朱鵬宇 程佳 杜龍

1)應(yīng)急管理部國家自然災(zāi)害防治研究院，北京 100085 2)復(fù)合鏈生自然災(zāi)害動(dòng)力學(xué)應(yīng)急管理部重點(diǎn)實(shí)驗(yàn)室，北京 100085 3)中廣核工程有限公司，廣東深圳 518000

0 引言

我國大陸是全球板內(nèi)強(qiáng)震最為活躍的地區(qū)之一，歷史資料顯示，我國五千年的文字記載史同樣也伴隨著約四千年的地震災(zāi)難史。這些地震既包括了多次死亡人口超過十萬的災(zāi)難性大地震，也含有數(shù)人到數(shù)十人傷亡的4～5級小震，顯示出“小震大災(zāi)，大震巨災(zāi)”的特征。地震引起的傷亡人口數(shù)量不僅取決于地震震源破裂本身(如震級、震源深度、震源機(jī)制)以及傳播路徑(如地震波衰減關(guān)系、地質(zhì)結(jié)構(gòu)、受影響區(qū)域特征)，還與地震破壞地區(qū)的人口分布和生活環(huán)境有關(guān)(如建筑物類型和質(zhì)量、人口密度、生活方式以及地震知識普及度等)。因此，對于未來強(qiáng)震造成人員傷亡的預(yù)測，不僅需要關(guān)注強(qiáng)震時(shí)間、地點(diǎn)、震級等震源要素，還需要關(guān)注其可能引起的烈度范圍、受災(zāi)人口數(shù)量等參數(shù)。

在地震傷亡人口評估方面，自20世紀(jì)80年代以來許多學(xué)者通過搜集各種震害資料，提出相關(guān)的地震傷亡人口經(jīng)驗(yàn)預(yù)測公式(肖光先，1991；Samardjieva et al，2002；Chen et al，2005)。近年來，隨著軟件算法的不斷更新，震后傷亡人員的快速評估工作引入了各種非線性算法，使得在多因素評估下的結(jié)果較以往的經(jīng)驗(yàn)公式更為合理。總體而言，地震傷亡人口快速評估方法一般有3種。第一種快速評估方法為經(jīng)驗(yàn)關(guān)系法，即對歷史地震傷亡數(shù)據(jù)分析后，基于多個(gè)因子(如震級、烈度參數(shù)、人口密度等)回歸得出經(jīng)驗(yàn)公式。例如，Samardjieva等(2002)給出的有關(guān)震級、受災(zāi)區(qū)域人口密度、人口密度退化參數(shù)的傷亡人數(shù)預(yù)測公式；肖光先(1991)給出的基于人口密度和烈度的地震死亡人數(shù)評估模型。由于地震傷亡人口受控因素眾多，且傷亡人口統(tǒng)計(jì)本身也存在一定誤差，很難使用少數(shù)幾個(gè)因素構(gòu)建出合理的統(tǒng)計(jì)關(guān)系式。第二種快速評估方法為基于房屋毀壞比或倒塌面積的傷亡公式，尹之潛(1991)根據(jù)20世紀(jì)90年代造成重大人員傷亡的地震數(shù)據(jù)，給出人員死亡比與房屋毀壞比之間的經(jīng)驗(yàn)公式，并對1966年邢臺6.8級、1970年通海7.8級、1976年唐山7.8級和1979年溧陽6.0級地震的死亡人數(shù)進(jìn)行驗(yàn)證；Murakami(1992)將人員死亡率與烈度、房屋內(nèi)人員在室率、房屋的類型、房屋的倒塌率等因素結(jié)合，給出預(yù)測房屋倒塌引起人員傷亡的經(jīng)驗(yàn)公式，由于該預(yù)測模型基于房屋倒塌率或者倒塌面積展開，很難適用于震后快速評估。第三種快速評估方法為基于人工神經(jīng)網(wǎng)絡(luò)的地震傷亡人口評估方法，田鑫等(2012)利用BP神經(jīng)網(wǎng)絡(luò)對2008年汶川8.0級和2010年玉樹7.1級地震的傷亡人口進(jìn)行了預(yù)測分析，由于該模型訓(xùn)練樣本僅有14個(gè)，且輸出預(yù)測值為傷亡人數(shù)總和，不能良好地表現(xiàn)出死亡與受傷人群的數(shù)量特征，模型對于不同等級的地震事件不具有普適性；賈晗曦(2020)以震級、震源深度、震中烈度、人口密度、受災(zāi)人口數(shù)和發(fā)震時(shí)間等19個(gè)參數(shù)作為輸入特征，但人口密度與受災(zāi)人數(shù)等參數(shù)的信息之間存在重疊，在快速評估震后傷亡人員的應(yīng)用中滿足具備條件的樣本量較少。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，深度學(xué)習(xí)被廣泛應(yīng)用于人工智能各個(gè)研究領(lǐng)域，展示出優(yōu)異的性能(田啟川等，2019)，深度學(xué)習(xí)和淺層學(xué)習(xí)的區(qū)別在于強(qiáng)調(diào)了模型結(jié)構(gòu)的深度(Lee et al，2009)，其復(fù)雜的多層結(jié)構(gòu)和優(yōu)異的擬合能力同時(shí)涉及特征學(xué)習(xí)，摒棄了淺層學(xué)習(xí)通過特征轉(zhuǎn)換抽取樣本特征的方式。

