CN106154309A - 一种基于网络的地震12月内短期预测方法 - Google Patents
一种基于网络的地震12月内短期预测方法 Download PDFInfo
- Publication number
- CN106154309A CN106154309A CN201610484596.6A CN201610484596A CN106154309A CN 106154309 A CN106154309 A CN 106154309A CN 201610484596 A CN201610484596 A CN 201610484596A CN 106154309 A CN106154309 A CN 106154309A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- value
- network
- months
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007935 neutral effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于网络的地震12月内短期预测方法,本方法建立在科学的地震目录基础之上,将地震的影响因子进行量化,通过线性回归的方式得出其中的规律,并将得出的规律进行神经网络的编辑,只要将未来可量化的地震影响因子输入,即可得出为了12个月内地震的预测值,本发明的预测方法科学有效,对于短期地震的预测具有良好的辅助作用。
Description
技术领域
本发明属于网络技术领域,特别涉及一种基于网络的地震12月内短期预测方法。
背景技术
从时间上来看,地震预测分为长期预测(10年以上)、中期预测(1年-10年)、短期预测(1年以内)、短临预测(1月之内,甚至几天之内)4类。地震预测是否准确,从严格意义上讲,是指时、空、强(时间、空间和强度)三要素的预测值均要在误差范围之内。目前,中长期地震预测取得了一定的进步,但是,短期地震预测水平还很低。地震的预测预报是当今人类面临的科学难题,更是一个关系国计民生的问题。据不完全统计,全球每年发生的地震约为500万次,对整个社会有着巨大影响。2008年5月12日,中国四川汶川发生里氏8.0级特大地震,给整个中国带来了巨大灾难,损失无法估计,世界为之震惊。地震预测受到各国政府与人民的广泛关注,尽管经过几十年的探索,至今仍是一个未突破的科学难题。
发明内容
本发明所要解决的问题是提供一种基于网络的地震12月内短期预测方法。
为了实现上述目的,本发明采取的技术方案为:
一种基于网络的地震12月内短期预测方法,包括如下步骤:
(1)确定研究区域:确定区域的经度范围和纬度范围;
(2)地震目录的收集及其预处理;
(3)利用地震目录求取地震参量和时变参量,获得相应的地震参量,其中,系统参数“时间步长”和“时间窗长”取值为“12个月”,计算12个地震参量,分别为反映大小地震的比例关系b值,地震空间集中度C值,地震危险度D值,地震强度因子Mf值,地震活动演化指数YH值,地震的频度N值;
(4)信息整理,将计算得到的地震参量和其他信息一起,按照规定格式整理,每行信息数据,分别包括:序号,时间,当前12个月的6个地震参量b值,C值,D值,Mf值,YH值,N值;当前12个月的6个时变参量未来12个月内最大震级;
(5)回归分析:用多元线性回归方法建立地震震级与地震参量之间的关系;
(6)神经网络模拟,根据下式计算各子样的回归分析值y′和回归偏差值Δy:y′i=a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i,Δyi=yi-y′i,式中下标i表示子样序号,yi为子样值;然后,再将计算结果按照规定格式整理;每行信息包括16个数据,分别为:序号,时间,当前12个月的6个地震参量b值(x1),C值(x2),D值(x3),Mf值(x4),YH值(x5),N值(x6),当前12个月的6个时变参量值(x7),值(x8),值(x9),值(x10),值(x11),值(x12),未来12个月内最大震级回归值y′,回归偏差值Δy,
然后,利用神经网络BP算法进行训练,
f1)BP网络的输入层元素个数为13个,分别为:x1、x2、...、x12、y′,
f2)BP网络的隐含层元素个数为P个,P值计算公式为:P=20+INT(S/10),S为子样个数,
f3)BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,得到了该区域Δy的神经网络计算模型,该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到;
(7)计算地震预测的震级;
优选的,所述步骤(2)地震目录的收集及其预处理的具体内容包括:1)收集该区域的地震目录:要求时间为15年及15年以上;2)按照规定的数据格式要求整理地震目录;3)地震主余震的筛选:删除余震;4)删除余震之后,将主震目录保存;
优选的,所述步骤(3)地震参量的获得方式是通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处理。
优选的,所述步骤(5)回归分析建立方案如下:取当前12个月的6个地震参量b,C,D,Mf,YH,N值,6个时变参量作为线性回归的自变量,将以上12个自变量依次记为x1、x2、...、x12;取未来12个月的最大震级Ms作为因变量,将因变量记为y,具体回归模型公式为y=a0+a1·x1+a2·x2+a3·x3+……+a12·x12。
优选的,所述步骤(6)得到的所有子样的相关信息按13×P×1的网络结构构成学习样本。
优选的,所述步骤(7)地震震级预测的计算公式为:y*=y′+Δy*,式中,y′为回归分析值,根据回归模型公式计算;Δy*为回归偏差值,由神经网络模拟计算;y*为未来6个月内地震最大震级预测的计算结果。
有益效果:本发明提供了一种基于网络的地震12月内短期预测方法,本方法建立在科学的地震目录基础之上,将地震的影响因子进行量化,通过线性回归的方式得出其中的规律,并将得出的规律进行神经网络的编辑,只要将未来可量化的地震影响因子输入,即可得出为了12个月内地震的预测值,本发明的预测方法科学有效,对于短期地震的预测具有良好的辅助作用。
具体实施方式
实施例1:
一种基于网络的地震12月内短期预测方法,其加工工艺包括如下步骤:
(1)确定研究区域:确定区域的经度范围和纬度范围;
(2)地震目录的收集及其预处理,具体内容包括:1)收集该区域的地震目录:要求时间为15年及15年以上;2)按照规定的数据格式要求整理地震目录;3)地震主余震的筛选:删除余震;4)删除余震之后,将主震目录保存;
(3)利用地震目录求取地震参量和时变参量,通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处获得相应的地震参量,其中,系统参数“时间步长”和“时间窗长”取值为“12个月”,计算12个地震参量,分别为反映大小地震的比例关系b值,地震空间集中度C值,地震危险度D值,地震强度因子Mf值,地震活动演化指数YH值,地震的频度N值;
(4)信息整理,将计算得到的地震参量和其他信息一起,按照规定格式整理,每行信息数据,分别包括:序号,时间,当前12个月的6个地震参量b值,C值,D值,Mf值,YH值,N值;当前12个月的6个时变参量未来12个月内最大震级;
(5)回归分析:用多元线性回归方法建立地震震级与地震参量之间的关系,建立方案如下:取当前12个月的6个地震参量b,C,D,Mf,YH,N值,6个时变参量作为线性回归的自变量,将以上12个自变量依次记为x1、x2、...、x12;取未来12个月的最大震级Ms作为因变量,将因变量记为y,具体回归模型公式为y=a0+a1·x1+a2·x2+a3·x3+……+a12·x12;
(6)神经网络模拟,根据下式计算各子样的回归分析值y′和回归偏差值Δy:y′i=a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i,Δyi=yi-y′i,式中下标i表示子样序号,yi为子样值;然后,再将计算结果按照规定格式整理;每行信息包括16个数据,分别为:序号,时间,当前12个月的6个地震参量b值(x1),C值(x2),D值(x3),Mf值(x4),YH值(x5),N值(x6),当前12个月的6个时变参量值(x7),值(x8),值(x9),值(x10),值(x11),值(x12),未来12个月内最大震级回归值y′,回归偏差值Δy,
然后,所有子样的相关信息按13×P×1的网络结构构成学习样本,利用神经网络BP算法进行训练,
f1)BP网络的输入层元素个数为13个,分别为:x1、x2、...、x12、y′,
f2)BP网络的隐含层元素个数为P个,P值计算公式为:P=20+INT(S/10),S为子样个数,
f3)BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,得到了该区域Δy的神经网络计算模型,该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到;
(7)计算地震预测的震级,地震震级预测的计算公式为:y*=y′+Δy*,式中,y′为回归分析值,根据回归模型公式计算;Δy*为回归偏差值,由神经网络模拟计算;y*为未来6个月内地震最大震级预测的计算结果。
经过以上工艺后,分别取出样品,测量结果如下:
预测正确率 | 误差范围 | 执行过程出错率 | 执行精度 | |
实施例1 | 73.1% | ±6.5% | 0.5‰ | 0.001 |
现有技术 | 55.8% | ±8.0% | 0.8‰ | 0.010 |
根据上述表格数据可以得出,当实施例1实施基于网络的地震12月内短期预测方法,与实检测正确率为73.1%,误差范围为±6.5%,执行出错率为0.5‰,执行精度为0.001,而现有技术标准与实检测正确率为55.8%,误差范围为±8.0%,执行出错率为0.8‰,执行精度为0.010,这表明本发明基于网络的地震12月内短期预测方法,方法的正确率高,误差范围小,执行的出错率低,执行的精度高,因此本发明具有显著的优越性。
本发明提供了一种基于网络的小电流接地系统故障选线方法,本方法建立在科学的地震目录基础之上,将地震的影响因子进行量化,通过线性回归的方式得出其中的规律,并将得出的规律进行神经网络的编辑,只要将未来可量化的地震影响因子输入,即可得出为了12个月内地震的预测值,本发明的预测方法科学有效,对于短期地震的预测具有良好的辅助作用。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于网络的地震12月内短期预测方法,其特征在于,其制备工艺包括:
(1)确定研究区域:确定区域的经度范围和纬度范围;
(2)地震目录的收集及其预处理;
(3)利用地震目录求取地震参量和时变参量,获得相应的地震参量,其中,系统参数“时间步长”和“时间窗长”取值为“12个月”,计算12个地震参量,分别为反映大小地震的比例关系b值,地震空间集中度C值,地震危险度D值,地震强度因子Mf值,地震活动演化指数YH值,地震的频度N值;
(4)信息整理,将计算得到的地震参量和其他信息一起,按照规定格式整理,每行信息数据,分别包括:序号,时间,当前12个月的6个地震参量b值,C值,D值,Mf值,YH值,N值;当前12个月的6个时变参量未来12个月内最大震级;
(5)回归分析:用多元线性回归方法建立地震震级与地震参量之间的关系;
(6)神经网络模拟,根据下式计算各子样的回归分析值y′和回归偏差值Δy:y′i=a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i,Δyi=yi-y′i,式中下标i表示子样序号,yi为子样值;然后,再将计算结果按照规定格式整理;每行信息包括16个数据,分别为:序号,时间,当前12个月的6个地震参量b值(x1),C值(x2),D值(x3),Mf值(x4),YH值(x5),N值(x6),当前12个月的6个时变参量值(x7),值(x8),值(x9),值(x10),值(x11),值(x12),未来12个月内最大震级回归值y′,回归偏差值Δy,
然后,利用神经网络BP算法进行训练,
f1)BP网络的输入层元素个数为13个,分别为:x1、x2、...、x12、y′,
f2)BP网络的隐含层元素个数为P个,P值计算公式为:P=20+INT(S/10),S为子样个数,
f3)BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,得到了该区域Δy的神经网络计算模型,该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到;
(7)计算地震预测的震级。
2.一种加工权利要求1所述的基于网络的地震12月内短期预测方法,其特征在于:所述步骤(2)地震目录的收集及其预处理的具体内容包括:1)收集该区域的地震目录:要求时间为15年及15年以上;2)按照规定的数据格式要求整理地震目录;3)地震主余震的筛选:删除余震;4)删除余震之后,将主震目录保存。
3.一种加工权利要求1所述的基于网络的地震12月内短期预测方法,其特征在于:所述步骤(3)地震参量的获得方式是通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处理。
4.一种加工权利要求1所述的基于网络的地震12月内短期预测方法,其特征在于:所述步骤(5)回归分析建立方案如下:取当前12个月的6个地震参量b,C,D,Mf,YH,N值,6个时变参量作为线性回归的自变量,将以上12个自变量依次记为x1、x2、...、x12;取未来12个月的最大震级Ms作为因变量,将因变量记为y,具体回归模型公式为y=a0+a1·x1+a2·x2+a3·x3+……+a12·x12。
5.一种加工权利要求1所述基于网络的地震12月内短期预测方法,其特征在于:所述步骤(6)得到的所有子样的相关信息按13×P×1的网络结构构成学习样本。
6.一种加工权利要求1所述的基于网络的地震12月内短期预测方法,其特征在于:所述步骤(7)地震震级预测的计算公式为:y*=y′+Δy*,式中,y′为回归分析值,根据回归模型公式计算;Δy*为回归偏差值,由神经网络模拟计算;y*为未来6个月内地震最大震级预测的计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610484596.6A CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610484596.6A CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106154309A true CN106154309A (zh) | 2016-11-23 |
Family
ID=57350057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610484596.6A Withdrawn CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106154309A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学(北京) | 一种地震短期预测方法和装置 |
EP3889652A1 (en) * | 2020-03-30 | 2021-10-06 | Qingdao University Of Technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
-
2016
- 2016-06-29 CN CN201610484596.6A patent/CN106154309A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学(北京) | 一种地震短期预测方法和装置 |
EP3889652A1 (en) * | 2020-03-30 | 2021-10-06 | Qingdao University Of Technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Reconstruction of GRACE total water storage through automated machine learning | |
Xu et al. | Household carbon inequality in urban China, its sources and determinants | |
Wu et al. | Hydrological drought instantaneous propagation speed based on the variable motion relationship of speed‐time process | |
CN101699317A (zh) | 利用地震参量进行短期地震预测的神经网络方法 | |
Pongracz et al. | Application of fuzzy rule-based modeling technique to regional drought | |
Zuo et al. | Application of a hybrid method combining multilevel fuzzy comprehensive evaluation with asymmetric fuzzy relation analysis to mapping prospectivity | |
Pasari | Stochastic modelling of earthquake interoccurrence times in Northwest Himalaya and adjoining regions | |
Fernando et al. | Modified factor analysis to construct composite indices: illustration on urbanization index | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
Modarres et al. | Modeling the relationship between climate oscillations and drought by a multivariate GARCH model | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN113378473A (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
CN106154309A (zh) | 一种基于网络的地震12月内短期预测方法 | |
CN103308956B (zh) | 利用云气候学数据预判目标区域未来月平均云量的方法 | |
Pham et al. | The impact of innovation activities on firm efficiency: Data envelopment analysis | |
CN106154308A (zh) | 一种基于网络的地震12月内短期预测方法 | |
Bruno et al. | FDI impact on firm performance in enlarged Europe: Evidence from a meta-regression analysis | |
CN102880753B (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
Bhend et al. | Evaluation of simulated recent climate change in Australia | |
He et al. | Numerical studies on forecast error correction of grapes model with variational approach | |
Megeri et al. | Econometric study of urbanization and economic development | |
CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
Tran et al. | How robust is the evidence on the impact of diasporas on institutional quality in home countries? | |
Dhanya et al. | Probabilistic fling hazard Map of India and adjoined regions | |
Li et al. | Estimating the economic loss caused by earthquake in Mainland China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161123 |