加强基础研究，是实现高水平科技自立自强的迫切要求，是建设世界科技强国的必由之路。华南理工大学数学学院师生刻苦钻研、潜心研究，致力于解决实际问题，把论文写在祖国大地上。近日，国际著名学术期刊《Proceedings of the National Academy of Sciences of the United States of America》（PNAS）发表了题为“Earthquake alerting based on spatial geodetic data by spatiotemporal information transformation learning”的研究成果，提出了在地震灾害监测领域具有参考价值的科学方法。
该成果的第一署名单位为华南理工大学，共同通讯作者为华南理工大学数学学院刘锐教授、陈培副教授和中国科学院的陈洛南教授，第一、二作者是华南理工大学数学学院2021级博士研究生童宇燕、洪仁豪，合作者包括日本东京大学的Kazuyuki Aihara教授等。
在众多自然现象中，系统在短时间内发生的状态临界变化（即从一个稳态变成另一个稳态）是一种重要的动力学现象，有时会导致灾难性的后果（例如地震、疾病恶化等）。探测系统状态发生临界变化的预警信号已经成为各个自然科学领域的重要问题。然而，从动力系统的角度来看，由于现实非线性系统的时变性，最近观测的短期时间序列数据（recent short-term time series）比很久之前观测的时间序列数据（remote long-term time series）包含更多关于动力系统动态及未来演变的信息。而且，由于现实系统的复杂性，很难对某些实际系统进行精确建模。因此，如何基于高维复杂系统的短时序列数据建立计算方法，以探测系统状态临界变化的预警信号是一个有挑战性的问题。
这项成果建立了基于延迟嵌入理论和动态网络标志物方法的实时数据时空信息转化学习的框架（real-time spatiotemporal information transformation learning，RSIT），通过在时间窗口内把高维空间信息转化为显变量/隐变量的低维动态信息。RSIT延拓了非线性时间序列，并把非线性时间序列预测与动力学临界点探测方法相融合，探测了非线性动力系统接近临界点时出现的两个关键信号，即(a) 显变量的临界不可预测性（critical unpredictability）/不一致性（图1B）和 (b) 隐变量的临界波动性（critical fluctuation）/不稳定性，从而实现了基于实时高维观测数据的非线性动力系统状态突变预警。
RSIT方法的实际预警应用
已有的地质学研究表明，地壳的局部变形可能是地震的前兆信号。地壳活动具有非常复杂的、时变的动力学机制，而且地质活动数据有高维、噪声较大的特征。由于RSIT自动储备池神经网络的结构，其计算复杂度较小，可以应用于实时分析的高维地质观测数据（GNSS），以监测地壳局部形变的地震前兆信号。
RSIT应用于五个地震高风险地区，包括中国四川省、日本茨城县、日本北海道、日本宫城县以及美国阿拉斯加的最近6-8年间的GNSS高维观测数据，应用结果表明，基于“临界预测不准性”及“临界波动性”的RSIT对强震的前兆信号敏感（TPR80%），所探测的预警信号精度优于现有的10种方法，证明该方法在地震灾害监测领域具有参考价值。
该研究得到了国家自然科学基金和广东省数字孪生人重点实验室的经费支持。（图文/数学学院 编辑/鲍恩）
附：
【成果原文链接】
https://doi.org/10.1073/pnas.2302275120
【数学学院计算生物学研究团队主要成员介绍】
刘锐，数学学院教授，博士生导师，国家青年人才计划入选者。现任数学学院副院长、广东省数字孪生人重点实验室副主任。主要在复杂非线性系统的临界点分析与预警方向开展研究。曾获上海市自然科学一等奖、广东省自然科学二等奖。
陈培，数学学院副教授，现主持国家自然科学基金委优秀青年基金。主要在人工智能算法、时间序列分析与预测等方向开展研究。
