0 引言

地震是我国造成人员伤亡最多的自然灾害。据统计，中国有30个省份发生过6级以上地震，19个省份发生过7级以上地震，12个省份发生过8级以上地震，且地震发生还会引起滑坡、泥石流、堰塞湖等次生灾害。为有效减轻地震灾害带来的影响，可以借助地震预警技术这一震灾预防手段(马强，2008；彭朝勇等，2013；Allen et al，2019)。该技术利用电波传播速度大于地震波速和P波速度大于S波速度的原理，在破坏性更大的地震波到达之前，通过媒介向相关区域提前几秒至数十秒发出预警信息。研究表明，当地震预警时间为3s时，人员伤亡可减少14%；地震预警时间为10s时，人员伤亡可减少39%；地震预警时间为20s时，人员伤亡可减少63%(夏玉胜等，2000)。

一个完备的地震预警系统(Earthquake Early Warning System，简称EEWS)主要由地震台网、数据处理系统和紧急信息发布系统三部分组成。其中，地震台网由众多不同类型的地震台站组成；数据处理系统负责汇集地震台网实时记录的数据信号，利用不同算法对数据进行实时处理以求得预警参数，并随着参与计算的台站数目增加而对结果进行更新；紧急信息发布系统则通过电视、广播等平台向公众发出预警信息(李同林等，2021)。目前，世界上许多地震频发的国家和地区，如墨西哥(Espinosa-Aranda et al，2009；Cuéllar et al，2017；Suárez et al，2018)、日本(Hoshiba et al，2008)，中国台湾(Wu，2015；Wu et al，2016)等都已具备较成熟的EEWS，均取得了一定的减灾实效，有效减轻了地震灾害带来的生命与财产损失。

由于传统地震预警方式依赖于大面积覆盖的地震台网，需要高昂的资金投入，使得很多如位于环太平洋地震带的厄瓜多尔等地震频发的中小国家和地区无力承担系统的建设与运维。得益于微机电系统(Micro-Electro-Mechanical System，简称MEMS)技术(康涛，2018)、消息队列遥测传输协议(Message Queuing Telemetry Transport，简称MQTT)等物联网技术(Zambrano et al，2017a)的发展以及智能手机的普及(据统计，手机总数已远超世界人口数，见表 1)，地震预警系统不再局限于传统的构建方式，可以通过手机端APP和服务器端的联合来实现。

在利用手机端构建地震预警系统主要有两种模式：一种是既作为振动传感器，又作为信息发布终端；另一种是仅作为信息发布终端。其中，第一种模式比较有代表性的APP软件应用有美国加州大学伯克利分校与德意志电信公司共同开发的应用MyShake(Kong et al，2016a)、日本开发的i-jishin(Naito et al，2013)、Finazzi开发的Earthquake Network APP(Finazzi，2016)等(部分页面示意如图 1~3所示)，在这种模式中，手机除了负责向安装了特定APP的用户发布预警信息，同时还扮演传统地震台站的角色，利用内置的MEMS芯片进行数据的采集，包括三分量加速度、峰值加速度等；第二种模式在国内比较有代表性的APP软件包括成都高新减灾所研发的ICL地震预警APP、由四川省地震局自主研发的紧急地震信息APP等(程思智等，2021)。

利用手机端进行地震预警的益处主要体现在以下4个方面：①充分利用手机的普及性，使得未部署地震预警系统区域的人们也能及时收到预警信息并采取相应措施；②有效降低部署地震预警系统成本；③有助于盲区范围的缩小；④手机端地震预警APP便于更新和维护，且部分手机兼容第三方开源，更便于用户定制，这也是利用手机进行地震预警成为科研人员关注重点的主要原因。本文将围绕手机端地震预警处理流程进行介绍，包括数据采集与预处理、地震事件检测、地震数据传输和服务器端综合处理等。

