CN109085641A - 用于地震预报的监测数据处理方法、地震预报方法和系统 - Google Patents
用于地震预报的监测数据处理方法、地震预报方法和系统 Download PDFInfo
- Publication number
- CN109085641A CN109085641A CN201810870875.5A CN201810870875A CN109085641A CN 109085641 A CN109085641 A CN 109085641A CN 201810870875 A CN201810870875 A CN 201810870875A CN 109085641 A CN109085641 A CN 109085641A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- monitoring data
- monitoring
- data
- components
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 239000000126 substance Substances 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 21
- 208000012788 shakes Diseases 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000005670 electromagnetic radiation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 210000004209 hair Anatomy 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000011065 in-situ storage Methods 0.000 claims 1
- 230000005055 memory storage Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 239000002243 precursor Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000941 radioactive substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- LBDSXVIYZYSRII-IGMARMGPSA-N alpha-particle Chemical compound [4He+2] LBDSXVIYZYSRII-IGMARMGPSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Remote Sensing (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
用于地震预报的监测数据处理方法、地震预报方法和系统,涉及灾害预警领域,通过在预监测区域布设地震监测点,监测地震监测点的多种物理量和化学量进行监测,获取多分量监测数据。多分量监测数据与该地震监测点处因地下活动引起的物理场和化学场的变化特征相关。对多分量监测数据进行处理,获得多分量监测数据的特征变化。再将该特征变化输入到树模型中,输出该地震监测点或该预监测区域的地震风险指数。由于创新的提出应用树模型对预监测区域中的地震监测点的多分量监测数据进行处理,进而实现对地震的全天候监测和数据的实时更新,通过对数据的分析能够及时对地震发生的危险发出预警。
Description
技术领域
本发明涉及灾害预警领域,具体涉及用于地震预报的监测数据处理方法、地震预报方法和系统。
背景技术
地震预报是在地震发生之前能够比较准确的预报地点、时间、震级,即地震三要素,这样能够极大程度上避免大地震在未知的情况下发生所造成的人员伤亡,地震预报的研究一直受到关注。国内外的地震专家研究地质结构、地壳运动等期望发现地震的机理,借助信息科学的发展研制观测仪器,建立了针对地震测震学、地壳形变学、电磁学、地下流体学和辅助观测等学科和观测体系。目前,地震的监测和预报采用地震地质法、地震统计法、和地震前兆法。地震地质法是通过研究地质结构推断地震可能发生的区域。地震统计法是通过研究地震的历史经验来判断可能发生的地震。地震前兆法是通过发现、探测地震前的宏观征兆和微观征兆(例如,地声、地光、地震云、地下水异常、地球物理场异常等)来预测地震发生。上述几种方法基本都是处于依靠经验来间接推测,还不能像天气预报那样,做到对地震灾害的较准确的、有效的短临预报。因此,仍然没有探索出一条清晰的地震预报途径和方法,地震预报任重而道远,地震预报仍是人类尚未解决的重大科学难题。
发明内容
本申请提供用于地震预报的监测数据处理方法、地震预报方法和系统,解决现有技术中地震预报的不足。
根据第一方面,一种实施例中提供一种用于地震预报的监测数据处理方法,包括:
获取预监测区域中地震监测点处不同时间的多分量监测数据,所述多分量监测数据与所述地震监测点处因地下活动引起的物理场和化学场的特征的变化相关;
提取所述多分量监测数据的特征,将所述多分量监测数据的特征输入到树模型,并输出预测的地震风险指数。
根据第二方面,一种实施例中提供一种地震预报系统,包括:
地震监测网,用于获取预监测区域中地震监测点处不同时间的多分量监测数据;所述多分量监测数据与所述各个地震监测点处因地下活动引起的物理场和化学场的特征的变化相关;
数据处理中心,用于接收所述地震监测网输出的所述多分量监测数据,并提取所述多分量监测数据的特征,将所述多分量监测数据的特征输入到树模型,并输出预测的地震风险指数;
地震预报单元,用于接收所述数据处理中心输出的所述地震风险指数,并依据所述地震风险指数对所述预监测区域进行地震预报。
根据第三方面,一种实施例中提供一种地震预报方法,包括:
在预监测区域设定地震监测点;
