CN104199084A - 一种基于热红外异常信号与小波神经网络的地震预测方法 - Google Patents

Abstract

本发明公开了一种基于热红外异常信号与小波神经网络的地震预测方法，该方法包括：步骤一、热异常信息提取；步骤二、构建热异常时空坐标系；步骤三、构建以热异常及断裂带为输入的地震预测小波神经网络；步骤四、进行小波神经网络的训练与地震预测试验。本发明利用小波神经网络的优点及地震前热异常现象的普适性，通过构建以地震热异常信号及断裂带为输入特征的小波神网络，实现了地震三要素的同时预测。

Description

一种基于热红外异常信号与小波神经网络的地震预测方法

技术领域

本发明属于地震预测领域，尤其涉及一种基于热红外异常信号与小波神经网络的地震预测方法。

背景技术

目前地震预测方法大致可以分为3类：地震地质方法、地震统计方法和地震前兆方法。其中前兆法是常用方法之一，涉及测震、地形变、重力、地电、地磁、地下水化学、地下水物理、气象、地温等多个指标。震前地表温度异常即是地震前兆异常之一。随着遥感技术的发展，其信息量大、范围广、可实时监测、客观准确等特点使得利用热红外遥感数据监测震前地表温度异常成为可能。近年来，在利用热红外遥感数据提取地震热异常信息的算法研究及其与地震关系方面的探索取得了一些重要进展。大量研究结果表明，地震发生前存在不同程度的“热震兆”现象。大量试验表明，遥感热红外信息在地震短临预测中的应用方面有其独特的优势，是探索地震预报的可能途径之一。

张金华等在2012年以BP神经网络为基础建立短期地震预测模型，较好地对未来几个月的最大震级进行了预测。李炜等在2011年对实验区地震数据时间序列进行分析并对大地震的发生时间进行预测。聂仙娥等在2011年利用神经网络对地震震级的预测也取得了较好的效果。

现有的地震预测方法多是针对地震三要素(震中、震级、时间)里的某个要素进行预测，未实现地震三要素的同时预测。

发明内容

本发明的目的在于提供一种基于热红外异常信号与小波神经网络的地震预测方法，旨在实现地震三要素的同时预测。

本发明是这样实现的，一种基于热红外异常信号与小波神经网络的地震预测方法包括：

步骤一、热异常信息提取；

步骤二、构建热异常时空坐标系；

步骤三、构建以热异常及断裂带为输入的地震预测小波神经网络；

步骤四、进行小波神经网络的训练与地震预测试验。

进一步，热异常信息Alice值提取的具体方法为:

$\mathrm{Alice}(r_{\mathrm{ij}},t)=\frac{\mathrm{\ΔT}(r_{\mathrm{ij}},t)-{\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)}{{\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)}---\left(1\right)$

ΔT(r_ij,t)＝T(r_ij,t)-T(t)      (2)

式中，T(r_ij,t)是t时刻像元r_ij＝(x_i,y_j)处的亮温值，ΔT(r_ij,t)为t时刻像元T_ij＝(x_i,y_j)处T(r_ij,t)与该处像元的历年同期平均亮温T(t)的差值,

$T\left(t\right)=1/L\left({\mathrm{\Σ}}_{t=1}^{L}T(r_{\mathrm{ij}},t)\right)---\left(3\right)$

${\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)=\frac{{\mathrm{\Σ}}_{t=1}^L[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\·S(r_{\mathrm{ij}},t)]}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}---\left(4\right)$

${\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)=\sqrt{\frac{{\mathrm{\Σ}}_{t=1}^L\left[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\mathrm{\μ}(r_{\mathrm{ij}},t)\right]\·S(r_{\mathrm{ij}},t)}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}}---\left(5\right)$

L＝统计计算的年数，如图2所示。此试验，数据从2002年统计到2011年，L＝10；

S(r_ij,t)＝C(r_ij,t)·E(r_ij,t)        (6)

S(r_ij,t)表示在无云和平静期，与影像获取时刻t相一致的像元r_ij的标示值，

E(r_ij,t)＝0：像元中心位置r_ij处为云；

E(r_ij,t)＝1：像元中心位置r_ij处不为云；

C(r_ij,t)＝0：像元中心位置r_ij处有事件(地震等)发生；

C(r_ij,t)＝1：像元中心位置r_ij处无事件(地震等)发生；

t为长时间序列影像每景的观测时间。

进一步，构建热异常时空坐标系的具体方法为：以震中为中心选择10°×10°矩形框作为研究区域，以地震发生前两个月为数据的时间搜索范围，以震中为中心选择10°×10°矩形框的左下角为空间直角坐标系的坐标原点，以热异常首次出现的时间为时间起点。