1 数据采集及预处理

地震预警的首要步骤是利用内置于手机内的各种传感器进行数据采集。对于传统地震预警系统，数据采集依赖于部署的各个地震监测站点，要求其拥有高灵敏度以及较大的动态范围，从而排除了人为因素的影响，获得高分辨率的数据信号。对手机端地震预警APP来说，数据采集就是以一定的采样率采集手机内嵌加速度传感器三方向数据，可分为全时段采集和间隙式采集两种模式。全时段采集是指APP会在一天24h内一直处于数据采集状态，因此需要较高的权限，同时也会耗费更多的电量；而间隙式采集则是按照APP设定的条件进行采集，比如Earthquake Network APP是在手机处于充电状态且屏幕关闭状态时(即未使用状态)才会利用内部加速度计进行数据采集，从而将其变成实时地震探测器(Bossu et al，2021)。

1.1 手机内嵌MEMS加速度计

随着MEMS技术的发展，传感器性能得到了极大提升，且种类变得更加丰富，成本也更加低廉。王浩等(2013)的研究结果表明，和传统地震预警方式所用的专业加速度计相比，由于自噪声的存在，MEMS加速度计不适合微小震动的监测，但在较强地面震动监测中能达到与传统加速度计一样的效果。一些研究表明，如果输入信号足够大，则典型的MEMS加速度计已显示出能提供可靠的加速度记录(D′Alessandro et al，2013)。目前，市面上已经有多种利用MEMS加速度计来测量地震的产品，一类产品是利用MEMS传感器来构建地震预警网络，比如使用安装在志愿者家中的低成本USB MEMS固定加速度计来记录地面震动信号的地震网络Quake-Catcher Network(Cochran et al，2009a、2009b；Lawrence et al，2014)、利用P波进行现地地震预警的基于MEMS加速度计的Palert(康涛，2018)和GL-P2B(Peng et al，2017)等，另一类是利用内置在手机内部的MEMS加速度计来采集数据进而进行地震预警的手机APP，如上文提到的MyShake(Kong et al，2016a)、i-jishin(Naito et al，2013)等。

不同手机搭载的MEMS芯片不同，其功能也有所不同，有的作为加速度计，有的作为距离传感器等。表 2为目前市面上几款不同手机内的部分MEMS芯片信息列表。

① http://www.mems.me/mems/device_analysis_201711/5638.html

② http://www.mems.me/mems/device_analysis_201708/5151.html

③ http://www.mems.me/mems/device_analysis_201708/5110.html

④ https://www.sohu.com/a/154020136_406495

⑤ http://www.mems.me/mems/device_analysis_201709/5311.html

⑥ https://www.elecfans.com/d/1059574.html

⑦ https://www.cirmall.com/articles/28291/

⑧ https://zh.ifixit.com/Guide/iPhone+13+Pro+%E5%85%A8%E8%8A%AF%E7%89%87ID/144993

⑨ https://www.eet-China.com/news/202109200859.html

⑩ https://www.eet-China.com/news/20211214060.html

⑪ https://www.elecfans.com/consume/1241688.html

⑫https://ee.ofweek.com/2020-10/ART-8330-2801-30463511.html

1.2 数据预处理

利用手机采集的数据进行地震事件检测前还需要经过一系列预处理，主要包括以下步骤：①利用低通滤波对原始数据进行降噪，提高数据的精度；②去除数据中的重力成分；③对数据进行分帧加窗；④数据校正。数据校正是指采用旋转矩阵法将坐标归一化，也就是将智能手机的坐标(设备坐标)与真实的地理坐标(世界坐标)统一，即坐标转换，其主要思想是通过一个旋转向量$\vec{R}$，利用公式$\vec{a}=\vec{R} \cdot \vec{A}$($\vec{a}$、$ \vec{A}$分别为世界坐标系和设备坐标系下的三维加速度)，从而将设备坐标转换为世界坐标，其目的是为了减轻不同设备的坐标差异给地震事件检测阶段带来的影响，传统预警方式由于设备在安装时已固定，则不需要对坐标进行校正处理。在APP上数据校正的具体表现就是通过不同角度旋转手机后波形仍可以回到原状态，图 4和图 5分别为i-jishin、Myshake在iPhone手机上的表现。当以不同角度旋转手机时，三方向的波形均出现了变化，但最终回到了原状态，这表明i-jishin和Myshake都集成了旋转矩阵校正功能。