对所述地震监测点处因地下活动引起的物理场和化学场的特征的变化进行监测,并输出与所述物理场和化学场的特征的变化相关的多分量监测数据;
采用第一方面所述的监测数据处理方法分析所述多分量监测数据。
依据上述实施例的一种用于地震预报的监测数据处理方法、地震预报方法和系统,由于创新的提出应用树模型对预监测区域中的地震监测点的多分量监测数据进行处理,进而实现对地震的全天候监测和数据的实时更新,通过对数据的分析能够及时对地震发生的危险发出预警。
附图说明
图1为一种实施例的地震预报系统的结构示意图;
图2为一种地震预报方法的流程图;
图3为一种实施例的预监测区域的地震监测点设置分布图;
图4为一种实施例中带电粒子在日周期的波动特征曲线;
图5为一种实施例中全频数据的均值曲线图;
图6为一种实施例中全频数据的振铃计数曲线图;
图7为一种实施例中全频数据的全局峰值频率曲线图;
图8为一种树类算法结构示意图;
图9为一种实施例的预监测区域中预测的各地震监测点的地震风险指数示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
在本实施例中,先在预监测的地区设置多个监测点,由多个监测点构建一个监测网,监测监测点处因地下活动引起的物理场和化学场的变化特征,进而获取监测数据,其变化特征包括地震前的宏观地震前兆和微观地震前兆(例如,地声、地光、地震云、地下水异常、地球物理场异常等),再应用树模型对每个监测点的各种监测数据之间以及各个监测点的监测数据之间的特征进行组合和变换,挖掘出多维稠密特征,建立多维稠密特征与地震风险指数的关系。通过对监测网内所有监测数据的分析处理,评估出预监测区域的地震风险指数,实现对地震时间、地震地点和震级的地震三要素的预测。
实施例一:
请参考图1,为一种实施例的地震预报系统的结构示意图,该地震预报系统包括地震监测网10、数据处理中心20和地震预报单元30。地震监测网10用于获取预监测区域中地震监测点处不同时间的多分量监测数据,并将多分量监测数据发送给数据处理中心20,多分量监测数据与所述各个地震监测点处因地下活动引起的物理场和化学场的特征的变化相关。数据处理中心20接收地震监测网10发送的多分量监测数据,并提取多分量监测数据的特征,将多分量监测数据的特征输入到树模型,并输出预测的地震风险指数。地震预报单元30接收数据处理中心20输出的地震风险指数,并依据风险指数对预监测区域进行地震预报。
基于上述地震预报系统对预监测区域进行地震监测和预报,其具体流程如图2所示,为一种地震预报方法的流程图,包括以下步骤:
步骤201、在预监测区域设定地震监测点。
如图3所示,为一种实施例的预监测区域的地震监测点设置分布图,在预监测区域301内设置地震监测点302,对每个地震监测点进行编号。编号方式可按照图3所示二维序列进行编号,以地震监测点(M,N)表示,其中M和N是自然数。一个编号对应一个地震监测点还用于表示该地震监测点所在地理位置信息。在预监测区域101搭建地震监测网具体是在大区域范围内,如500km-1000km半径范围内密集设定地震监测点。例如在20-30km间距设置地震监测点,构成大区域地震监测网。设置密度越高越有助于提高地震预报的精度。同时,还在历史上发生过地震的区域或地震多发区域,以图3所示的方式设定地震监测点,用于获取地震前和地震中与地震监测点处因地下活动引起的物理场和化学场的变化特征相关的监测数据。发生过地震的区域优选历史大震区即为近百年内发生7.0级以上大地震的震中区域。通过在大区域范围内密集设置监测点,捕捉震中区域和临震时的因地下活动引起的物理场和化学场的变化特征相关的监测数据,综合大区域空间场异常数据的异常程度、分布范围等用于定位地震的震中、震级和时间。
步骤202、对各个地震监测点处因地下活动引起的物理场和化学场的变化特征进行监测。
因地下活动引起的物理场和化学场的变化特征包括电磁辐射(震前电磁波)、地应力、地声、地温和地下溢出带点粒子等特征信号。通过对物理场和化学场的变化特征的监测,以实现对各个地震监测点处的宏观地震前兆和微观地震前兆进行监测。地震前的电磁辐射是因为压电、压磁效应及在岩石所受载荷超过其破坏强度产生微波裂时,岩石的晶格被破坏,产生电位跳跃辐射出电磁信号。地震震源在地下,对电磁辐射监测可采用监测来自地下的电磁场变化。地震的发生也与地应力的突然释放产生地壳快速颤动有关,所监测的地应力不仅包括构造应力,还包括其它因素引起的应力,如重力和地热引起的非构造应力。临近地震发生前,往往有声响自地下深处传出,这就是地声。地声一般出现在震前几分钟、几小时、几天或更早。地震前在震中区域较大范围内出现增温异常时一种普遍现象,通过监测大范围的温度变化来对预报地震已是现在地震预报的重要手段,一种是气象台站对地表气温和地下浅层温度常规观测,另一种是利用安置在深井中的高精度测量仪器记录温度,还一种是利用气象卫星热红外图像获取温度资料。本申请认为,地球的构成包括地核、地壳和地幔,随着地球的自转、公转等复合的日周期运转,地幔熔融物质对地壳的冲击既是一种正常的地球运动,也是地震成因。我们知道在地幔顶部还存在一个软流层,是放射性物质集中的地方,由于放射性物质分裂的结果,会有带电粒子从地壳表面溢出,伴随熔融物质喷发过程会导致地表物理场、化学场的变化,带电粒子会从地壳裂缝中穿过并从地表释放出去。带电粒子溢出直接的反应了在地球自转、公转等复合的日周期运转下地幔熔融物质对地壳的冲击。这是一种正常的地球运动,也是地震的成因。地表溢出的带电粒子特性直接反应出熔融物质对地壳的冲击程度。这种冲击随着地球日周期的复合运转的变化而变化,体现在地下溢出的带电粒子特性的变化上。由此我们提出还可以通过监测地下溢出的带电粒子来进行地震预报。其中,带电粒子是带有电荷的微粒,可被带电粒子监测装置所监测,具体可包括高能粒子、游离状态的粒子、重带电粒子(例如α粒子和裂变碎片)和轻带电粒子(例如快电子和β粒子)等。
步骤203、获取预监测区域中各个地震监测点处不同时间的多分量监测数据,多分量监测数据与地震监测点处因地下活动引起的物理场和化学场的特征的变化相关。