进一步，构建以热异常及断裂带为输入的地震预测小波神经网络的具体方法为：

确定网络结构：网络为3层结构，输入层-隐层-输出层；

确定各层神经元数目为d-N-m，其中d为输入神经元的特征数目，对应于表征热异常特征的9个指标，分别反映热异常的面积、强度、热异常起始位置、热异常起始时间和断裂带属性，共计12个输入神经元，即12维向量(每个位置信息均由2维向量刻画)，N为隐层神经元数目，m为输出神经元数目，对应于输出向量(以震中位置、震级、发震时间、发震标志为分量的5维向量)的维数。

进一步，小波神经网络的训练与地震预测试验的具体方法为：

用多个震例和多个随机无震样本分别采用小波神经网络进行训练、预测和仿真。小波神经网络训练：首先需设置网络的迭代次数、最小误差、网络的隐层神经元个数三个参数(本发明实施例迭代次数为10000，期望最小误差为1.0e-10，隐层神经元个数为88)，然后运行小波神经网络算法，根据用于训练的80个震例和55个随机无震样本的输入和输出参量，不断地循环迭代，循环运算到设置的迭代次数，训练结束。地震预测试验：基于小波神经网络训练后产生的非线性关系，将用于仿真的20个震例和15个无震随机样本的9个热异常特征作为输入参数，运行小波神经网络仿真算法，将仿真预测的输出结果(地震三要素与发震标志)与实际值对比，分析。

以MATLAB程序为例，小波神经网络训练与地震预测程序：

style＝0；％style＝1:输出神经元为logsig，style＝0-358输出神经元为pureline

err_goal＝1.0e-10；％期望误差最小值

gra_bound＝1.0e-10；

goal＝1.0e-5；

max_epoch＝10000；％设定最大迭代次数

max_num＝100；％搜索最大迭代次数

yz_total＝1；％运行次数

％初始搜索的起始点与步长

start_point＝0；

step＝0.5；

[y Wij Wjk a b bi epoch d_Wij d_Wjk d_a d_b d_bi Wij0 Wjk0 a0 b0 bi0gra lr_gerr_g]＝CGFBPWNN1_vectored0_err(input,output,err_goal,max_epoch,n,mymorlet,d_mymorlet,Initial_Fun,SimWNN,minJT,minHJ,gra_bound,start_point,step,goal,max_num,style)；

A＝SimWNN(s,Wij,Wjk,bi,a,b,mymorlet,style)；

％input为输入矩阵，output为输出矩阵。

效果汇总

本发明利用小波神经网络的优点及地震前热异常现象的普适性，通过构建以地震热异常信号及断裂带为输入特征的小波神网络，实现了地震三要素(震中、震级、时间)的同时预测。

附图说明

图1是本发明实施例提供的基于热红外异常信号与小波神经网络的地震预测方法流程图；

图2是本发明实施提供的热异常提取算法示意图；

图3是本发明实施例提供的神经网络中热异常信号时空表达示意图；

图4是本发明实施例提供的小波神经网络结构示意图；

图5是本发明实施例提供的实际震中和预测震中在断裂带中的位置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明是这样实现的，如图2所示，一种基于热红外异常信号与小波神经网络的地震预测方法包括：

S101：热异常信息提取；

S102：构建热异常时空坐标系；

S103：构建以热异常及断裂带为输入的地震预测小波神经网络；

S104：进行小波神经网络的训练与地震预测试验。

进一步，步骤S101所述热异常提取算法为公式(1)-公式(6)所示和图2所示；

热异常信息Alice值提取的具体方法如公式(1)-(6)和图2所示：

$\mathrm{Alice}(r_{\mathrm{ij}},t)=\frac{\mathrm{\ΔT}(r_{\mathrm{ij}},t)-{\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)}{{\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)}---\left(1\right)$

ΔT(r_ij,t)＝T(r_ij,t)-T(t)       (2)