2 地震事件检测

传统的地震事件检测技术依赖于部署台站的高精度速度计或加速度计的记录来判别地震发生与否，主要利用STA/LTA长短时比值法提高处理效率。手机端的地震预警则依赖于其内嵌MEMS加速度计记录，由于手机端MEMS加速度计采集到的数据噪声高，容易受到人为因素影响，因此通常采用两层或多层地震事件检测流程，如MyShake中就采用两层检测算法，其中第一层采用STA/LTA算法，第二层采用人工神经网络(Artificial Neural Network，简称ANN)算法，其分层检测框架如图 6所示。李小光(2017)基于手机的MEMS加速度计对外界的感知能力，对手机固定姿态和不定姿态下的地震事件检测机制进行研究，并在MyShake的地震事件检测算法基础上提出了一种三层地震事件分层检测框架(图 7)，增加了一层用于判别是否是人类周期性活动。常用的手机端分类算法有多种，包括STA/LTA、ANN、随机森林(Breiman，2001)、K最邻近方法(Guo et al，2003)、逻辑回归(Böhning，1992)等，这里主要介绍STA/LTA、ANN以及随机森林三种判别算法。

2.1 经典STA/LTA算法

经典STA/LTA算法如下

$ \operatorname{STA}(i)=\frac{1}{N_S} \sum\nolimits_1^{N_S}|A(i)| $

(1)

$ \operatorname{LTA}(i)=\frac{1}{N_l} \sum\nolimits_1^{N_l}|A(i)| $

(2)

$ \frac{\text { STA }}{\text { LTA }}=\frac{\frac{1}{N_S} \sum\nolimits_1^{N_S}|A(i)|}{\frac{1}{N_l} \sum\nolimits_1^{N_l}|A(i)|} \geqslant M $

(3)

其中，│ A(i) │为特征函数，是i时刻记录点的振幅绝对值；N_S为短时窗长度(单位：s)与采样点个数的乘积；N_l为长时窗长度(单位：s)与采样点个数的乘积；M为初设的触发阈值。STA(信号短时间窗平均值)用于捕捉地震信号的时间窗，LTA(信号长时间窗平均值)用于衡量时间窗内的平均噪声，相当于环境噪声。STA/LTA按照周围环境的噪声水平自适应地调节对地震信号的敏感度，我们要做的就是找到合适长度的时间窗，根据要求来尽量捕捉地震信号。吴治涛等(2010)提出用STA与LTA之比反映信号的能量或振幅变化，地震波信号的到达会引起短时间窗平均值变化快于长时间窗变化，若二者比值出现明显突跳且超过用户预设的参考阈值M时，则认为地震台站接收到地震波，并把此点判定为P波到时。相邻区域内地震台站相继触发，则可通过地震实时监测系统进行地震定位，得到本次地震的定位参数(郭铁龙等，2017)。在上述两层或三层地震事件检测算法中，其第一层均为判断STA/LTA是否超过阈值，超过阈值后才进入下一层。STA/LTA算法具有低计算量、低能耗的特点，是地震事件检测中常用的典型算法之一。

2.2 人工神经网络算法

ANN是由一些简单的元件(神经元)及其层次组织大规模并行连接构成的数学算法模型，一般分为三个主要元素：网络的拓扑结构、元件特征以及训练规则(学习算法)，通过调节内部节点之间相互连接的关系达到数据处理的目的，包含一个输入层、一个或多个中间隐藏层以及一个输出层(王继等，2008)。经典的神经网络有前馈神经网络、反馈神经网络以及图网络。前馈神经网络只从输入到输出方向传播；反馈神经网络至神经元不仅能接收来自其他神经元的信号输入，还能接收自己的反馈信号(图 8)；图网络为定义在图结构数据上的神经网络，每个神经元都可以收到来自其他相邻神经元以及自身的信号输入，如图 9所示。随着现代技术的飞速提升，神经网络的发展使得机器进行自我学习及学习事物特征成为可能，将此应用于地震事件检测领域，极大地提高了效率。