多分量监测数据是指对地震监测点处多种物理量或化学量进行监测获得的数据,具体可利用电子测量仪器或信号采集电路记录地震监测点处包括电磁辐射(震前电磁波)、地应力、地声、地温和地下溢出带点粒子等多分量特征信号,进而获取与地震监测点处因地下活动引起的物理场和化学场的变化特征相关的多分量监测数据。例如,对地下溢出带电粒子的监测采用地下溢出带电粒子监测装置,其具体包括能量转换器和信号采集电路。能量转换器用于将地下溢出的带电粒子转变为电信号,信号采集电路是用于将能量转换器接收的电信号经放大、鉴别、记录,进行对比测量,从而得到带电粒子的计数率和能量分布等特性。带电粒子的特性还包括带电粒子的浓度、质荷比、溢出速度和粒子密度等。具体可采用电磁测量法、电导率测量法和光学测量法进行监测所述带点粒子的特性。电磁测量法是根据带电粒子穿过闭合线圈时,在闭合线圈中会产生感应电信号的原理。通过监测闭合线圈产生的感应电信号就可以获得穿过闭合线圈带电粒子的特性,进而实现对地下溢出带电粒子的监测。
步骤204、对多分量监测数据进行预处理。
对多分量监测数据进行预处理包括采用缺失值、归一化或剔除噪声等数据处理方法。对多分量监测数据的缺失值进行处理具体可直接删除,还可采用统计填充、统一填充和预测填充等方法进行填充。其中统计填充是使用平均数、中位数、众数、最大值、或最小值等统计值进行填充。统一填充是使用平均数、中位数、众数、最大值、最小值等预设值进行填充。预测值填充是通过预测模型利用不存在缺失值的属性来预测缺失值,也就是先用预测模型把数据填充后再做进一步的工作,如统计、学习等。具体选择哪种方式进行填充需要对具体监测数据进行具体分析。归一化处理数据是使多分量监测数据按照一定的比例进行缩放,通过缩放使得数据映射到特定的空间或数值范围内。剔除噪声处理是预设一个阈值范围,剔除阈值范围以外的监测数据,对阈值范围内的监测数据做均值或最小二乘处理。
步骤205、分析多分量监测数据,获取多分量监测数据中每一种分量监测数据的特征。
分量监测数据的特征包括异常程度指标,时间特征或地震监测点特征。异常程度指标是将分量监测数据的变化程度的量化。异常程度指标获得包括两个步骤,首先是特征序列的提取,然后是异常程度的计算。异常程度指标具体可以是将分量监测数据与前一时刻的分量监测数据之间的差异,或者预设时间点的分量监测数据的差异,或者预设时间段的分量监测数据的时域变化曲线的差异,或者当前时间段对应的分量监测数据的时域变化曲线与前一时间段对应的分量监测数据的时域变化曲线之间的差异。
时间特征包括以不同时间颗粒所描述的分量监测数据的差异或分量监测数据在不同时间间隔的差异。时间特征是分量监测数据在时域上的特征,具体是以不同时间颗粒描述分量监测数据所属时刻,以及不同时间间隔对分量监测数据进行差分处理或对不同时间的单位时间段的分量监测数据做差分处理,用于描述不同单位时间段的分量监测数据差异情况。不同时间可以是指年份、月份(阴历或阳历月份)或某一月份(阴历和阳历月份)的上中下旬、某一月(阴历和阳历月份)份的某一日期、某一日期的某一小时。单位时间段可以是一年、一个月、一天或一小时。例如,获取某一分量监测数据时间特征,可按照不同时间粒度对分量监测数据的时间进行刻画而得到的特征序列,或将获取的分量监测数据与前一天或前三天、前二十七天该时刻的分量监测数据进行差分处理的数据时域曲线。
地震监测点特征是每个地震监测点所在预监测区域内的地理经纬度、地质环境和天气状况或是否处在历史大地震区域(近百年内发生过7.0级以上地震的区域)等自然环境数据。各个地震监测点因所处地理环境差异,监测获得的多分量监测数据相对地震监测的敏感度也不同,可采用响应函数等方法对各个地震监测点的多分量监测数据进行权重值设定,敏感度高的地区的地震监测点的多分量监测数据的权重就高,敏感度低的地区的地震监测点点的多分量数据的权重就低。
例如,对预监测区域中的各个地震监测点的地下溢出带电粒子的监测。将当前获取的地下溢出带电粒子监测数据按获取时间生成时间序列的变化曲线,将当前的时间序列变化曲线与之前获得的该分量监测数据的时间序列变化曲线进行比较,获得所述表征该地震监测点的地下溢出带电粒子的监测数据相对于之前的监测数据变化的特征。当前的时间序列变化曲线与之前获得的该分量监测数据的时间序列变化曲线进行比较包括对预设时间点的监测数据、预设时间段的监测数据、达到预设监测数据的时间数据和表征监测数据的周期特性的时间数据等进行比较。表征监测数据的周期特性的时间数据包括监测数据周期性变化的周期、监测数据周期性变化的起始时间数据、监测数据大于和/或小于预设监测数据的起始时间和持续时间的时间数据等。还可采用波动程度算法分析每一分量监测数据,依据监测数据分析后的结果获取所述监测数据的时域变化曲线。例如,对地表溢出带电粒子的特征的包括日周期的波动特性、低点时间偏移、高点时间偏移、波动幅值的增减等。具体是依据监测数据的时域变化,绘制时域变化曲线。通过时域变化曲线体现带电粒子在日周期的波动、低点时间偏移、高点时间偏移、波动幅值的增减等特性。如图4所示,为一种实施例中带电粒子在日周期的波动特征曲线,日周期的波动特征曲线的横坐标是以天为单位,其曲线反应的是带电粒子的浓度特性在时域的周期性变化。经监测地表溢出带电粒子的质荷比、溢出速度和粒子密度等特性都有如图4所示的周期性变化的特征。由曲线可知,地表的带电粒子的特性是日落时19:10升高,日升时05:00降低,其升高和/或降低的起止时间及升高到最高点和降低到最低点所用的时间都相对固定。就可以根据曲线的变化,实现对预监测区域的地震活跃度进行监测。时域变化曲线可以是监测数据周期性曲线、变化时间点监测数据曲线和/或单位时间段监测数据曲线。监测数据周期性曲线可以是如图4所示的监测数据时域变化曲线图。变化时间点曲线是指带电粒子的特性发生变化的时间点的曲线,例如与带电粒子的特性相关的监测数据达到最大值或最小值时的时间点的曲线,具体可取图4中监测数据达到最大值和/或最小值的时间曲线;当地日升和/或日落的时间与带电粒子的特性相关的监测数据对应的数据曲线,具体可取图4中监测数据时域变化曲线的日升和/或日落时监测数据的数据曲线;与带电粒子的特性相关的监测数据开始升高和/或降低点的时间曲线,具体可取图4中监测数据时域变化曲线的监测数据开始升高和/或降低点的时间曲线。单位时间变化量曲线指设定单位时间内与带电粒子的特性相关的监测数据变化的数据曲线,即设定的单位时间内带电粒子的特性的变化值为纵坐标的时域曲线,例如取图4中监测数据时域变化曲线的波峰或波谷持续时间的时域曲线,或如取图4中监测数据周期变化所需时间的曲线图,或如取图4中曲线监测数据由波谷到波峰或由波峰到波谷所需时间的曲线图。