式中，T(r_ij,t)是t时刻像元r_ij＝(x_i,y_j)处的亮温值，ΔT(r_ij,t)为t时刻像元T_ij＝(x_i,y_j)处T(r_ij,t)与该处像元的历年同期平均亮温T(t)的差值,

$T\left(t\right)=1/L\left({\mathrm{\Σ}}_{t=1}^{L}T(r_{\mathrm{ij}},t)\right)---\left(3\right)$

${\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)=\frac{{\mathrm{\Σ}}_{t=1}^L[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\·S(r_{\mathrm{ij}},t)]}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}---\left(4\right)$

${\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)=\sqrt{\frac{{\mathrm{\Σ}}_{t=1}^L\left[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\mathrm{\μ}(r_{\mathrm{ij}},t)\right]\·S(r_{\mathrm{ij}},t)}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}}---\left(5\right)$

L＝统计计算的年数，如图2所示。此试验，数据从2002年统计到2011年，L＝10。

S(r_ij,t)＝C(r_ij,t)·E(r_ij,t)           (6)

S(r_ij,t)表示在无云和平静期，与影像获取时刻t相一致的像元r_ij的标示值，

E(r_ij,t)＝0：像元中心位置r_ij处为云

E(r_ij,t)＝1：像元中心位置r_ij处不为云

C(r_ij,t)＝0：像元中心位置r_ij处有事件(地震等)发生

C(r_ij,t)＝1：像元中心位置r_ij处无事件(地震等)发生

t为长时间序列影像每景的观测时间。

进一步，步骤S102所述的构建热异常时空坐标系的具体方法为：以震中为中心选择10°×10°矩形框作为研究区域，以地震发生前两个月为数据的时间搜索范围，以震中为中心选择10°×10°矩形框的左下角为空间直角坐标系的坐标原点，以热异常首次出现的时间为时间起点，如图3所示。

为研究热红外异常的时空演变路径及发展特点，引入热异常区域的几何能量质心这一概念，其计算公式为：

$\stackrel{\‾}{x}=\frac{\mathrm{\Σ}{x}_i{m}_i}{\mathrm{\Σ}{m}_i},\stackrel{\‾}{y}=\frac{\mathrm{\Σ}{y}_i{m}_i}{\mathrm{\Σ}{m}_i}$

式中分别表示几何能量质心在x-y坐标系中的横坐标和纵坐标，x_i，y_i表示第i个异常点的坐标，m_i表示第i个异常点的热异常强度。通过MATLAB编程进行计算。

进一步，步骤S103所述的构建以热异常及断裂带为输入的地震预测小波神经网络的具体方法为：

确定网络结构：网络为3层结构，输入层-隐层-输出层，如图4所示；

确定各层神经元数目为d-N-m，其中d为输入神经元的特征数目，对应于表征热异常特征的9个指标，分别反映热异常的面积、强度、热异常起始位置、热异常起始时间和断裂带属性，共计12个输入神经元，即12维向量(每个位置信息均由2维向量刻画)，N为隐层神经元数目，m为输出神经元数目，对应于输出向量(以震中位置、震级、发震时间、发震标志为分量的5维向量)的维数。

进一步，步骤S104所述的小波神经网络的训练与地震预测试验的具体方法为：用多个震例和多个随机无震样本分别采用小波神经网络进行训练、预测和仿真。

本发明实施例采用100个5级以上震例和70个随机无震样本分别采用了小波神经网络进行选连与预测(其中80个震例、55个随机无震样本用于训练，20个震例、15个随机无震样本用于仿真)。

表1  小波神经网络预测试验的震级、发震时间以及震中位置误差表

图5是小波神经网络实际震中与预测震中的空间位置对比图。图中，绿色的点和红色的点分别表示实际的地震位置和预测出的地震位置，分别对应黑色和红色的数字注记。可以看出，实际的地震位置和预测的地震位置在空间上是很接近的，这说明预测试验效果还是较好的。

本发明利用小波神经网络的优点及地震前热异常现象的普适性，通过构建以地震热异常信号及断裂带为输入特征的小波神网络，实现了地震三要素(震中、震级、时间)的同时预测。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性的劳动即可做出的各种修改或变形仍在本发明的保护范围之内。

Claims (6)