基于上述優(yōu)點(diǎn)，本文將基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法來構(gòu)建中國大陸的地震傷亡人口預(yù)測模型。首先，搜集中國大陸1976—2020年以來造成人口傷亡資料較完整的地震震例87個(gè)(圖1)，其中包括4級地震傷亡事件8次、5級地震傷亡事件33次、6級地震傷亡事件37次、7級地震傷亡事件8次、8級地震傷亡事件1次。其次，綜合考慮發(fā)震年代、發(fā)震時(shí)刻、發(fā)震季節(jié)、Ⅵ度及以上區(qū)域受災(zāi)面積、Ⅵ度及以上區(qū)域受災(zāi)人口數(shù)等5個(gè)人口環(huán)境參數(shù)，以及震源深度、極震區(qū)烈度、震源機(jī)制(走滑型Ⅰ、逆沖型Ⅱ、正斷型Ⅲ)等3個(gè)發(fā)震斷層性質(zhì)參數(shù)，引入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法評估多因素作用下的中國大陸歷史地震傷亡人口特征，為后續(xù)地震人口傷亡風(fēng)險(xiǎn)預(yù)測提供依據(jù)。

1 數(shù)據(jù)與分析

1.1 樣本集的選擇

本文選用的資料主要來自于《中國大陸地震災(zāi)害損失評估匯編》(國家地震局等，1996；中國地震局震災(zāi)應(yīng)急救援司，2015)、《中國震例》(張肇誠，1988、2000)以及《中國大陸地震災(zāi)害損失述評》(鄭通彥等，2014；林向洋等，2020)等資料；選取中國大陸1976—2022年參數(shù)較全面且造成人員死亡的地震事件87例，逐一分析其震源特征和社會(huì)環(huán)境特征等，給出具有地震傷亡影響意義的8個(gè)因素；以2020年之前發(fā)生且造成人員死亡的78個(gè)震例作為模型訓(xùn)練集，以近年來造成人員傷亡較大的9個(gè)典型震例作為測試集，模型選用的地震事件分布及震源機(jī)制見圖1。從圖1可看出，造成人員死亡的主要地震事件集中在南北地震帶，尤其是四川和云南地區(qū)；另外，分布在新疆天山中部和南部、西藏南部、華北和東北地區(qū)，以及長江中下游和廣西地區(qū)。震源機(jī)制類型主要來源于Global CMT目錄(1)https：//www.globalcmt.org/CMTsearch.html，部分震源機(jī)制來源于許忠淮等(1989)、闞榮舉等(1977)和王曉山等(2015)的研究，包括正斷層事件9個(gè)，走滑事件56個(gè)，逆沖事件22個(gè)。

