30多年来，用于预警地震余震的模型基本上没有变化。虽然这些模型在数据有限的情况下运行良好，但随着数据量与日俱增，这些模型举步维艰。鉴于此，美国和德国科学家创建了一个使用深度学习预警余震的新模型，其不仅比现有地震预警模型更高效，还可以扩展。相关研究刊发于8月31日出版的《地球物理研究快报》上。

       新模型名为“复发地震预报”（RECAST），在10000多次地震事件中，其表现优于现有的传染型余震序列（ETAS）模型。

       论文主要作者、加州大学圣克鲁斯分校凯利安·达舍尔-库西诺解释称，ETAS模型基于上世纪80年代和90年代的观测数据集而设计，当时科学家们试图根据很少的观测结果建立可靠的预警。但现在地震目录变得更庞大且更详细，在科学家们已拥有数百万个地震事件目录，旧模型根本无法处理这么多数据。

       为证明RECAST的能力，研究小组首先使用ETAS来模拟地震目录，随后他们使用南加州地震目录中的真实数据测试了RECAST的模拟能力。结果发现，RECAST在预警余震方面的表现略好于ETAS，尤其在数据量增加的情况下。

       研究团队指出，机器学习领域不断取得新进展，RECAST模型将更准确，更容易适应不同的地震目录。该模型也为地震预警开辟新的可能性。由于能够适应大量新数据，该模型有可能结合来自多个地区的信息，更好地预警数据不足地区的情况。