本研究设计了一种多站点时空图形注意力去噪器，通过学习 GNSS 噪声的潜在特征以达到亚毫米精度的慢滑事件相关位移去噪，验证了该方法与震颤的良好时空相关性。

May, 2024

通过利用 “序列器” 算法对散射的地震波进行协同分析，研究发现太平洋地区具有普遍的侧向异质性，其中包括夏威夷下方的柱根和马克萨斯群岛下方以前未被发现的超低速带。这些观察结果为如何在没有使用者干预的情况下发现深地球的独特洞见，提供了有力的证据。

Jul, 2020

该论文提出了一种利用机器学习的方法，通过地球表面变形数据对 2015 年至 2019 年间的日本地震目录进行余震预测。该方法利用卷积神经网络处理 GPS 数据，捕获输入的空间相关性，并取得了良好的预测性能。但预测精度与 GPS 站点的密度密切相关，当主震在测量站之外的离岸地区发生时，预测力会降低。

May, 2023

该研究使用深度学习的图神经网络方法对 Kilauea 火山的火山口坍塌事件进行预测，发现这种方法能够在仅使用 0.5 天的数据时，准确地预测火山口坍塌的时间，并且使用高信噪比的倾斜仪数据时预测能力最强，这些结果展示了在监测良好的条件下对火山口坍塌序列的可预测性，并突出了机器学习方法在有限训练数据下预测真实世界灾难性事件的潜力。

Apr, 2024

通过利用 3D 滑坡拓扑结构，我们提出一种基于运动方式（滑动和流动）来识别滑坡失败类型的方法。我们发现滑坡的拓扑属性能够揭示质量运动机制的普遍特征，例如探测复杂滑坡中耦合运动方式之间的相似性。我们通过使用这些拓扑属性作为预测因子，能够在意大利、美国西北太平洋地区、丹麦、土耳其和中国等地的历史和具体事件的滑坡数据库中以 80 至 94％的准确性识别失败类型。此方法的实际应用可以显著提高滑坡预测模型和影响评估的性能，并通过滑坡拓扑形态的角度引入了研究滑坡形状以理解其潜在过程的新范式。

Oct, 2023

研究使用 ETAS 模型及 CTRW 模型的 Master 方程之间的确切映射，通过建立地震活动的距离分布和时空关联等参数，预测地震扩散和亚扩散现象，并强调主震和余震之间的差异性。

Mar, 2002

本研究提出了一种动态滑坡易发性测绘方法，该方法采用多个预测模型进行年度滑坡易发性评估，并利用少量样本和渐变更新的方式进行元学习表示推断，使用 SHAP 进行模型解释和滑坡特征置换。此外，还应用 MT-InSAR 方法进行滑坡易发性结果增强和验证，在香港的大屿山地区进行了从 1992 年到 2019 年的全面动态滑坡易发性评估，结果表明，大屿山地区滑坡的主要触发因素是地形坡度和极端降雨，且滑坡原因的变化主要归因于全球气候变化和香港政府实施的滑坡预防和减灾项目（LPMitP）的影响。

Aug, 2023

提出了一种将事件检测和源位置统一到单一框架的方法，通过适应具有基于卷积神经网络骨干结构和编码器 - 解码器变压器的集合匈牙利损失，直接应用于记录的波形，实现了实时微地震监测的潜力。

Jul, 2023

通过开发基于地震参数（位置、深度和震级）的线性回归模型，本研究旨在准确预测地震强度分布，而无需地理信息。该模型基于 1997 年至 2020 年间在日本附近发生的大于 5.0 级的 1,857 次地震的地震强度数据，通过训练回归和分类模型以及结合二者，提出了一种混合模型，相对于常用的地面运动预测方程（GMPEs），该模型在相关系数、F1 分数和 MCC 方面表现更好，甚至可以预测异常地震强度分布。

Feb, 2024

本研究基于空间点过程概率模型对意大利西西里岛触发的约 5000 起山体滑坡事件进行了定量研究，通过贝叶斯估计法计算后验概率预测滑坡概率分布，较传统的地质学简化模型具有更高的精度，充分涵盖了多重分区分层和地貌学因素对滑坡发生的影响。

Aug, 2017