注：數(shù)據(jù)來源于全國地理信息資源目錄服務(wù)系統(tǒng)(2) https：//www.tianditu.gov.cn提供的1︰100萬全國基礎(chǔ)地理數(shù)據(jù)庫(2021版)；審圖號：GS(2016)2556。

1.2 特征參數(shù)選取

地震造成人員傷亡是多因素共同作用下的結(jié)果，如果將所有因素都作為輸入指標(biāo)進(jìn)行預(yù)測，不僅會(huì)帶入許多重疊信息，還會(huì)因輸入維數(shù)過多而增加神經(jīng)網(wǎng)絡(luò)收斂的難度。本文分析對比前人回歸預(yù)測方法的輸入?yún)?shù)，其主要將地震臺站數(shù)據(jù)(震級、時(shí)刻、深度等)作為模型參數(shù)，未考慮一些社會(huì)因素(季節(jié)、受災(zāi)人口數(shù)等)。在發(fā)震年代的選取上，參考?xì)v代建筑抗震設(shè)計(jì)規(guī)范(GBJ11-89、GB500011-2001、GB50011-2010)，將震例年份按1976—1989年、1989—2001年、2001—2010年、2010—2022年處理，并按照Ⅰ、Ⅱ、Ⅲ、Ⅳ分別編碼，即將發(fā)震年份劃分成4個(gè)年代；在發(fā)震時(shí)刻的處理上，將一天劃分為3個(gè)時(shí)間段，即21：00—6：00、6：00—18：00、18：00—21：00；同時(shí)，考慮發(fā)震季節(jié)(12—2月記為冬季，3—11月記為夏季)、震源深度、Ⅵ度及以上區(qū)域受災(zāi)面積、Ⅵ度及以上區(qū)域受災(zāi)人口數(shù)4項(xiàng)指標(biāo)作為模型的6項(xiàng)固定輸入?yún)?shù)；選取極震區(qū)最大烈度作為第7項(xiàng)特征指標(biāo)；另外，本文也對87個(gè)震例的震源機(jī)制逐一分析，將震源機(jī)制類型(走滑型Ⅰ、逆沖型Ⅱ、正斷型Ⅲ)作為第8個(gè)輸入指標(biāo)，與上述7項(xiàng)參數(shù)組合構(gòu)成地震傷亡人口的影響指標(biāo)。

因此，本文的輸入指標(biāo)分為：發(fā)震年代、發(fā)震時(shí)刻，發(fā)震季節(jié)、Ⅵ度及以上區(qū)域受災(zāi)面積和受災(zāi)人口數(shù)、震源深度、極震區(qū)最大烈度、震源機(jī)制類型。

2 深度神經(jīng)網(wǎng)絡(luò)模型

本文在搭建深度神經(jīng)網(wǎng)絡(luò)模型的過程中使用了K折交叉驗(yàn)證方法，可降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中隨機(jī)性影響等問題(王鈺等，2020)。在訓(xùn)練模型時(shí)，以2020年之前的78次地震傷亡事件為訓(xùn)練集，利用9次社會(huì)影響力較大的地震來驗(yàn)證結(jié)果的可靠性，其中包括2005年11月26日江西九江5.7級、2008年5月12日四川汶川8.0級、2008年8月30日四川攀枝花6.1級、2010年4月14日青海玉樹7.1級、2012年6月24日四川寧蒗—鹽源5.7級、2013年7月22日甘肅定西6.6級、2013年4月20日四川蘆山7.0級、2014年8月3日云南魯?shù)?.5級和2022年6月1日蘆山6.1級地震。

