和30分钟积累的多台站水位时间序列数据作为条件引导，用于推断淹没的空间分布。C，通过迭代去噪生成淹没图的过程。在推理过程中，从潜空间中的纯高斯噪声\(\mathcal{N}(0,\mathbf{I})\)出发，训练好的去噪模型（\(r_\theta\)）逐步移除噪声，最终为每个经过时间生成高分辨率淹没分布。

## II GenTEW方法 GenTEW是一种“Wave2Image”型概率海啸预测模型，直接从近海观测波形估计内陆淹没分布（最大淹没深度或到达时间），以15米分辨率（\(512\times512\)网格单元）为目标沿海区域生成集合预测（图S1 (https://arxiv.org/html/2608.04327#Sx3.F1)A）。该模型用潜空间扩散模型（LDM）取代了传统的确定性预测方法。LDM是一种生成式AI架构，直接学习数据本身的概率分布[20 (https://arxiv.org/html/2608.04327#bib.bib20),19 (https://arxiv.org/html/2608.04327#bib.bib19)]。图1 (https://arxiv.org/html/2608.04327#S1.F1)展示了GenTEW的工作流程；从近海观测站获取海啸波形（图1 (https://arxiv.org/html/2608.04327#S1.F1)A、B），LDM在给定波形特征条件下，通过迭代去噪生成海啸淹没图（图1 (https://arxiv.org/html/2608.04327#S1.F1)C）。为覆盖多样化的海啸情景，本文使用基于概率算法生成的断层模型所构建的约2000组海啸淹没模拟数据集进行训练与评估。GenTEW对二维淹没分布图\(Y\)的条件概率分布\(P(Y|W^t)\)进行建模，其中\(Y\)以地震发生后特定经过时间\(t\)（本研究中为2.5至50分钟）内从多个观测点获取的波形时间序列数据\(W^t\)为条件。对于\(W^t\)，使用最多150个点的水位波形——包括日本海沟海底地震海啸观测网（S-net）的145个点和全国港湾海洋波浪信息网（NOWPHAS）的5个点[22 (https://arxiv.org/html/2608.04327#bib.bib22),25 (https://arxiv.org/html/2608.04327#bib.bib25)]——并馈入一个基于 transformer 架构[26 (https://arxiv.org/html/2608.04327#bib.bib26)]的独特波形编码器。在推理过程中，从潜空间中的纯高斯噪声出发，通过由波形编码器提取特征引导的反向扩散过程生成淹没分布。通过改变这一初始噪声，可以实现表示模型固有不确定性的集合预报[21 (https://arxiv.org/html/2608.04327#bib.bib21)]。此外，本方法还受气象集合预报中输入扰动方法的启发[27 (https://arxiv.org/html/2608.04327#bib.bib27)]，对输入波形引入扰动。这种策略能够对不确定性进行综合评估，包括由观测误差引起的偶然不确定性（aleatoric uncertainty）和模型认知不确定性（epistemic uncertainty）（噪声添加细节参见补充材料）。与传统高成本海啸模拟相比，GenTEW速度极快，可在单个NVIDIA GH200 GPU上约38秒内生成51个淹没集成成员。参见图注 图2：使用2011年东北地方太平洋近海地震模拟情景与测试数据对GenTEW进行定量评估。基于Satake等人[24 (https://arxiv.org/html/2608.04327#bib.bib24)]海啸源模型的2011年情景（合成的S-net观测波形）的集成推理结果，以及使用200个由随机海啸源物理模拟生成的测试情景的预测精度评估。A，震后2.5至50分钟期间海啸在源区传播的状态。B，GenTEW预测的平均淹没深度图，以及总淹没体积对应第5和第95百分位（第3小和第3大）的集成成员推理结果。C，目标物理模拟生成的真实淹没图。D，集成平均预测误差（均方根误差，RMSE）的时间演变。阴影区域表示集成标准差（Spread）。E、F，整个测试数据集的平均得分。E，CRPS[21 (https://arxiv.org/html/2608.04327#bib.bib21)]，表示概率预报的整体预测性能。F，Spread-skill比值，表示不确定性量化的可靠性。GenTEW-Diffusion表现出过度自信，而GenTEW在所有时间段均围绕理想值1.0波动，实现了适当的校准。

## III 基线与评估协议 为独立评估GenTEW中两种不确定性生成机制的贡献，我们构建了两个消融模型作为基线：“GenTEW-Diffusion”，依赖LDM固有的概率特性；“GenTEW-Perturbed”，依赖输入波形扰动同时保持推理过程确定性（细节参见补充材料）。为比较这三种方法，我们建立了一个两阶段评估协议。首先，使用未参与训练的独立测试数据集（200个情景）评估模型，以非线性物理模拟[28 (https://arxiv.org/html/2608.04327#bib.bib28)]的淹没结果作为真值。其次，使用2011年东北地方太平洋近海地震情景进行实证案例研究。后者不仅包括假设当前高密度观测网络（S-net与NOWPHAS）的合成波形评估（图2 (https://arxiv.org/html/2608.04327#S2.F2)A），还包括基于历史真实数据的稳健性验证。该验证以2011年仅由NOWPHAS记录的稀疏实际观测波形[25 (https://arxiv.org/html/2608.04327#bib.bib25)]（图1 (https://arxiv.org/html/2608.04327#S1.F1)B）作为输入，并以实际淹没深度调查结果[29 (https://arxiv.org/html/2608.04327#bib.bib29)]和淹没范围[30 (https://arxiv.org/html/2608.04327#bib.bib30)]作为真值。参见图注 图3：使用2011年东北地方太平洋近海地震实际观测数据对GenTEW进行实证评估。A，预测淹没深度分布与灾后调查结果的比较。图中显示了震后5分钟和40分钟时的预测平均图以及第5和第95百分位推理结果。实际淹没痕迹调查结果（深度以柱状图[29 (https://arxiv.org/html/2608.04327#bib.bib29)]表示，范围以红色多边形[30 (https://arxiv.org/html/2608.04327#bib.bib30)]表示）叠加显示。对于调查结果中给出明确淹没深度数据的特定位置，显示了预测深度[29 (https://arxiv.org/html/2608.04327#bib.bib29)]。B，所有调查位置处测得与预测淹没深度的空间平均值比较。阴影带表示集成标准差（±1\(\sigma\)扩展，内带）以及由产生最大和最小值的特定集成成员的预测平均深度所界定的范围（最小-最大范围，外带）。例如，震后5分钟时，预测平均