1.一种基于热红外异常信号与小波神经网络的地震预测方法，其特征在于，所述的基于热红外异常信号与小波神经网络的地震预测方法包括：

步骤一、基于时间域的热异常信息的提取；

步骤二、构建热异常时空坐标系；

步骤三、构建以热异常及断裂带为输入的地震预测小波神经网络；

步骤四、进行小波神经网络的训练与地震预测试验。

2.如权利要求1所述的基于时间域的热异常信息的提取方法，其特征在于，热异常信息Alice值提取的具体方法为:

$\mathrm{Alice}(r_{\mathrm{ij}},t)=\frac{\mathrm{\ΔT}(r_{\mathrm{ij}},t)-{\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)}{{\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)}---\left(1\right)$

ΔT(r_ij,t)＝T(r_ij,t)-T(t)       (2)

式中，T(r_ij,t)是t时刻像元r_ij＝(x_i,y_j)处的亮温值，ΔT(r_ij,t)为t时刻像元(x_i,y_j)处T_ij＝(x_i,y_j)与该处像元的历年同期平均亮温T(t)的差值,

$T\left(t\right)=1/L\left({\mathrm{\Σ}}_{t=1}^{L}T(r_{\mathrm{ij}},t)\right)---\left(3\right)$

${\mathrm{\μ}}_v\left(r_{\mathrm{ij}}\right)=\frac{{\mathrm{\Σ}}_{t=1}^L[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\·S(r_{\mathrm{ij}},t)]}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}---\left(4\right)$

${\mathrm{\σ}}_v\left(r_{\mathrm{ij}}\right)=\sqrt{\frac{{\mathrm{\Σ}}_{t=1}^L\left[\mathrm{\ΔT}(r_{\mathrm{ij}},t)\mathrm{\μ}(r_{\mathrm{ij}},t)\right]\·S(r_{\mathrm{ij}},t)}{{\mathrm{\Σ}}_{t=1}^{L}S(r_{\mathrm{ij}},t)}}---\left(5\right)$

L＝统计计算的年数，L＝10；

S(r_ij,t)＝C(r_ij,t)·E(r_ij,t)       (6)

S(r_ij,t)表示在无云和平静期，与影像获取时刻t相一致的像元r_ij的标示值，

E(r_ij,t)＝0：像元中心位置r_ij处为云；

E(r_ij,t)＝1：像元中心位置r_ij处不为云；

C(r_ij,t)＝0：像元中心位置r_ij处有地震事件发生；

C(r_ij,t)＝1：像元中心位置r_ij处无地震事件发生；

t为长时间序列影像每景的观测时间。

3.如权利要求1所述的基于热红外异常信号与小波神经网络的地震预测方法，其特征在于，构建热异常时空坐标系的具体方法为：

以震中为中心选择10°×10°矩形框作为研究区域，以地震发生前两个月为数据的时间搜索范围，以震中为中心选择10°×10°矩形框的左下角为空间直角坐标系的坐标原点，以热异常首次出现的时间为时间起点。

4.如权利要求1所述的基于热红外异常信号与小波神经网络的地震预测方法，其特征在于，构建以热异常及断裂带为输入的地震预测小波神经网络的具体方法为：

确定网络结构：网络为3层结构，输入层-隐层-输出层；

确定各层神经元数目为d-N-m，其中d为输入神经元的特征数目，对应于表征热异常特征的9个指标，分别反映热异常的面积、强度、热异常起始位置、热异常起始时间和断裂带属性，共计12个输入神经元，即12维向量，N为隐层神经元数目，m为输出神经元数目，对应于输出向量的维数。

5.如权利要求1所述的基于热红外异常信号与小波神经网络的地震预测方法，其特征在于，小波神经网络的训练与地震预测试验的具体方法为：用多个震例和多个随机无震样本分别采用小波神经网络进行训练、预测和仿真。

6.如权利要求1所述的基于热红外异常信号与小波神经网络的地震预测方法，用多个震例和多个随机无震样本分别采用小波神经网络进行训练、预测和仿真，小波神经网络训练：首先需设置网络的迭代次数、最小误差、网络的隐层神经元个数三个参数，然后运行小波神经网络算法，根据用于训练的震例和随机无震样本的输入和输出参量，不断地循环迭代，循环运算到设置的迭代次数，训练结束；地震预测试验：基于小波神经网络训练后产生的非线性关系，将用于仿真的震例和无震随机样本的热异常特征作为输入参数，运行小波神经网络仿真算法，将仿真预测的输出结果与实际值对比，分析。