由于手机记录地震数据时会受到如人为事件、环境等多方面因素的影响，传统地震预警中的事件检测算法并不能完全应用到手机地震预警。而为了区分多方面因素事件与地震事件，利用神经网络对其进行模型训练就显得格外重要。在MyShake地震事件检测中(Kong et al，2016a、2016b)，研究人员研发了一种基于ANN的分类器算法，其结构如图 10所示，属于前馈神经网络，用于将特定数据窗口区分为地震或非地震，一旦人工神经算法检测到类似地震的运动(即超过设定阈值)，应用程序就会向服务器实时发送一条消息，这条消息包含触发的手机位置(需打开手机GPS功能)、触发时间和最大振幅，可应用于地震预警或其他类型的快速检测，并在测试中确定了3个最佳特征：加速度矢量与四分位数范围(Interquartile Range of The Acceleration Vector Sum，简称IQR)、最大过零率(Maximum Zero Crossing Rate，简称ZC)、加速度矢量和的累积绝对速度(Cumulative Absolute Velocity of The Acceleration Vector Sum)，其中IQR和ZC为区分地震和普通震动的2个最佳参数。Kong等(2016b)还将ANN算法应用于美国地震数据，修改手机记录的数据质量来区分日常运动，结果显示在10km以内，地震事件记录的正确识别率为98%，而日常运动数据的正确识别率为93%，且正确率随着距离的增加以及震级的降低而降低。

2.3 随机森林(Random Forest)

随着机器学习概念的提出，将该方法与地震学结合变得流行起来，随机森林与ANN均来自于机器学习的概念，由Leo Breiman提出(Breiman，2001)。随机森林就是以随机的方式建立起一个由多棵相互之间无关联的决策树组成的森林，当有新的样本输入时，就让每棵树独立做出判断，依据多数原则决定该样本的分类总结果，其结构如图 11所示。其优点主要体现在：①在不用降维的情况下能处理高维数据，也不用进行特征的选择；②有较好的抗噪声能力；③训练速度快，并能够得到变量的重要性排序；④对非平衡数据而言，随机森林可以平衡误差；⑤在创建随机森林时，对泛化误差(Generlization Error)使用无偏估计，因此模型泛化能力强。

在图 7所示的三层地震事件检测算法框架中，随机森林算法用于最后一层，在进行时域频域特征的提取后，考虑与地震事件难以区分的典型人类活动事件，如乘坐公交、地铁等。李小光(2017)在手机固定和非固定两种姿态下的地震事件检测实验中验证了随机森林算法的有效性，其中，在手机固定姿态下地震事件检测正确率为96.79%，非地震事件检测检测率为95.42%；在手机非固定姿态下(坐标归一化后)，地震事件检测正确率约为92.4%，非地震事件检测正确率约为89.1%。

3 地震数据传输

在对地震事件持续检测过程中，若检测到地震事件，则将相应的数据传输到服务器端进行统一处理。传统地震预警系统通常有专门的数据传输系统负责将数据发送至数据处理中心，如美国开发的ShakeAlert地震预警系统，且在数据传输方面采用了多种传输方式并行的策略(刘赫奕等，2021)，以提高数据传输的稳定性。对手机端地震预警APP而言，不同类别APP传输的数据类型不尽相同。其中，MyShake是在检测到类似地震的震动时，就向服务器发送两类数据信息：①触发信息，包括地震触发的时间、手机位置和3个加速度分量的最大振幅；②波形数据，以采样率25Hz记录5min的3分量加速度波形数据，包括触发前1min和触发后4min(Kong et al，2019)。美国伯克利大学研发的iShake APP则是将每个手机采集到的3个正交加速度历史记录波形传输至服务器(Dashti et al，2014)；而Earthquake Network APP则是将超过设定阈值后的峰值加速度、手机位置以及延时(延时以毫秒分辨率计算，是指当失去网络连接时，一直向服务器传输振动信号直到成功的时间)传输给服务器，并由服务器端在接收到数据时打上时间戳(Bossu et al，2021)。

