Proposed ConvBiLSTM-Net Model for Enhancing Earthquake Prediction Performance Using Spatiotemporal Features

Abstract

Accurate earthquake prediction remains a significant challenge due to the complex spatiotemporal dependencies inherent in seismic events. To address this issue, the present study proposes ConvBiLSTM-Net. This hybrid deep learning model combines Convolutional Neural Networks (CNNs) for spatial feature extraction with Bidirectional Long Short-Term Memory (BiLSTM) networks for temporal sequence modeling. The model integrates historical earthquake data with spatial information in the form of fault density (FD), derived using Kernel Density Estimation (KDE). The KDE bandwidth is optimized using the Bivariate Local Indicator of Spatial Association (LISA) method to enhance spatial adaptivity. The dataset comprises earthquake records from the USGS catalog (1974–2023) and active fault data compiled in the 2017 Indonesian Earthquake Source and Hazard Map, published by the National Earthquake Study Center (PuSGeN). ConvBiLSTM-Net is evaluated under short-term and medium-term prediction scenarios, targeting earthquake magnitude, depth, and epicenter coordinates (latitude and longitude), using standard performance metrics such as accuracy, F1 score, root mean square error (RMSE), mean absolute error (MAE), and the coefficient of determination (R²). In the short-term scenario, the model achieves average improvements of 9.31% in R², 3.41% in accuracy, and 6.06% in F1 score, while reducing RMSE by 10.63% and MAE by 12.40% across magnitude, depth, and latitude predictions. For longitude, R², accuracy, and F1 score also improve by 10.88%, 11.76%, and 17.54%, respectively, although RMSE and MAE increase by 13.09% and 20.74%, indicating a trade-off between enhanced pattern recognition and higher absolute error. Under the medium-term scenario, the model demonstrates average improvements of 7.49% in R², 3.39% in accuracy, and 7.06% in F1 score, while reducing RMSE and MAE by 6.22% and 17.72%, respectively, for magnitude, depth, and latitude predictions. For longitude, R², accuracy, and F1 score improve by 12.50%, 2.48%, and 1.60%, respectively, though RMSE and MAE increase by 37.31% and 37.01%, again highlighting a trade-off between better pattern recognition and increased absolute error in this dimension. These findings demonstrate that ConvBiLSTM-Net, engineered to integrate spatial and temporal features, is a robust and adaptive architecture for enhancing earthquake prediction performance. Its spatiotemporal modeling approach yields consistently high accuracy and stability across forecasting horizons, particularly in predicting earthquake epicenters. Despite minor trade-offs in absolute error for longitude predictions, the overall performance improvements affirm its potential as a reliable tool for seismic hazard assessment and disaster risk mitigation.

ABSTRAK: Ramalan gempa bumi yang tepat kekal sebagai satu cabaran utama disebabkan oleh kebergantungan spatiotemporal yang kompleks dalam kejadian seismik. Bagi menangani isu ini, kajian ini mencadangkan ConvBiLSTM-Net, iaitu sebuah model hibrid pembelajaran mendalam yang menggabungkan Rangkaian Neural Konvolusional (CNN) dan Memori Jangka Pendek Dwi Arah (BiLSTM), bagi tujuan pengekstrakan ciri spatial dan pemodelan jujukan temporal, masing-masing.  Model ini menggabungkan data sejarah gempa bumi dengan maklumat spatial dalam bentuk ketumpatan sesar (fault density, FD), yang diperoleh melalui Kaedah Anggaran Ketumpatan Kernel (Kernel Density Estimation, KDE). Lebar jalur KDE dioptimumkan menggunakan kaedah Bivariate Local Indicator of Spatial Association (LISA) bagi meningkatkan kepekaan spatial. Set data kajian merangkumi rekod gempa bumi daripada katalog USGS (1974–2023) serta data sesar aktif yang disusun dalam Peta Sumber dan Bahaya Gempa Indonesia 2017, terbitan Pusat Kajian Gempa Nasional (PuSGeN). Model ConvBiLSTM-Net ini dinilai dalam dua senario ramalan—jangka pendek dan jangka sederhana—bagi parameter magnitud, kedalaman, serta koordinat pusat gempa (latitud dan longitud), dengan menggunakan metrik standard seperti ketepatan, skor F1, RMSE, MAE dan pekali penentuan (R²). Malalui senario jangka pendek, model mencatatkan purata peningkatan sebanyak 9.31% pada R², 3.41% pada ketepatan, dan 6.06% pada skor F1; serta pengurangan RMSE sebanyak 10.63% dan MAE sebanyak 12.40% merentas ramalan magnitud, kedalaman, dan latitud. Bagi dimensi longitud, R², ketepatan, dan skor F1 turut meningkat sebanyak 10.88%, 11.76%, dan 17.54% masing-masing; namun begitu, RMSE dan MAE meningkat sebanyak 13.09% dan 20.74%, menunjukkan kompromi antara pengecaman corak yang lebih baik dan ralat mutlak yang lebih tinggi. Manakala senario jangka sederhana, model mencatatkan purata peningkatan sebanyak 7.49% pada R², 3.39% pada ketepatan, dan 7.06% pada skor F1; serta pengurangan RMSE sebanyak 6.22% dan MAE sebanyak 17.72% merentas tugas ramalan magnitud, kedalaman, dan latitud. Bagi dimensi longitud, peningkatan masing-masing dicatatkan pada R² (12.50%), ketepatan (2.48%), dan skor F1 (1.60%), tetapi RMSE dan MAE meningkat secara ketara sebanyak 37.31% dan 37.01%, menunjukkan kompromi antara pengecaman corak yang lebih kukuh dan ralat mutlak yang lebih besar pada dimensi ini. Dapatan kajian ini membuktikan bahawa ConvBiLSTM?Net, yang direka bentuk bagi menggabungkan ciri-ciri spatial dan temporal, merupakan satu seni bina model yang teguh dan adaptif dalam meningkatkan prestasi ramalan gempa bumi. Pemodelan spatiotemporal bersepadu yang digunakan menghasilkan tahap ketepatan dan kestabilan yang tinggi secara konsisten merentasi pelbagai ufuk ramalan, terutamanya dalam menentukan lokasi pusat gempa bumi. Walaupun terdapat sedikit kekurangan dalam nilai ralat mutlak bagi ramalan longitud, peningkatan prestasi secara keseluruhan mengesahkan nilainya sebagai alat yang boleh dipercayai dalam penilaian bahaya seismik dan pengurangan risiko bencana.