1976年7月，唐山。凌晨3点42分，一场里氏7.8级的地震在毫无预兆中将这座城市夷为平地，24万人罹难。人们事后反复追问：有没有可能预先知道？而就在1年前，海城地震被成功预报，数以万计的人因此撤离。两次地震，一前一后，一成一败——地震到底能不能预测？
这不只是工程问题，而是一道关于复杂系统的根本之问。地震系统遵从幂律、展现自组织临界性、暗藏前驱信号——它偏偏又足够复杂，让精确预测在物理上近乎”不可能”。复杂性科学在这里既是解释工具，又是边界揭示者。[1]
📑 本文目录
一、地震系统是自组织临界系统吗？
自组织临界性（Self-Organized Criticality，SOC）是1987年由物理学家Bak、Tang和Wiesenfeld提出的理论[19]：一类耗散驱动的系统，在无需外部调节的情况下，会自发演化到临界态——一种处于混沌与有序边缘的特殊状态，在该状态下系统事件呈幂律分布，大小”雪崩”无处不在。
把这个框架引入地震学，激进又直觉清晰：地球地壳就是一个被构造板块缓慢驱动的弹性-摩擦系统，断层相互耦合，应力持续积累，最终以地震的形式”雪崩式”释放。1992年，Olami、Feder和Christensen构建了一个不守恒的元胞自动机模型（OFC模型），直接模拟这一过程，发现仅凭局部应力传递规则，系统就能涌现出幂律分布——无需人为调参到临界点。[20]
| 符号 | 含义 |
|---|---|
| Fij | 格点(i,j)的当前应力 |
| Fth | 触发阈值（断层强度） |
| α | 应力传递系数，α < 0.25 表示不守恒 |
人话版：想象一块棋盘，每个格子代表一段断层。当某个格子的应力超过它的”承受极限”，它就破裂（地震），把部分应力分给四个邻居。关键是：传出去的应力 小于 释放的应力（不守恒），这正是现实断层的特征。整个模型无需外力调节，自然就产生各种尺度的”雪崩”，大地震和小地震共存——这就是自组织临界性的本质。
但要注意：OFC模型的优雅并不意味着地球就是OFC模型。真实地壳异质性远高于均匀格网，断层几何、流体压力、热效应都在发挥作用。复杂系统框架在这里的贡献，更多是提供了一种理解地震活动为何不是”纯随机”、又不是”完全可预测”的语言。[1]
二、幂律：混乱中的秩序
地震系统最令人惊叹的规律性，莫过于Gutenberg–Richter关系：全球（或某一区域）地震的频率与震级呈幂律分布。小地震多如牛毛，大地震罕如凤毛。但这种分布并非随机，而是极为规律。
| 符号 | 含义 |
|---|---|
| N | 震级 ≥ M 的地震数量 |
| M | 震级 |
| a | 与地震活跃度相关的常数（区域特征） |
| b | b值，全球平均约为1，核心参数 |
人话版：震级每升高1级，对应的地震数量大约减少10倍（因为b≈1）。所以震级8的地震发生1次时，震级7的地震大约已经发生了10次，震级6的发生了100次。这种”以小窥大”的规律，正是复杂临界系统幂律分布的经典指纹。
幂律分布意味着什么？它意味着地震系统没有特征尺度——你无法说”地震通常多大”，就像你无法说”互联网文章通常多少人转发”一样。这个特征在SOC系统中普遍存在，是系统处于临界态的标志之一。[19][20]
Bak等人的经典思想实验：一粒一粒往沙堆上加沙，绝大多数时候什么也不发生，偶尔触发小规模崩塌，极少数情况下导致大规模雪崩。雪崩的尺寸分布——幂律。你无法预测下一粒沙会触发多大的崩塌。地震系统与之如出一辙：构造应力像一粒粒沙，持续积累；地震是雪崩的释放；震级分布幂律。[19]
三、b值：系统状态的探针
如果幂律是地震系统的”基线”，那b值就是衡量这个系统当前状态的”温度计”。b值的空间变化、时间变化，一直被视为探测断层应力状态的潜在工具。
2022年，Herrmann等人在Nature Communications上发表了一项重要研究，追踪了地震序列中b值的时空复杂性演化。[6]他们发现：在同一地震序列中，b值并非一成不变，而是呈现出显著的空间差异和时间演化——某些区域在大震前后b值发生明显偏移。
传统上，b值被当作区域常数（≈1）用于地震危险性评估。但Herrmann等（2022）的研究揭示，b值在地震序列演化中具有明显的时空复杂性——它在接近断层高应力区域时倾向于降低，在应力释放后回升。[6]这种变化在复杂系统语言中可以理解为：系统在”临界态附近”时，幂律指数本身会发生偏移，对应着系统动力学特征的变化。
但这里有一个关键陷阱：b值的变化是否真的是前瞻性的预测信号，还是只是事后可以解释的特征？b值的计算对地震目录完整性和震级阈值设定高度敏感，不同的数据处理方式可能给出截然不同的结论。这个”指针”目前更像是状态描述工具，距离可靠的临震预警还有很长的路。[6]
四、自然时间分析：信息论视角的新尝试
常规的地震时间序列分析使用”历法时间”——以秒、天、年为单位。但如果地震系统本质是一个复杂的非线性动力学系统，历法时间或许并不是最能揭示其状态的”时钟”。
这正是”自然时间分析”方法的出发点。它把每次地震事件的发生顺序作为时间轴，而不是历法时间，并定义了一套信息论指标来描述系统的统计复杂性。