在訓(xùn)練集和驗(yàn)證集的分配上，選取不同比例的數(shù)據(jù)作為驗(yàn)證集，其驗(yàn)證效果差異較大，不能很好地檢驗(yàn)?zāi)Ｐ偷哪芰Α１狙芯渴褂肒折交叉驗(yàn)證法(K-Fold)對數(shù)據(jù)進(jìn)行訓(xùn)練，以使驗(yàn)證指標(biāo)相對可靠，這一步驟既可以解決數(shù)據(jù)集數(shù)據(jù)量相對較少的問題，也可促進(jìn)預(yù)測模型的參數(shù)調(diào)優(yōu)。模型計(jì)算流程見圖2，其主要包括4個(gè)步驟，即標(biāo)準(zhǔn)化處理、建立模型、K折交叉驗(yàn)證、訓(xùn)練模型。標(biāo)準(zhǔn)化處理后，建立模型進(jìn)行K次交叉驗(yàn)證，將這K次的平均結(jié)果作為模型最終的泛化誤差，得到最佳訓(xùn)練參數(shù)，通過最佳訓(xùn)練參數(shù)對樣本集再訓(xùn)練，并得到最終模型進(jìn)行測試樣本的驗(yàn)證。在K折交叉驗(yàn)證法中，K取值一般在[2，10]之間。在本文的深度學(xué)習(xí)參數(shù)調(diào)整中，當(dāng)學(xué)習(xí)率為0.0013、K=4、訓(xùn)練步數(shù)為20000時(shí)，模型收斂迅速，損失函數(shù)小，結(jié)果穩(wěn)定。

圖2 深度學(xué)習(xí)模型計(jì)算流程

2.1 深度神經(jīng)網(wǎng)絡(luò)

通過結(jié)合開源深度學(xué)習(xí)框架(TensorFlow)與高層神經(jīng)網(wǎng)絡(luò)接口(Keras)，實(shí)現(xiàn)中國大陸地震傷亡人口的深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型。深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)能夠從數(shù)據(jù)中挖掘出更高維度的特征，由多個(gè)單層非線性網(wǎng)絡(luò)疊加組成，其訓(xùn)練過程包括信號前向傳播和誤差反向傳播2個(gè)過程；在前向傳播過程中，將樣本數(shù)據(jù)輸入到模型網(wǎng)絡(luò)后，經(jīng)隱藏層處理后輸出預(yù)測值；由于網(wǎng)絡(luò)輸出結(jié)果與實(shí)際值存在誤差，將誤差從輸出層向隱藏層反向傳播直至輸入層，反向傳播的過程中通過誤差來調(diào)整各種參數(shù)的值，并不斷迭代此過程(Moosavi et al，2019；Tut Haklidir et al，2020)。在上述2個(gè)過程中，深度神經(jīng)網(wǎng)絡(luò)通過各種超參數(shù)的優(yōu)化，不斷更新各層權(quán)值和偏置，從而使網(wǎng)絡(luò)輸出的預(yù)測值更趨近于真實(shí)值(Nguyen et al，2019、2020)，所使用的Keras高級API支持快速實(shí)驗(yàn)，能夠?qū)?shí)驗(yàn)想法快速轉(zhuǎn)換為實(shí)驗(yàn)結(jié)果，常用于構(gòu)建DNN(深度神經(jīng)網(wǎng)絡(luò))、CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))等多種深度學(xué)習(xí)模型(樊雷，2018)。

2.2 深度神經(jīng)網(wǎng)絡(luò)層搭建

深度神經(jīng)網(wǎng)絡(luò)層搭建包含3個(gè)部分：輸入層、隱藏層和輸出層。輸入層進(jìn)行數(shù)據(jù)的輸入保存，本文選取8個(gè)關(guān)鍵特征因素作為輸入?yún)?shù)，即DNN模型輸入層神經(jīng)元的個(gè)數(shù)為8；在深度神經(jīng)網(wǎng)絡(luò)模型最優(yōu)結(jié)構(gòu)的選擇上，通過逐步增加網(wǎng)絡(luò)層的方法，確定隱藏層為4層，采用Kolmogorov提出的公式(1)和(2)確定震后死亡人數(shù)預(yù)測模型的每隱藏層神經(jīng)元17、6、6、6的最優(yōu)結(jié)構(gòu)，即隱藏層1

M=2I+1

(1)

其中，I為輸入層節(jié)點(diǎn)數(shù)。

隱藏層2～4

(2)