4 服务器端综合处理

服务器端在接收到手机上传的地震事件数据后，对其进行统一处理，主要任务是根据同一时刻接收到的手机数量和上传数据估计地震事件震级以及确定震中位置等，最后通过媒介(比如电视、收音机、手机、广播等)向公众发出预警信息。传统的地震预警系统所有的处理主要是由服务器端来完成，包括地震事件检测、地震实时定位、预警震级快速估算等，而手机端地震预警APP则是仅将地震事件检测后得到的数据传输至服务器，由服务器进行统一处理。而在具体所用算法方面，也存在明显的不同，手机地震预警主要采用以量为主的方法，若是报告地震事件的手机达到一定数量(超过设定阈值)，就向公众发布预警信息。

4.1 数据与震动参数综合处理方法

当数据传输到服务器后，后端服务器将对数据与震动参数(地震动频谱、地震动持续时间、峰值加速度等)进行综合处理，目的是根据这些数据来估计震中位置、震级、烈度等信息，以确定地震影响的最终范围，其中，最主要的就是地震定位与震级估计。

在传统EEWS中，可用于实时地震定位和震级估算的方法较多，如应用于实时地震定位的Voronoi图法(Rosenberger，2009)、B-Δ方法(Odaka et al，2003)等，以及应用于震级估算的卓越周期τ_p^max法(Nakamura，1988)、特征周期τ_c法(Kanamori，2005)、位移幅值Ρ_d法(Wu et al，2006)、累计绝对速度(Cumulative Absolute Velocity，简称CAV)值方法(Alcik et al，2009)、基于贝叶斯理论的震级计算方法(Iervolino et al，2006；Cua et al，2009；Lancieri et al，2008)。在实际应用中，我国在传统地震预警方面常用的定位方法有特征周期τ_c法以及位移幅值P_d法。

鉴于手机自带GNSS定位、数量众多、捡拾得到的P波震相精度偏差较大等特殊性，上述方法并不适用于手机端的地震预警处理，因此发展了一些适用于手机端地震预警的新方法。在地震定位方面，大部分服务器端会预先将相关区域按照一定精度划分成指定精度的网格，并按照强震动衰减关系以及依托众多触发手机获得的质心位置来确定震中。如MyShake采用了分辨率为10km×10km的军事网格参考系统(Military Grad Reference System，简称MGRS)，结合具有噪声的基于密度的空间聚类机器学习算法(Density-Based Spatial Clustering of Applications with Noise，简称DBSCAN)，获得了具有较高精度的地震定位结果(Kong et al，2020)。Finazzi(2016)在基于地震事件检测应用的子网算法上，介绍了两种震中定位方法，非参数估计法和基于模型的估计方法。非参数估计法利用触发手机的位置分布变化，不断地改进估计的初始中心坐标值(x₀，y₀)((x₀，y₀) 为半径为2°的子网中心)，基于模型的估计方法，根据对震中距的报告比率，通过最大似然估计法得到估计结果。实验结果表明，基于模型的估计方法通常优于非参数估计法，但是当手机数量较少且受到干扰时，两者表现相差无几。在震级估计方面，Myshake采用了距离-震级关系，当定位到地震事件后，手机与地震事件之间的距离也随之确定。通过将距离与实测地面加速度值传输给随机森林模型来估计其震级，模型输入为震中距与地震动加速度，输出为预估震级，最后根据这些震级的平均值得到地震事件的最终震级。在发出预警信息之前，累积触发手机的数量越多，得到的震中和震级也就越准确，但预警处理所需的时间相对更长(Kong et al，2020)。