| 符号 | 含义 |
|---|---|
| χ = k/N | 第k个事件的”自然时间”坐标（0到1之间） |
| ⟨·⟩ | 以事件能量为权重的加权平均 |
| κ₁ | 自然时间方差，临界点附近趋向特定值0.070 |
人话版：把地震序列想象成一串珠子，每颗珠子有不同重量（能量）。”自然时间”不问珠子是什么时候挂上去的，只问它是第几颗、占总重量的几分之几。通过分析这个序列的统计特征（κ₁），研究者声称可以识别系统是否正在向临界状态演化。当κ₁趋近于0.070时，就像是系统在”宣告”自己快到临界点了。
2024年，Varotsos等人在Scientific Reports上报告：他们用复杂度指标，识别出了大震前应力积累阶段的统计特征变化。[7]这一方向有其吸引力——毕竟，如果系统真的在靠近临界点时会展示出可测的统计指纹，那信息论就是捕捉它的合适工具。
但这一方法在地震学界争议持久。核心问题是：信号是否在前瞻性测试中稳定？还是只在事后回溯中看起来漂亮？独立验证的数量仍然有限，且不同研究团队用不同数据集得到的结论并不总是一致。[7]这并不是说方法无价值，而是说——证据链还不够长，结论还需要时间。
除自然时间外，Tsallis非广延统计力学也被用于刻画地震序列的复杂性。Chochlaki等（2018）将其应用于黄石公园地震序列，展示了熵指标如何描述序列的组织结构。[16]Sigalotti等（2023）则进一步探讨了Tsallis框架在复杂地球物理系统中的适用性。[15]2025年，Zhang等在Entropy期刊上发表的新研究继续推进这一信息论+地震预测的融合方向。[8]可见图（visibility graph）方法也在越来越多的地区被试用，Telesca等（2024）将其应用于越南老街地区浅源地震序列，提取了动力学结构特征。[17]
五、实验室地震：可预测性的”最佳证据”
如果说天然地震预测的证据充满争议，那实验室中的”人工地震”给了我们迄今最清晰的答案：在受控条件下，断层破裂是可以预测的。
2021年，Johnson等人在PNAS上发表了一个颇具说服力的研究——他们把机器学习预测地震变成了一场比赛。[9]
研究团队在实验室剪切装置（双块花岗岩模拟断层）上，持续记录高频声发射信号。系统周期性产生”实验室地震”（sudden slip事件）。比赛让不同团队的机器学习模型，仅凭实时声学信号，预测下一次断层失稳距现在还有多久。结果显示：从看似随机的声学噪声中，机器可以学到系统接近失稳时的统计特征，预测效果显著优于随机猜测。[9]
这一结果令人振奋，原因在于它的设计：多个独立团队用不同方法，在同一数据集上竞争，结果可重复性高，远比单一实验室展示可信。
但这里有一个根本的”外推鸿沟”：实验室断层只有分米到米的尺度，材质均匀可控，传感器可以高密度部署，没有地下流体、异质岩石、热力学变化的干扰。天然断层绵延几百公里，深埋地下十几公里，观测窗口极为有限。从实验室到地球，不是一步之遥，而是好几个数量级的飞跃。[9]
但这不意味着实验室结论毫无意义。Chelidze等（2023）的综述梳理了从实验室破裂到工程尺度（大坝）再到地球物理的跨尺度研究，发现复杂性特征（如分形维数、熵指标的演化）在多个尺度上具有类似结构，暗示某些底层机制可能是尺度共同的。[18]
六、深度学习：信号提取还是过拟合？
机器学习已经深刻改变了地震学的日常工作——从地震目录的自动构建，到震相拾取，到波形分类。但在”地震预测”这个最核心的问题上，深度学习能做什么？
2022年，Mousavi和Beroza在Science上系统综述了深度学习地震学的边界。[3]结论很清醒：
2025年，Lyu等人在Nature Communications上展示了一项令人印象深刻的工作——用深度序列模型快速预测地震发生后的波场演化，为早期预警提供秒级响应。[11]这是ML在地震学中最接近实用化的方向之一：不是预测地震何时发生，而是地震发生之后，以极快的速度告诉你波会怎么传、强度怎么变，让更多人赶在破坏性地震波到来前收到预警。
每隔一段时间，就会出现”AI成功预测地震”的新闻。实际上，绝大多数这类报道混淆了几个不同的问题：（1）地震发生后的波场预测；（2）某区域未来一段时间地震活动率的概率预测（forecasting）；（3）某次具体大震在何时何地以何震级发生的点预测（prediction）。只有第三类才是公众理解的”预测地震”，而它至今没有被可靠实现。[2]
七、诱发地震：人类终于有了一个”受控实验”
如果天然地震预测举步维艰，那人类活动诱发的地震或许是复杂系统方法的最佳试验场——因为在这里，我们知道驱动力是什么，边界条件是什么，甚至可以主动干预。
俄克拉荷马州的案例几乎成了教科书：页岩气开采产生的废水注入地下，引发了大量诱发地震，震级一度突破M5.8。Hincks等（2018）在Science上发表了严格的统计分析，证明注水深度与诱发地震强烈相关——注水越深，触及的断层带越多，风险越大。[13]