下面以获取地下溢出带电粒子的全频数据的均值、振铃计数和峰值频率的特征曲线为例。全频数据指对获取的地下溢出带电粒子的监测信号进行模数转化,再将转化后的数字信号放大和采样处理得到的数据。
如图5所示,为一种实施例中全频数据的均值曲线图,横坐标为测量时间,纵坐标为计算的全频数据的均值(单位:伏特)。均值是取单位时间内对全频数据取绝对值求均值后获得的曲线。图5是5月30号至6月8号计算的全频数据的均值的曲线。
如图6所示,为一种实施例中全频数据的振铃计数曲线图,横坐标为测量时间,纵坐标为单位时间内测得的次数(单位:次/秒),振铃计数是取单位时间内全频数据向上或向下穿越某一预设阈值的次数。图6是5月30号至6月8号计算的全频数据的振铃计数的曲线。
如图7所示,为一种实施例中全频数据的全局峰值频率曲线图,横坐标为测量时间,纵坐标为频率(单位:赫兹),全局峰值频率是先对全频数据进行傅里叶变换,然后获取幅值(取绝对值)为最大值时的频率的时域曲线。图7是5月30号至6月8号计算的全频数据的全局峰值频率的曲线。
进一步,对地震监测点获取的多分量的监测数据进行特征序列提取除如上所述的按时间序列提取。例如图6所示,以天为时间序列单位,每一天振铃计数的总数为该时间序列的元素。还可以小时为时间序列单位,每小时振铃计数的总数为该时间序列的元素。还可以采用峰值频率序列、主成分序列、波形编码序列或分形维数序列等序列进行序列提取。对提取后的序列还可以采用滑动四分位距法、密度聚类法或人工免疫法等方法进行异常程度的量化,进而获得每一分量监测数据的异常程度指标。在序列提取前还可先将监测数据进行傅里叶变换、主成分分析算法、模式识别或Higuchi算法等方法进行处理。
步骤206、获取地震发生时多分量监测数据的特征,依据地震发生时多分量监测数据的特征标定地震的风险指数。
如图3所示,在预监测区域301设置有多个地震监测点302,对每个地震监测点进行编号,依据地震监测点在预监测区域的位置和各个地震监测点的多分量监测数据的特征的变化,获取预监测区域中多分量监测数据的特征的整体变化,分析预监测区域中多分量监测数据的特征的整体变化,依据分析结果对预监测区域进行地震风险指数的评估,再依据此风险指数进行地震预报。具体是根据预监测区域中多分量监测数据的特征的整体变化,获取地震发生的风险指数。获取地震的风险指数指监测区域中多分量监测数据的整体变化所对应的地震的风险指数,当地震的风险指数超过预设定的临界值时,对预监测区域发出地震风险预报。依据判断整体变化的幅度值是否在预设定的范围和根据超过预设定范围的多少,就可判断其预监测点的地震的风险指数的高低。预测的所述地震风险指数越接近或越大于预设值,地震预发生的概率越高,就可以实现对预监测区域地震的风险预报。具体是,先设定整体变化的幅度值和地震的风险指数的对应关系,再依据整体变化的幅度值获取风险指数。例如,设定整体变化的幅度值为1-2之间其风险指数为5;整体变化的幅度值为2-3之间其风险指数为10;整体变化的幅度值为2-3之间其风险指数为15。则当获得整体变化的幅度值为1.5时,其风险指数为5。当获得整体变化的幅度值为2.5时,其风险指数为15。
地震风险指数可从时间、地点和震级等多方面综合考虑,可以采用标量表示,或者采用多维向量表示,例如直接以时间、与震中距离和预测震级形成的三维向量。地震风险指数范围即样本标签范围可采用如下方法获得:对于某一个地震监测点受单次地震的影响,在地震发生时,标签值取最大值,该最大值与该地震监测点在该次地震中的烈度相关,烈度越大则标签值的最大值越大。该次地震发生前(或孕育过程中),标签值是将逐渐增加的,,并在该次地震发生后快速衰减。具体可采用如下公式对标签值进行标定:
其中,ysi为单个地震监测点s受单次地震i影响的标签值,M为该次地震的里氏震级,t相对发震的时间,发震时刻为0,震前为负值,,震后为正值,kt1为震前积累系数,kt2为震后衰减系数,d为监测点震中距,kd为距离衰减系数,e为常数。
对于多次地震,样本的标签值需综合考虑每次地震的影响,具体可采用如下公式对标签值进行标定:
其中,YS为单个地震监测点s综合考虑多次地震的标签值,ysi为单个地震监测点s受单次地震i影响的标签值。
步骤207、基于树类算法对多分量监测数据进行训练建立模型。
如图8所示,为一种树类算法结构示意图,树类算法是一种抽象数据类型或是实作这种抽象数据类型的数据结构,用来模拟具有树状结构性质的数据集合,它是由n(n≥1)个有限节点组成一个具有层次关系的集合。把它叫做“树”是因为它看起来像一棵倒挂的树,也就是说它是根朝上,而叶朝下的。树类算法的每个节点有零个或多个子节点,其中没有父节点的节点称为根节点。每一个非根节点有且只有一个父节点,并且除了根节点外,每个子节点可以分为多个不相交的子树。
对多分量监测数据进行训练建立模型包括随机森林(Random Forest,简称RF)和梯度提升树(Gradient Boosting Regression Tree,简称GBDT)。样本按时间进行排列,以防止数据泄露。将样本分为训练集、验证集和测试集。依据树类算法对训练集进行训练并通过验证集优化参数,筛选出增益高的特征,最后采用测试集评估模型训练的效果,选取保存最优的模型。