4.2 预警信息发布

在得到地震可能的最终影响范围时，手机会立即向公众发出地震预警信息，距震中越近，收到告警信息也就越早。而随着震中距的增加，延时逐渐增加，公众收到通知的时间也就越晚。预警信息发布后，处于震区的人们能根据自己的情况作出相应的防护措施，以在最大程度上减少人员的伤亡，将地震带来的损失最小化，这也是地震预警的最终目标。

任意一个地震预警系统必须拥有的关键特征是能够以一种友好的、面向用户且用户可定制的方式将预警信息快速地传达给潜在的最终用户以及相关利益者(Colombelli et al，2020)。为提高预警信息的传输性能，同时还要求减少程序对手机电池的耗电量，一些传输协议的应用变得极其有效，例如MQTT。MQTT是一种物联网消息传递协议，具有高效、安全、可靠且低耗的特点，专为网络情况不好以及性能较差的远程设备而设计，在地震预警方面目前已经有相关研究及应用(Zambrano et al，2017a、2017b；周施文等，2017；林诗杞，2018)。

5 结论与展望

本文主要总结了手机端地震预警的最新研究进展。传统的地震预警系统部署需要投入很高的建设与运维成本，绝大部分欠发达国家与地区几乎没有能力去部署一个完整的地震预警系统。而随着信息技术的发展，智能手机得以普及，利用手机开展地震预警成为解决上述问题的有效方案之一。手机地震预警APP的工作方式为：利用手机内置的MEMS加速度计采集数据，在对其进行处理后进行地震事件检测，将检测后得到的数据传给服务器，最后由服务器对众多的信息进行统一处理得到预警信息，并向震区人员发出地震报警。

地震事件检测作为其中不可缺少的一环，本文介绍了使用的三种算法，包括STA/LTA、ANN以及随机森林，其中，ANN和随机森林是机器学习算法的具体应用。在检测到地震事件后，由服务器端对手机端发送数据，进行综合处理，若向服务器发送事件信号的手机数量和预估震动超过一定阈值，预警信息就会立即通过手机向公众发布。采用MQTT协议等物联网技术，能更及时、有效地发出预警通知，且更有效降低手机的功耗。

手机地震预警与传统地震预警系统的不同之处主要在于前者是通过手机内置MEMS加速度计来采集数据，扮演着传统地震台站的角色。直接利用手机开展地震预警，可充分发挥手机内嵌MEMS加速度计在自然布局上的优势，极大地丰富观测点的数量，使得地震预警更全面、更广泛。但利用手机进行地震预警也存在着如下问题：①受手机传感器限制，利用其内置MEMS加速度计采集的数据精度不如传统地震专业设备高，手机地震预警是以数量换取了质量；②手机不像地震台站一样固定，位置的不定性会导致很多无用数据(如噪声、人的运动等)；③手机性能不稳定(安装的传感器不会经过严格的校正)，且极容易受到外界条件的影响(如电池电量、网络)。这些问题也决定了手机地震预警无法代替传统的EEWS，将两种方式有机结合将是更可取的方式。

未来在手机地震预警方面有望将各种技术(比如众包、人工智能、物联网等)结合起来，利用成本低廉的二手手机去部署一个固定的手机地震台网，在解决成本问题的同时，让更多地震频发的国家、地区都能及时地收到预警信息。在此基础上，逐步提高手机内置传感器的性能，使得预警信息更加快速、准确。同时，要使预警信息能够以一种用户喜欢的、可定制的方式发出，最重要的一点是提高手机地震预警APP的预警准确度，尽量降低误报以及漏报的概率。这也能够更加扩大手机地震预警APP的影响，让更多的人使用手机进行地震预警，从而进一步减少地震带来的损失。对于无力部署传统地震预警系统的国家而言，利用手机进行地震预警不失为一个短期内的有效选择。