俄克拉荷马州的经验表明，当我们能控制驱动条件（注水量、注水深度、注水速率）时，复杂系统中的”不可预测性”会显著降低。Boyet等（2024）进一步展示：通过实时 forecasting 模型，可以在注入过程中动态评估风险，指导注入策略调整，在保证工程效率的同时控制诱发地震风险。[12]Foulger等（2024）的综述也印证了这一点：诱发地震场景中，forecasting 的可靠性远高于天然构造地震场景。[14]
这一发现有深刻的复杂系统含义：地震系统的”不可预测性”部分来自驱动条件的不可观测和不可控制。当我们能观测并调节驱动力时，系统的可预测性随之提升。这并不是说天然构造地震也能被这样控制——板块运动不在人类能干预的尺度。但它告诉我们，预测能力与系统可观测性、可干预性密切相关，而非只取决于系统自身的固有随机性。
八、预测的真正边界在哪里？
在走过幂律、临界性、b值、自然时间、机器学习、诱发地震这一圈之后，我们终于可以回答那个最初的问题：地震到底能不能预测？
答案取决于你对”预测”的定义。[2]
复杂系统框架的真正贡献，不是给了我们”神预测器”，而是帮我们理解了为什么精确预测在物理上极其困难，以及什么样的可预测性在原则上是可能的。Rundle等（2021）的综述清晰指出：在复杂断层系统中，更合适的目标是描述”系统临界化的概率演化”，而非追求单次事件的点预测。[1]
假设你拥有全球每一段断层的实时应力状态、孔隙压力、摩擦系数、温度——每秒更新一次，精度无限。你能预测地震吗？也许仍然不能做到精确点预测——因为断层系统是混沌的，微小的初始条件差异会指数级放大，使长期精确预测在原则上不可能。这就是为什么复杂系统研究者更关注”状态预测”（系统处于高风险态吗？），而不是”事件预测”（地震什么时候发生？）。
这并非悲观，而是清醒。知道边界在哪里，我们才能在边界内把能做的做到最好。而”最好”包括：更精准的长期危险性图谱、更灵敏的地震活动监测网络、更快速的地震预警系统——如Lyu等（2025）展示的波场快速预测[11]，以及在诱发地震场景下的实时风险控制。
- 地震系统展现出自组织临界性（SOC）特征：Gutenberg–Richter幂律、余震聚集、无特征尺度分布，都是复杂临界系统的指纹。[19][20]
- b值的时空复杂性演化可能是系统状态变化的探针，但距离可靠临震预警仍有距离。[6]
- 自然时间分析、Tsallis熵等信息论方法正在开拓新视角，但前瞻性稳定性仍需更多独立验证。[7][15]
- 实验室断层+机器学习给出了迄今最清晰的可预测性证据，但从实验室到天然断层存在根本性外推鸿沟。[9]
- 诱发地震场景是复杂系统方法最接近实用的领域：驱动力可观测、边界条件可调节，使 forecasting 更可靠。[12][13]
- 精确点预测目前无法可靠实现；概率预报和长期危险性评估是现实中最稳健的方向；地震预警是社会价值最高的”可落地预测”。[1][2][11]
📚 参考文献
- Rundle JB, Donnellan A, Fox G, et al. The complex dynamics of earthquake fault systems: new approaches to forecasting and nowcasting of earthquakes. Reports on Progress in Physics. 2021. DOI: 10.1088/1361-6633/abf893. PMID: 33857928
- Hall S, Jones N. What Turkey’s earthquake tells us about the science of seismic forecasting. Nature. 2023. DOI: 10.1038/d41586-023-00685-y. PMID: 36878981
- Mousavi SM, Beroza GC. Deep-learning seismology. Science. 2022. DOI: 10.1126/science.abm4470. PMID: 35951699
- Wang T, et al. Earthquake forecasting from paleoseismic records. Nature Communications. 2024. DOI: 10.1038/s41467-024-46258-z. PMID: 38431703
- Shcherbakov R, et al. Forecasting the magnitude of the largest expected earthquake. Nature Communications. 2019. DOI: 10.1038/s41467-019-11958-4. PMID: 31492839
- Herrmann M, et al. Revealing the spatiotemporal complexity of the magnitude distribution and b-value during an earthquake sequence. Nature Communications. 2022. DOI: 10.1038/s41467-022-32755-6. PMID: 36038553