梯度提升树和随机深林都属于集成学习(Ensemble Learning),随机森林属于集成学习中的bagging算法,梯度提升树属于集成学习中的boosting算法。bagging的算法过程是先从原始样本集中使用Bootstraping方法随机抽取n个训练样本,共进行k轮抽取,得到k个训练集(k个训练集之间相互独立,元素可以有重复)。然后针对k个训练集,我们训练k个模型(这k个模型可以根据具体问题而定,比如决策树)。最后由投票表决产生分类结果,对于回归问题是由k个模型预测结果的均值作为最后预测结果。boosting的算法属于一种框架算法,拥有系列算法,如AdaBoost,GradientBoosting,LogitBoost等算法。训练过程为阶梯状,是将弱分类器提升为强分类器的算法。过程是先从原始样本样本集中抽取训练出一个基础模型,在根据基础模型的表现对训练样本的选择进行调整,每一次选择的训练集都依赖于上一次学习的结果。最终以一定方式将弱分类器组合成强分类器。如此重复进行,直至模型数目达到预定设定的数值或损失函数小于设定的阈值。下面是将决策树与两个算法框架进行结合所得到的新的算法:
Bagging+决策树=随机森林
Gradient Boosting+决策树=梯度提升树
常用的决策树算法有ID3、C4.5和CART三种。这三种算法的模型构建思想都十分类似,只是采用了不同的指标。在本实施例中采用随机森林算法包括以下步骤:
1)、从N个测试样本有放回地抽取N次,作为训练集S(i),作为分类回归树(CART树)根节点的样本,未抽取的样本作为测试集,评估误差。
2)、对于每一个节点,如果节点上样本数小于最少样本数s,或者节点上信息增益小于最少的信息增益m,则设置当前节点为叶子节点。否则,从特征中无放回地选取k种特征,采用分类效果最好的一维特征将样本分到左右节点。
3)、重复上一步骤直到所有节点都训练过了或者被标记为叶子节点。如果是分类问题,叶子节点的预测输出为当前节点样本集合中数量最多的一类;如果是回归问题,预测输出为当前节点样本集各个样本值的平均值。
4)、重复2和3,生成t棵CART树用于分类回归。预测时,如果是分类问题,则输出为所有树中预测概率总和最大的那一个类;如果是回归问题,则输出为所有树的输出的平均值。
步骤208、将各个地震监测点获取的不同时间的多分量监测数据的特征输入到训练好的树模型进行地震预测风险指数的预测。
将同一时刻的各个地震监测点获得的多分量监测数据的特征输出到树模型中获取各个地震监测点的地震风险指数,并根据整体的风险指数进行地震风险预报。如图9所示,为一种实施例的预监测区域中预测的各地震监测点的地震风险指数示意图,901为预监测区域内设定的地震监测点,903为输入树模型计算得到地震风险指数阈值大于1的地震监测点,904为输入树模型计算得到地震风险指数阈值大于2的地震监测点,905为地震风险指数阈值大于3的监测点分布区域,902为地震风险指数阈值大于1的地震监测点分布区域。地震监测点的地震风险指数越接近最大值,则地震预发生的风险越高。
地震区域的预测是预测的地震风险指数大于或等于地震风险指数最大值的地震监测点所分布的区域。地震震中的位置是预测的各个地震监测点的地震风险指数最高的地震监测点所在位置。震级的预测是通过预测的地震风险指数最高的地震监测点获得的监测数据的特征与历史上该地震监测点所在纬度的地区发生地震时获取的监测数据的特征进行比较获得。地震时间是当预测的地震震中监测点的预测的地震风险指数大于最大值时,未来1到5天将发生地震。依据预测结果生成地震预报卡,并将地震预报卡提交到相关政府部门。预测结果包括预地震区域、震级、震中位置和地震发生时间等信息。预测结果单位时间输出一次。单位时间可以是以小时、天或其他时间段。输入树模型的数据可以是依据单个地震监测点的多分量监测数据的特征变化、多个地震监测点的多分量监测数据的特征变化或预监测区域全部地震监测点的多分量监测数据的特征变化等监测数据。
基于以上实施例,通过在预监测区域布设地震监测点,监测地震监测点的多种物理量和化学量进行监测,获取多分量监测数据。多分量监测数据与该地震监测点处因地下活动引起的物理场和化学场的变化特征相关。对多分量监测数据进行处理,获得多分量监测数据的特征变化。再将该特征变化输入到树模型中,输出该地震监测点或该预监测区域的地震风险指数。最后依据风险指数对预监测区域进行地震预报。由于创新的提出应用树模型对预监测区域中的地震监测点的多分量监测数据进行处理,进而实现对地震的全天候监测和数据的实时更新,通过对数据的分析能够及时对地震发生的危险发出预警。使其震中区域的人们提前开始采取避险措施,减少广大人民群众的人员伤亡及财产损失。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种用于地震预报的监测数据处理方法,其特征在于,包括:
获取预监测区域中地震监测点处不同时间的多分量监测数据,所述多分量监测数据与所述地震监测点处因地下活动引起的物理场和化学场的特征的变化相关;
提取所述多分量监测数据的特征,将所述多分量监测数据的特征输入到树模型,并输出预测的地震风险指数。
2.如权利要求1所述的方法,其特征在于,所述多分量监测数据包括电磁辐射监测数据、地应力监测数据、地声监测数据、地温监测数据和地下溢出带电粒子监测数据等分量监测数据中至少一项。
3.如权利要求2所述的方法,其特征在于,所述多分量监测数据的特征包括异常程度指标,时间特征和地震监测点特征等特征中至少一项;
所述异常程度指标是将所述分量监测数据与前一时刻的分量监测数据之间的差异,或者预设时间点的分量监测数据的差异,或者预设时间段的分量监测数据的时域变化曲线的差异,或者当前时间段对应的分量监测数据的时域变化曲线与前一时间段对应的分量监测数据的时域变化曲线之间的差异;
所述时间特征包括以不同时间颗粒所描述的分量监测数据的差异或分量监测数据在不同时间间隔的差异;
所述地震监测点特征包括预监测区域中每个地震监测点所处位置的地理经纬度、地质环境、天气状况和与历史上发生的地震的震中距离等至少一项。
4.如权利要求1所述的方法,其特征在于,还包括:
依据预测的所述地震风险指数对所述预监测区域进行地震风险预报;预测的所述地震风险指数越接近或越大于预设值,地震预发生的概率越高。
5.如权利要求1所述的方法,其特征在于,所述树模型的建立包括:
将样本分为训练集、验证集和测试集;所述样本是地震发生时所述地震监测点的多分量监测数据的特征;
依据树类算法对所述训练集进行训练并通过所述验证集优化参数;
