CN107300715B

CN107300715B - 一种识别核爆炸地震事件的方法

Info

Publication number: CN107300715B
Application number: CN201710481292.9A
Authority: CN
Inventors: 刘哲函; 唐恒专; 王晓明; 唐伟; 刘俊民; 王燕; 李靓; 王媛
Original assignee: Ctbt Beijing National Data Center
Current assignee: Ctbt Beijing National Data Center
Priority date: 2017-06-22
Filing date: 2017-06-22
Publication date: 2018-12-11
Anticipated expiration: 2037-06-22
Also published as: CN107300715A

Abstract

本发明公开了一种识别核爆炸地震事件的方法，首先选取合适的地震监测台站作为核爆炸地震事件识别台站；截取台站垂向通道一定时间段的时间序列数据；根据天然地震和核爆炸地震在时域、频域上特征的差异以及在时频域的综合特征差异，选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据，基于D‑S证据理论的证据组合，最终得出各判据联合后的概率，通过比较各类事件概率的大小，确定事件的类型。本发明通过采用D‑S证据理论的证据组合方法，能够正确、有效的给出核爆炸地震事件的识别结果，而且在单个判据失效的条件下，本发明仍然可以给出正确的识别结论。

Description

一种识别核爆炸地震事件的方法

技术领域

本发明属于核爆炸地震事件识别，具体涉及一种识别核爆炸地震事件的方法。

背景技术

核爆炸地震事件的识别是各国发展禁核试核查国家技术手段的核心需求，现有的地震数据处理系统采取的事件识别技术是事件深度、体波震级与面波震级比率和区域判据高频P/S幅值比判据等三个判据，而且只给出天然地震的事件分类。根据全面禁止核试验条约组织国际数据中心判据筛选的统计结果表明，这些判据仅筛选出了约27％的天然地震事件，未被筛选出的事件占事件总数约三分之二，未筛选出的事件中是否含有核爆炸地震事件是各国所关注的重点，目前监测系统中运行的事件识别判据及识别技术无法满足我国对核爆炸地震识别的需求。

发明内容

本发明的目的是提供一种识别核爆炸地震事件的方法，解决了核爆炸地震事件监测中的事件识别困难的问题。

本发明的技术方案为：一种识别核爆炸地震事件的方法，其特征在于：包括以下步骤：

S1、根据特定地区范围及地震监测台网选取合适的地震监测台站作为核爆炸地震事件识别台站；

S2、根据选取的台站垂向通道记录到地震事件的初至波时刻T，截取台站垂向通道一定时间段的时间序列数据X(t)；

S3、根据天然地震和核爆炸地震在时域、频域上特征的差异以及在时频域的综合特征差异，选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据：

S4、利用已知性质的核爆炸地震和天然地震，将波形复杂度判据、谱比值判据和综合比值判据的计算数值分别代入到各自的人工神经网络模型中训练，得到波形复杂度判据、谱比值判据和综合比值判据各自对应的天然地震概率、爆炸地震概率和不确定概率；

S5、对各判据计算的天然地震、爆炸地震和不确定的概率进行基于D-S证据理论的证据组合，最终得出各判据联合后的概率，通过比较各类事件概率的大小，确定事件的类型。

S1具体包括以下步骤：

S1.1、计算地震监测台网中第i个台站到特定地区范围内的最大距离D_i：

D_i＝max(distance(sta_i,range)) (1)

式中sta_i为第i个台站的经纬度坐标，range为特定地区经纬度范围，distance为台站和特定地区之间距离计算函数，max为取最大值函数；

S1.2、选取距离在给定距离D内的台站作为核爆炸地震事件识别台站。

S2中，所述时间段为[T-t₁，T+t₂]；t₁、t₂为数据的时间段长度，根据地震波列的持续时间设定。

S3具体包括以下步骤：

S3.1、根据天然地震和核爆炸地震在时域上特征的差异，计算波形复杂度判据数值C：

其中X(t)为S2中截取的时间序列数据，L为短时时间窗长度；H为长时时间窗长度；

S3.2、根据天然地震和核爆炸地震在频域上特征的差异，计算波形谱比值判据数值SR：

其中X(f)为时间序列数据X(t)的振幅谱，L₁和H₁是低频的起、止频率，L₂和H₂是高频的起、止频率。

S3.3、根据天然地震和核爆炸地震在时频域的综合特征差异，计算综合比值判据数值SRC：SRC＝SR/C。

S5中，根据D-S证据理论的计算公式，首先得出其中两个判据联合后的天然地震概率、爆炸地震概率和不确定概率，然后将联合后的各概率与第三个判据进行联合，得出最终的天然地震概率、爆炸地震概率和不确定概率。