- Varotsos P, et al. Complexity measure in natural time analysis identifying the accumulation of stresses before major earthquakes. Scientific Reports. 2024. DOI: 10.1038/s41598-024-81547-z. PMID: 39730642
- Zhang Y, et al. Earthquake Forecasting Based on… Entropy. 2025. DOI: 10.3390/e27020205. PMID: 40003203
- Johnson PA, et al. Laboratory earthquake forecasting: A machine learning competition. PNAS. 2021. DOI: 10.1073/pnas.2011362118. PMID: 33495346
- Zlydenko O, et al. A neural encoder for earthquake rate forecasting. Scientific Reports. 2023. DOI: 10.1038/s41598-023-38033-9. PMID: 37524736
- Lyu D, et al. Rapid wavefield forecasting for earthquake early warning via deep sequence to sequence learning. Nature Communications. 2025. DOI: 10.1038/s41467-025-65435-2. PMID: 41276540
- Boyet A, et al. Forecasting fluid-injection induced seismicity to choose the best injection strategy for safety and efficiency. Philosophical Transactions A. 2024. DOI: 10.1098/rsta.2023.0179. PMID: 38910402
- Hincks T, et al. Oklahoma’s induced seismicity strongly linked to wastewater injection depth. Science. 2018. DOI: 10.1126/science.aap7911. PMID: 29420259
- Foulger G, et al. Induced seismicity. Scientific Reports. 2024. DOI: 10.1038/s41598-024-79796-z. PMID: 39580538
- Sigalotti L, et al. Tsallis… Entropy. 2023. DOI: 10.3390/e25030408. PMID: 36981296
- Chochlaki K, et al. Complexity of the Yellowstone Park Volcanic Field Seismicity in Terms of Tsallis Entropy. Entropy. 2018. DOI: 10.3390/e20100721. PMID: 33265811
- Telesca L, et al. Visibility Graph Investigation of the Shallow Seismicity of Lai Chau Area (Vietnam). Entropy. 2024. DOI: 10.3390/e26110932. PMID: 39593877
- Chelidze T, et al. Complexity in Geophysical Time Series of Strain/Fracture at Laboratory and Large Dam Scales: Review. Entropy. 2023. DOI: 10.3390/e25030467. PMID: 36981355
- Bak P, Tang C, Wiesenfeld K. Self-organized criticality: An explanation of 1/f noise. Physical Review Letters. 1987.
- Olami Z, Feder HJS, Christensen K. Self-organized criticality in a continuous, nonconservative cellular automaton modeling earthquakes. Physical Review Letters. 1992.