筛选出增益高的所述多分量监测数据的特征,最后采用所述测试集评估模型训练的效果,选取最优的作为所述树模型。
6.如权利要求5所述的方法,其特征在于,所述样本的标签值的标定是应用如下公式计算:
其中,ysi为单个地震监测点s受单次地震i影响的标签值,M为该次地震的里氏震级,t相对发震的时间,发震时刻为0,震前为负值,,震后为正值,kt1为震前积累系数,kt2为震后衰减系数,d为监测点震中距,kd为距离衰减系数,e为常数。
7.一种地震预报系统,其特征在于,包括:
地震监测网,用于获取预监测区域中地震监测点处不同时间的多分量监测数据;所述多分量监测数据与所述各个地震监测点处因地下活动引起的物理场和化学场的特征的变化相关;
数据处理中心,用于接收所述地震监测网输出的所述多分量监测数据,并提取所述多分量监测数据的特征,将所述多分量监测数据的特征输入到树模型,并输出预测的地震风险指数;
地震预报单元,用于接收所述数据处理中心输出的所述地震风险指数,并依据所述地震风险指数对所述预监测区域进行地震预报。
8.一种用于地震预报的监测装置,其特征在于包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现如权利要求1-6中任一项所述的方法。
9.一种地震预报方法,其特征在于,包括:
在预监测区域设定地震监测点;
对所述地震监测点处因地下活动引起的物理场和化学场的特征的变化进行监测,并输出与所述物理场和化学场的特征的变化相关的多分量监测数据;
采用如权利要求1-6任一项所述的监测数据处理方法分析所述多分量监测数据。
10.一种计算机可读存储介质,其特征在于,包括程序,,所述程序能够被处理器执行以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870875.5A CN109085641B (zh) | 2018-08-02 | 2018-08-02 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870875.5A CN109085641B (zh) | 2018-08-02 | 2018-08-02 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085641A true CN109085641A (zh) | 2018-12-25 |
CN109085641B CN109085641B (zh) | 2020-11-17 |
Family
ID=64833364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810870875.5A Active CN109085641B (zh) | 2018-08-02 | 2018-08-02 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085641B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN110082830A (zh) * | 2019-05-23 | 2019-08-02 | 深圳市新禾源投资咨询研究中心(有限合伙) | 一种地下矿产资源探测方法和系统 |
CN110687587A (zh) * | 2019-09-17 | 2020-01-14 | 南京信大气象科学技术研究院有限公司 | 一种基于多源遥感数据和监测站点数据的中长期地震预警系统 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111190219A (zh) * | 2020-01-14 | 2020-05-22 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法 |
CN112665730A (zh) * | 2020-12-30 | 2021-04-16 | 中国地震局地质研究所 | 震前温度异常检测方法、装置、设备和存储介质 |
CN112882089A (zh) * | 2021-03-12 | 2021-06-01 | 太原美信达科技有限公司 | 基于地球变化磁场的地震预报系统 |
CN113960662A (zh) * | 2021-10-22 | 2022-01-21 | 中国科学院空天信息创新研究院 | 一种以前兆为主体的概率分解混合地震预测模型 |
CN114114382A (zh) * | 2021-12-01 | 2022-03-01 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN114167489A (zh) * | 2021-12-10 | 2022-03-11 | 北京大学深圳研究生院 | 一种地震前兆特征筛选分析方法、系统及存储介质 |
CN114167488A (zh) * | 2021-12-10 | 2022-03-11 | 北京大学深圳研究生院 | 一种基于异常时空图的周尺度地震预测方法及系统 |
CN114236604A (zh) * | 2021-12-20 | 2022-03-25 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN116381773A (zh) * | 2023-04-13 | 2023-07-04 | 南京云创大数据科技股份有限公司 | 一种在地震预报中归一化混杂数据的方法及装置 |
CN116976185A (zh) * | 2023-03-06 | 2023-10-31 | 聊城市茌平区润德勘察测绘有限公司 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245966A (zh) * | 2013-05-24 | 2013-08-14 | 成都理工大学 | 基于物联网多传感器信息融合及神经网络技术地震预警方法 |