所述D-S证据理论的计算公式如下式所示：

其中为冲突因子，反映了证据的冲突程度，m()为基本概率赋值函数；A、B分别为用于联合计算的两个判据，Z为两个判据的相交结果，包括天然地震、爆炸地震和不确定三种结果。

A∩B＝Φ的组合情形包括：A判据地震概率×B判据爆炸概率、B判据地震概率×A判据爆炸概率。

天然地震的组合情形包括：A判据地震概率×B判据地震概率、A判据地震概率×B判据不确定概率、A判据地震概率×B判据不确定概率；

爆炸地震的组合情形包括：A判据爆炸概率×B判据爆炸概率、A判据爆炸概率×B判据不确定概率、A判据爆炸概率×B判据不确定概率；

不确定的组合情形包括：A判据不确定概率×B判据不确定概率。

有益效果：本发明通过采用D-S证据理论的证据组合方法，能够正确、有效的给出核爆炸地震事件的识别结果，而且在单个判据失效的条件下，本发明仍然可以给出正确的识别结论。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合实施例，对本发明的具体实施方式作进一步详细描述。

本发明提供一种识别核爆炸地震事件的方法，其特殊之处在于：其包括以下步骤：

S1、根据特定地区范围及地震监测台网选取合适的地震监测台站作为核爆炸地震事件识别台站，特定地区为地震事件发生的地区；具体步骤如下：

D_i＝max(distance(sta_i,range)) (1)

式中sta_i为第i个台站的经纬度坐标，range为特定地区经纬度范围，distance为台站和特定地区之间距离计算函数，max为取最大值函数。

S1.2、选取距离在给定距离D内的台站作为核爆炸地震事件识别台站：

D_i<D (2)

S2、根据选取的台站垂向通道记录到地震事件的初至波时刻T，截取台站垂向通道时间段为[T-t₁，T+t₂]的时间序列数据X(t)；

t₁、t₂为数据的时间段长度，根据地震波列的持续时间设定；

S3、选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据：

其中X(t)为S2中截取的时间序列数据，L为短时时间窗长度，单位为秒；H为长时时间窗长，单位为秒。

S3.3、根据天然地震和核爆炸地震在时频域的综合特征差异，计算综合比值判据数值SRC：

SRC＝SR/C (5)

其中，SR为S3.2中计算的谱比值判据数值，C为S3.1中的计算的波波形复杂度判据数值。

S4、利用已知性质的核爆炸地震和天然地震对波形复杂度判据、谱比值判据和综合比值判据进行人工神经网络训练，确定各判据使用的人工神经网络模型及参数，各判据所使用的人工神经网络输入为判据计算数值，分别输出各判据的天然地震概率P_{c_eq}、P_{sr_eq}、P_{src_eq}、爆炸地震概率P_{c_ex}、P_{sr_ex}、P_{src_ex}和不确定概率P_{c_un}、P_{sr_un}、P_{src_un}。

S5、由D-S证据理论的计算公式得出各判据联合后的概率，包括天然地震概率、爆炸地震概率和不确定概率，如下公式(6)所示：

其中为冲突因子，反映了证据的冲突程度，m为基本概率赋值函数；A、B分别为用于联合计算的两个判据，Z为两个判据的相交结果；

S5.1、将波形复杂度判据与谱比值判据进行证据组合，形成组合1，见表1：

表1 组合1证据组合方式

由表1可知，公式(6)中K值计算如下：

K＝P_{c_eq}×P_{sr_ex}+P_{c_ex}×P_{sr_eq}

组合1条件下给出的地震概率P_{zh1_eq}、爆炸概率P_{zh1_ex}和不确定概率P_{zh1_un}计算如下：

P_{zh1_eq}＝(P_{c_eq}×P_{sr_eq}+P_{c_eq}×P_{sr_un}+P_{sr_eq}×P_{c_un})/(1-K)

P_{zh1_ex}＝(P_{c_ex}×P_{sr_ex}+P_{c_ex}×P_{sr_un}+P_{sr_ex}×P_{c_un})/(1-K)

P_{zh1_un}＝P_{c_un}×P_{sr_un}/(1-K)

S5.2、将组合1的结果与综合比值判据的证据组合形成组合2，如表2所示：

表2 组合1结果与综合比值判据的证据组合

由表2可知，公式(6)中K值计算如下：

K＝P_{zh1_eq}×P_{src_ex}+P_{zh1_ex}×P_{src_eq}

组合2条件下给出的地震概率P_{zh2_eq}、爆炸概率P_{zh2_ex}和不确定概率P_{zh2_un}计算如下：

P_{zh2_eq}＝(P_{zh1_eq}×P_{src_eq}+P_{zh1_eq}×P_{src_un}+P_{src_eq}×P_{zh1_un})/(1-K)