其中，J為輸入層的節(jié)點(diǎn)個(gè)數(shù)，K為輸出層的節(jié)點(diǎn)個(gè)數(shù)。模型拓?fù)鋱D如圖3所示。

圖3 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

在建立震后受傷人數(shù)預(yù)測模型的過程中，由于不同級別地震導(dǎo)致的受傷人數(shù)差異較大，訓(xùn)練模型時(shí)使用增加神經(jīng)元節(jié)點(diǎn)數(shù)的方法加快模型收斂速度，因此，選擇建立震后受傷人數(shù)預(yù)測模型的隱藏層神經(jīng)元個(gè)數(shù)分別為64、32、16、8。

3 模型預(yù)測結(jié)果

利用建立的深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型對78個(gè)破壞性地震進(jìn)行建模分析，對多達(dá)9個(gè)地震傷亡事例(2000年以來造成人員傷亡較大的典型震例)進(jìn)行預(yù)測，其中除2008年汶川8.0級和2010年玉樹7.1級地震外，其他7次事件預(yù)測值與實(shí)際值誤差均在一個(gè)數(shù)量級上，模型測試集樣本參數(shù)及預(yù)測結(jié)果見表1，生成模型所用的訓(xùn)練步數(shù)(Training steps)僅為Jia等(2019)五十萬次的1/20，提高了模型的訓(xùn)練速度。

表1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測2005年以來中國典型大陸地震傷亡結(jié)果

從表 1 預(yù)測結(jié)果看，2008年汶川8.0級和2010年玉樹7.1級地震的預(yù)測傷亡人口明顯小于實(shí)際傷亡人口。2008年汶川8.0級地震的死亡失蹤人口達(dá)到87150人，其不僅來自于地震引起的建筑物破壞，還來自于滑坡(如北川縣城)、泥石流、山崩等環(huán)境破壞(郭迅，2009；王艷茹等，2009)，以及暴雨等突發(fā)天氣對應(yīng)急救援的影響。2010年玉樹7.1級地震發(fā)生在玉樹斷裂帶上，破裂段橫穿玉樹州府駐地結(jié)古鎮(zhèn)西南側(cè)，加之海拔高度高、房屋結(jié)構(gòu)易破壞等特征，其地震死亡失蹤人口達(dá)2968人，造成該地震傷亡人口的原因不僅包括了房屋結(jié)構(gòu)的問題(陳洪富等，2011)，還包括了其地震波從西北側(cè)初始破裂點(diǎn)向東南方向破裂傳播，使玉樹城區(qū)遭受嚴(yán)重破壞(張勇等，2010；朱艾斕等，2012)。另外，2012年寧蒗—鹽源5.7級和2014年魯?shù)?.5級地震的傷亡人數(shù)預(yù)測值也明顯小于真實(shí)值。2012年寧蒗—鹽源5.7級地震發(fā)生在云南與四川交界區(qū)，死亡和受傷人口預(yù)測結(jié)果小于實(shí)際情況。鄭通彥等(2014)給出的中國大陸地震災(zāi)害述評資料顯示，該地震死亡4人，受傷442人；而錢曉東等(2012)給出的死亡人口為3人，重傷人口為25人。從預(yù)測結(jié)果看，死亡人數(shù)的評估結(jié)果略小于實(shí)際結(jié)果，在受傷人口的預(yù)測上，模型預(yù)測受傷人數(shù)為19人，而資料顯示重傷25人。從這一預(yù)測分析情況看，一方面顯示死亡人口存在著一定的偶然性，另一方面也體現(xiàn)西部山區(qū)和兩省交界處的區(qū)域特殊性。同樣的情況也出現(xiàn)在2014年魯?shù)?.5級地震人口傷亡的預(yù)測上，該地震的傷亡人口相對較多，一方面因?yàn)樵摰貐^(qū)人口稠密、相對貧困、建筑物質(zhì)量無抗震能力或者相對較弱，另一方面也與該地區(qū)山高坡陡、崩塌滑坡在地震后密集發(fā)生有關(guān)(Cheng et al，2015；李永強(qiáng)等，2016)。