CN103336298A (zh) * | 2013-06-18 | 2013-10-02 | 深圳市微纳集成电路与系统应用研究院 | 一种大地震断裂区域前兆数据的采集和分析方法 |
CN104570093A (zh) * | 2014-12-26 | 2015-04-29 | 深圳市微纳集成电路与系统应用研究院 | 地震前兆信号处理系统及方法 |
-
2018
- 2018-08-02 CN CN201810870875.5A patent/CN109085641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245966A (zh) * | 2013-05-24 | 2013-08-14 | 成都理工大学 | 基于物联网多传感器信息融合及神经网络技术地震预警方法 |
CN103336298A (zh) * | 2013-06-18 | 2013-10-02 | 深圳市微纳集成电路与系统应用研究院 | 一种大地震断裂区域前兆数据的采集和分析方法 |
CN104570093A (zh) * | 2014-12-26 | 2015-04-29 | 深圳市微纳集成电路与系统应用研究院 | 地震前兆信号处理系统及方法 |
Non-Patent Citations (2)
Title |
---|
SIMON FONG 等: "Adaptive forecasting of earthquake time series by incremental decision tree algorithm", 《INFORMATION》 * |
马博: "《世界大百科 第6册 图文珍藏版》", 30 June 2014, 线装书局 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN109444232B (zh) * | 2018-12-26 | 2024-03-12 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN110082830A (zh) * | 2019-05-23 | 2019-08-02 | 深圳市新禾源投资咨询研究中心(有限合伙) | 一种地下矿产资源探测方法和系统 |
CN110082830B (zh) * | 2019-05-23 | 2021-09-07 | 深圳市新禾源投资咨询研究中心(有限合伙) | 一种地下矿产资源探测方法和系统 |
CN110687587A (zh) * | 2019-09-17 | 2020-01-14 | 南京信大气象科学技术研究院有限公司 | 一种基于多源遥感数据和监测站点数据的中长期地震预警系统 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111190219A (zh) * | 2020-01-14 | 2020-05-22 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法 |
CN111190219B (zh) * | 2020-01-14 | 2022-06-21 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法 |
CN112665730A (zh) * | 2020-12-30 | 2021-04-16 | 中国地震局地质研究所 | 震前温度异常检测方法、装置、设备和存储介质 |
CN112665730B (zh) * | 2020-12-30 | 2023-11-03 | 中国地震局地质研究所 | 震前温度异常检测方法、装置、设备和存储介质 |
CN112882089A (zh) * | 2021-03-12 | 2021-06-01 | 太原美信达科技有限公司 | 基于地球变化磁场的地震预报系统 |
CN112882089B (zh) * | 2021-03-12 | 2023-08-01 | 太原美信达科技有限公司 | 基于地球变化磁场的地震预报系统 |
CN113960662A (zh) * | 2021-10-22 | 2022-01-21 | 中国科学院空天信息创新研究院 | 一种以前兆为主体的概率分解混合地震预测模型 |
CN114114382A (zh) * | 2021-12-01 | 2022-03-01 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN114114382B (zh) * | 2021-12-01 | 2023-10-13 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN114167489A (zh) * | 2021-12-10 | 2022-03-11 | 北京大学深圳研究生院 | 一种地震前兆特征筛选分析方法、系统及存储介质 |
CN114167489B (zh) * | 2021-12-10 | 2024-02-02 | 北京大学深圳研究生院 | 一种地震前兆特征筛选分析方法、系统及存储介质 |
CN114167488A (zh) * | 2021-12-10 | 2022-03-11 | 北京大学深圳研究生院 | 一种基于异常时空图的周尺度地震预测方法及系统 |
CN114236604B (zh) * | 2021-12-20 | 2022-09-20 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN114236604A (zh) * | 2021-12-20 | 2022-03-25 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN116976185A (zh) * | 2023-03-06 | 2023-10-31 | 聊城市茌平区润德勘察测绘有限公司 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