P_{zh2_ex}＝(P_{zh1_ex}×P_{src_ex}+P_{zh1_ex}×P_{src_un}+P_{src_ex}×P_{zh1_un})/(1-K)

P_{zh2_un}＝P_{zh2_un}×P_{src_un}/(1-K)

由组合2给出的事件识别地震概率P_{zh2_eq}、爆炸概率P_{zh2_ex}和不确定概率P_{zh2_un}即为基于D-S证据理论的最终综合判定结果，通过比较各类事件概率的大小，由此给出事件识别结论。

实施例：

按照上述方法，对某地区的核爆炸地震和天然地震事件进行了识别测试。先根据事件位置及地震监测台网选取了某地震台站作为核爆炸地震事件识别台站；由台站记录到的两次事件的初至波到时时刻截取了垂向通道的时间序列数据；计算波形复杂度判据、谱比值判据和综合比值判据等判据的计算结果，并分别代入到各自的人工神经网络模型中计算天然地震、爆炸地震和不确定的概率；对各判据计算的天然地震、爆炸地震和不确定的概率进行基于D-S证据理论的证据组合，最终给出了事件的识别结论。表3为判据联合方法对天然地震事件的识别结果，表4为判据联合方法对核爆炸地震事件的识别结果，可以看到，在单个判据失效的条件下，判据联合方法仍然给出了正确的识别结论。

表3 对某地区天然地震事件的识别结果

判据类型	地震概率	爆炸概率	不确定概率	结论
					波形复杂度	69.85％	8.38％	21.77％	天然地震
谱比值	0.00％	51.26％	48.74％	爆炸
					综合比值	75.22％	1.77％	23.01％	天然地震
联合结果	84.72％	10.28％	4.99％	天然地震

表4 对某地区核爆炸地震事件的识别结果

判据类型	地震概率	爆炸概率	不确定概率	结论
					波形复杂度	73.13％	7.67％	19.20％	天然地震
谱比值	3.36％	79.58％	17.06％	爆炸
					综合比值	6.69％	67.24％	26.07％	爆炸
联合结果	18.01％	79.10％	2.89％	爆炸

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种识别核爆炸地震事件的方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种识别核爆炸地震事件的方法，其特征在于：S1具体包括以下步骤：

D_i＝max(distance(sta_i,range)) (1)

3.根据权利要求2所述的一种识别核爆炸地震事件的方法，其特征在于：S2中，所述时间段为[T-t₁，T+t₂]；t₁、t₂为数据的时间段长度，根据地震波列的持续时间设定。

4.根据权利要求3所述的一种识别核爆炸地震事件的方法，其特征在于：S3具体包括以下步骤：

其中X(f)为时间序列数据X(t)的振幅谱，L₁和H₁是低频的起、止频率，L₂和H₂是高频的起、止频率；

5.根据权利要求4所述的一种识别核爆炸地震事件的方法，其特征在于：S5中，根据D-S证据理论的计算公式，首先得出其中两个判据联合后的天然地震概率、爆炸地震概率和不确定概率，然后将联合后的各概率与第三个判据进行联合，得出最终的天然地震概率、爆炸地震概率和不确定概率。

6.根据权利要求5所述的一种识别核爆炸地震事件的方法，其特征在于：所述D-S证据理论的计算公式如下式所示：

其中为冲突因子，反映了证据的冲突程度，m() 为基本概率赋值函数；A、B分别为用于联合计算的两个判据，A∩B＝Φ表示A、B判据的交集为空集，Z为两个判据的相交结果，包括天然地震、爆炸地震和不确定三种结果。

7.根据权利要求6所述的一种识别核爆炸地震事件的方法，其特征在于：A∩B＝Φ的组合情形包括：A判据地震概率×B判据爆炸概率、B判据地震概率×A判据爆炸概率。

8.根据权利要求6所述的一种识别核爆炸地震事件的方法，其特征在于：天然地震的组合情形包括：A判据地震概率×B判据地震概率、A判据地震概率×B判据不确定概率、A判据不确定概率×B判据地震概率；

爆炸地震的组合情形包括：A判据爆炸概率×B判据爆炸概率、A判据爆炸概率×B判据不确定概率、A判据不确定概率×B判据爆炸概率；

9.根据权利要求1～8任一项所述的一种识别核爆炸地震事件的方法，其特征在于：特定地区为地震事件发生的地区。