從上述結(jié)果看，地震傷亡人口的真實(shí)值中包括地震直接造成的傷亡，其主要由房屋倒塌所致，對于相對貧困的邊遠(yuǎn)地區(qū)，房屋倒塌引起的死亡人口相對較多；另一部分地震傷亡人口來自于地震引起的滑坡、坍塌等鏈生自然災(zāi)害導(dǎo)致的人口傷亡，這部分則主要發(fā)生在如2008年汶川8.0級特大強(qiáng)震或2014年魯?shù)?.5級具有特殊地形條件的地震。由此也可以看出，在地震傷亡預(yù)測模型的基礎(chǔ)上，增加考慮地震滑坡、建筑物易損性的模型可能是未來地震傷亡預(yù)測研究的重要方向之一。

本文通過公式(3)進(jìn)行模型評估

(3)

其中，P表示誤差率；預(yù)測值與真實(shí)值相差越小，P值越接近0；相差越大，P值越接近于1。

對表1中的樣本預(yù)測值與實(shí)際值進(jìn)行P值計(jì)算，得出P死亡人數(shù)誤差率=0.406，P受傷人數(shù)誤差率=0.490，除去玉樹地震和汶川地震2次估值相差較大的事件后，計(jì)算得出的P死亡人數(shù)誤差率=0.298，P受傷人數(shù)誤差率=0.387。為預(yù)測模型和參數(shù)的可靠性，將預(yù)測效果與其他類似預(yù)測結(jié)果進(jìn)行對比。以往的研究多數(shù)是震后通過特大地震傷亡事件結(jié)果來檢驗(yàn)預(yù)測的可靠性，如楊帆等(2009)、田鑫等(2012)的預(yù)測結(jié)果。而針對所有震級尤其是中等地震的預(yù)測結(jié)果，周德紅等(2017)通過BP神經(jīng)網(wǎng)絡(luò)方法和震級、時(shí)間、震源深度、震中烈度、抗震設(shè)防烈度、震中烈度與設(shè)防烈度之差、人口密度等7個(gè)參數(shù)構(gòu)建了預(yù)測模型，對2012年彝良5.7級、2012年蘆山7.0級、2013年定西6.6級、2014年康定6.3級和2016年中國臺灣高雄6.7級地震的死亡人數(shù)進(jìn)行驗(yàn)證。本文在參數(shù)不變的情況下，將中國大陸地區(qū)的2012年彝良5.7級、2012年蘆山7.0級、2013年定西6.6級和2014年康定6.3級地震作為模型驗(yàn)證集，將原有訓(xùn)練樣本中除彝良5.7級和康定6.3級地震外的76個(gè)震例作為訓(xùn)練樣本來建立模型，得出的預(yù)測死亡人數(shù)結(jié)果分別為38人、207人、88人和5人，經(jīng)公式(3)計(jì)算得出P=0.072，與周德紅等(2017)給出的上述4次地震死亡預(yù)測P值(0.084)相比更小，說明本文方法及選取的參數(shù)指標(biāo)對于傷亡人數(shù)的預(yù)測結(jié)果更優(yōu)。

需要強(qiáng)調(diào)的是，本文從震后快速評估角度出發(fā)，在得到地震快報(bào)目錄后即可在1～2min內(nèi)完成相關(guān)計(jì)算，盡量克服不同類型地震各種參數(shù)(8種因素)的影響，因此使用了統(tǒng)一的預(yù)測樣本數(shù)據(jù)進(jìn)行不同震級和參數(shù)下的地震傷亡人口預(yù)測。對于表1中的前7個(gè)樣本，預(yù)測值與實(shí)際值均在同一數(shù)量級之內(nèi)，雖然2005年九江5.7級、2008年攀枝花6.1級和2014年魯?shù)?.5級地震的傷亡人口預(yù)測值存在較大誤差，但在實(shí)際地震發(fā)生后的快速評估工作中屬于可接受的范圍，仍可用于震后應(yīng)急響應(yīng)級別的輔助研判和人力物資的分配參考；2008年汶川8.0級和2010年玉樹7.1級地震的誤差率雖然較高，但也能反映出地震造成人員傷亡的影響程度較大，對于震后救援決策也有一定的意義。

4 結(jié)論

本文綜合考慮人口環(huán)境參數(shù)(發(fā)震年代、發(fā)震時(shí)刻、發(fā)震季節(jié)、Ⅵ度及以上區(qū)域受災(zāi)面積與受災(zāi)人口)和發(fā)震斷層性質(zhì)參數(shù)(震源深度、極震區(qū)烈度、震源機(jī)制類型)，在構(gòu)建模型時(shí)，使用了包括2020年之前的78個(gè)地震傷亡事件作為訓(xùn)練樣本，以2005年之后的9個(gè)典型事件作為測試樣本。在上述數(shù)據(jù)準(zhǔn)備、模型構(gòu)建和算法預(yù)測過程中，存在較多不確定性及誤差，其中，不確定性中既包括了傷亡人口本身的不確定性，也包括尚未考慮的因素(如房屋質(zhì)量、地震波傳播特征、場地特征等)，同樣還存在著模型的參數(shù)誤差等；傷亡人口數(shù)量的不確定性同樣會(huì)夾雜著諸如山崩、滑坡、泥石流、火災(zāi)等次生災(zāi)害引起的影響，也會(huì)受到諸如天氣和道路阻塞等情況下救援及時(shí)程度的影響，因此很難構(gòu)建足夠多的樣本對這一影響程度進(jìn)行模擬分析和統(tǒng)計(jì)檢驗(yàn)。例如2008年汶川8.0級地震，人員傷亡不僅來自于地震引起的建構(gòu)筑物破壞，還來自于滑坡(如北川縣城)、泥石流、山崩等環(huán)境破壞；而2010年玉樹7.1級地震傷亡人口多的主要原因是玉樹州府結(jié)古鎮(zhèn)直接位于斷層之上，房屋破壞程度不言而喻。在上述不確定性很難消除的情況下，構(gòu)建一個(gè)綜合考慮多因素的地震傷亡人口預(yù)測模型并盡量降低模型誤差的影響極為重要。本文基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建震源和社會(huì)因素共同作用下的中國大陸地震人口傷亡預(yù)測模型，這一方法不僅考慮了社會(huì)環(huán)境等因素，也增加了震源差異對模型預(yù)測結(jié)果的影響，可用于未來某一城市或地區(qū)發(fā)生地震時(shí)快速評估地震造成的人員損失，在一定程度上彌補(bǔ)了目前常用的震后人員傷亡評估方法評價(jià)指標(biāo)單一、不能良好體現(xiàn)多因素共同作用對人員傷亡的影響等不足之處。與其他研究結(jié)果相比，本文預(yù)測模型考慮了震源破裂特征和人口生活環(huán)境特征，在抗震設(shè)防等情況未知條件下仍可快速高效準(zhǔn)確預(yù)測傷亡人口數(shù)，具有可推廣性。

總體而言，本文的預(yù)測模型同時(shí)對多達(dá)9個(gè)地震造成的人員傷亡數(shù)量進(jìn)行預(yù)測，更加強(qiáng)調(diào)模型在未來發(fā)生不同震級地震時(shí)可快速預(yù)測傷亡人數(shù)的實(shí)用性，除2008年汶川8.0級和2010年玉樹7.1級地震外，其余7個(gè)地震傷亡事例的預(yù)測值與實(shí)際值誤差均在一個(gè)數(shù)量級上。而鑒于深度學(xué)習(xí)優(yōu)異的非線性擬合能力，在面對發(fā)生在不同地區(qū)不同等級的地震時(shí)，通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型的方法來嘗試解決這樣的復(fù)雜條件問題，是未來強(qiáng)震人員傷亡風(fēng)險(xiǎn)預(yù)測需側(cè)重使用的技術(shù)方法。