CN116976185B (zh) * | 2023-03-06 | 2024-05-28 | 中国建筑材料工业地质勘查中心甘肃总队 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
CN116381773A (zh) * | 2023-04-13 | 2023-07-04 | 南京云创大数据科技股份有限公司 | 一种在地震预报中归一化混杂数据的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109085641B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085641A (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
CN109003422A (zh) | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
US7228235B2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
Assouline et al. | A machine learning approach for mapping the very shallow theoretical geothermal potential | |
KR100982447B1 (ko) | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 | |
CN108845348A (zh) | 用于地震预报的前兆数据处理方法、地震预报方法和系统 | |
Hafez et al. | Seismic noise study for accurate P-wave arrival detection via MODWT | |
Hajikhodaverdikhan et al. | Earthquake prediction with meteorological data by particle filter-based support vector regression | |
Yaojie et al. | A data‐mining‐based approach for aeolian desertification susceptibility assessment: A case‐study from Northern China | |
Tasan et al. | Testing probabilistic seismic hazard estimates against accelerometric data in two countries: France and Turkey | |
CN109001792A (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
Xu et al. | Dynamic assessment of slope stability based on multi‐source monitoring data and ensemble learning approaches: A case study of Jiuxianping landslide | |
Dias et al. | The relationship between equatorial mixed Rossby–gravity and eastward inertio-gravity waves. Part II | |
Wintoft et al. | Evaluation of Kp and Dst predictions using ACE and DSCOVR solar wind data | |
CN111859054B (zh) | 气象卫星数据的处理方法及装置 | |
Mousavi et al. | Evaluating the 2016 one‐year seismic hazard model for the central and eastern United States using instrumental ground‐motion data | |
Ranjbar et al. | Entropy and intermittency of river bed elevation fluctuations | |
Dickinson et al. | HydroClimATe: hydrologic and climatic analysis toolkit | |
Koo et al. | Multiple regimes and low‐frequency oscillations in the Southern Hemisphere's zonal‐mean flow | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
Du et al. | Impact of assimilating airborne Doppler radar velocity data using the ARPS 3DVAR on the analysis and prediction of Hurricane Ike (2008) | |
Jaquet et al. | Estimation of volcanic hazards using geostatistical models | |
CN111190219B (zh) | 用于地震预报的监测数据处理方法 | |
James et al. | Hydrostratigraphy characterization of the Floridan aquifer system using ambient seismic noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |