CN109765614B - 一种地震前兆观测数据异常识别方法 - Google Patents
一种地震前兆观测数据异常识别方法 Download PDFInfo
- Publication number
- CN109765614B CN109765614B CN201910193761.6A CN201910193761A CN109765614B CN 109765614 B CN109765614 B CN 109765614B CN 201910193761 A CN201910193761 A CN 201910193761A CN 109765614 B CN109765614 B CN 109765614B
- Authority
- CN
- China
- Prior art keywords
- data
- observation data
- value
- order difference
- observation
- 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.)
- Active
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震前兆观测数据异常识别方法,所述地震前兆观测数据是指用于地震监测的形变、地磁、地电、重力、流体和辅助类地震观测仪器产出的时间序列的观测数据,异常识别方法包括:对正常背景观测数据进行一阶差分,初步计算变幅阈值;根据变幅阈值对异常观测数据进行一阶差分计算数据间隔值,并根据待识别的异常信息校正变幅阈值;对待分析观测数据一阶差分,并根据校正后的变幅阈值和所述数据间隔值识别待分析观测数据中的异常信息。该方法可识别出地震前兆观测数据中多种异常信息,能在一定程度上提高地震前兆观测数据的有效率,对于提高观测数据质量和迅速开展异常分析有一定积极意义。
Description
技术领域
本发明涉及地震观测数据分析处理技术领域,尤其涉及一种地震前兆观测数据异常识别方法。
背景技术
在日常的地震监测中,雷电或降雨等自然干扰、爆破或地下水开采等人为干扰、同震效应以及震前异常信息等会对地震前兆观测数据产生影响。目前,对观测数据分析主要凭借肉眼识别观测数据是否存在异常变化,这种方式对于发现观测数据异常的及时性和准确性较差。
地震监测中的测震学科有较为完善的理论支撑,数据分析与识别方法也较为多样。例如,公开号为CN109254324A的中国发明专利,提供了一种全频保幅地震数据处理方法和装置,该方法通过多次处理得到目标地震数据,充分利用地震数据中可用的有效信号,达到改善地震数据的子波一致性,提高地震数据的分辨率和保真度的效果。再如,公开号为CN109063687A的中国发明专利,提供一种基于深度卷积神经网络的微地震P波识别方法及系统,通过建立包含微地震有效信号和噪音的训练集完成深度卷积神经网络的训练,再通过训练后的网络识别微地震P波,所述方法提高了有效信号识别的效率和精度。但是,上述两种发明专利是针对测震学科观测数据识别地震信息,不适用定点观测的形变、地磁、地电、重力、流体和辅助学科观测数据。
发明内容
本发明的目的是提供一种地震前兆观测数据异常识别方法,可适用于定点观测的形变、地磁、地电、重力、流体和辅助学科观测数据的异常识别。
本发明的目的是通过以下技术方案实现的:
一种地震前兆观测数据异常识别方法,所述地震前兆观测数据是指用于地震监测的形变、地磁、地电、重力、流体和辅助类地震观测仪器产出的时间序列的观测数据,异常识别方法包括:
对正常背景观测数据进行一阶差分,初步计算变幅阈值;
根据变幅阈值对异常观测数据进行一阶差分计算数据间隔值,并根据待识别的异常信息校正变幅阈值;
对待分析观测数据一阶差分,并根据校正后的变幅阈值和所述数据间隔值识别待分析观测数据中的异常信息。
由上述本发明提供的技术方案可以看出,可识别出地震前兆观测数据中多种异常信息,能在一定程度上提高地震前兆观测数据的有效率,对于提高观测数据质量和迅速开展异常分析有一定积极意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种地震前兆观测数据异常识别方法的流程图;
图2为本发明实施例提供的体应变原始和处理后观测数据的曲线图;
图3为本发明实施例提供的静水位原始和处理后观测数据的曲线图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种地震前兆观测数据异常识别方法,该方法所涉及的地震前兆观测数据是指用于地震监测的形变、地磁、地电、重力、流体和辅助类地震观测仪器产出的时间序列的观测数据,该异常识别方法的流程如图1所示,主要包括如下步骤:
步骤S1、对正常背景观测数据进行一阶差分,初步计算变幅阈值。
本步骤的目的主要是对正常背景观测数据变化范围有一定的认识,同时便于对异常变化量进行判别。
本发明实施例中,一阶差分的数学公式为:
Δyx=yx+1-yx,x=1,2,3...
上式中,yx、yx+1分别为第x个、第x+1个观测数据。
本发明实施例后续步骤S2~步骤S3所进行的一阶差分公式与上述公式相同,区别仅在于各步骤所涉及的观测数据不同。
本发明实施例中,所述变幅阈值为正常背景观测数据一阶差分后数据中最大绝对值的特定倍数,其单位与观测数据的单位相同。应尽可能选择长时段的正常背景观测数据进行一阶差分分析,找出其中的最大绝对值,变幅阈值可设置为最大绝对值的1.5~2倍,也可以根据实际要分析的异常量设置成更大的值。
步骤S2、根据变幅阈值对异常观测数据进行一阶差分计算数据间隔值,并根据待识别的异常信息校正变幅阈值。
本发明实施例中,所述数据间隔值为对异常观测数据一阶差分后相邻两个一阶差分值大于变幅阈值间隔的个数;数据间隔值的单位与异常观测数据采样间隔单位相同,如采样间隔为分钟则数据间隔值单位为分钟,采样间隔为秒则数据间隔值为秒,采样间隔为小时则数据间隔值为小时。
变幅阈值校正的方式可以为:尽可能多地统计不同异常信息的变化量,根据待识别异常信息的最小值校正变幅阈值。
步骤S3、对待分析观测数据一阶差分,并根据校正后的变幅阈值和所述数据间隔值识别待分析观测数据中的异常信息。
本发明实施例中,所述异常信息包括:观测数据受到自然干扰、人为干扰、同震效应和/或震前异常影响所产生的异常信息。
本步骤中,基于前述步骤获得的校正后的变幅阈值和数据间隔值两项指标并结合异常形态将异常信息的类型划分为阶变、单点突跳、连续突跳和区段异常;其中:
所述阶变是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内仅有1个数据绝对值大于变幅阈值;
所述单点突跳是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有且只有连续2个数据的绝对值大于变幅阈值;
所述连续突跳是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有连续大于2个数据的绝对值大于变幅阈值;
所述区段异常是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有阶变、单点突跳或连续突跳的任意一种或多种2组以上的组合。
本发明实施例上述方案,可识别出地震前兆观测数据中出现的阶变、单点突跳、连续突跳和区段异常信息,能在一定程度上提高地震前兆观测数据的有效率,对于提高观测数据质量和迅速开展异常分析有一定积极意义。
上述方案已经在实际应用中使用,并获得了较好的识别效果,下面结合具体示例来说明。
示例1
如图2所示,为体应变原始和处理后观测数据的曲线图;其中:
(a)部分为北京顺义二张营台2013年3月14~23日连续20天的体应变分钟值原始观测曲线。(b)部分是对(a)部分所述观测数据一阶差分的结果,其最大绝对值为18.5×10-9,初步设置变幅阈值为最大的绝对值的1.7倍,即31.45×10-9。
(c)部分为北京顺义二张营台2013年4月20日原始观测曲线,分别记录到了03:58发生在千岛群岛地区的MS6.0级地震、08:02分发生在四川芦山的MS7.0级地震和21:12分发生在千岛群岛的MS6.1级地震。(d)部分为北京顺义二张营台2013年4月20日原始观测数据一阶差分后的观测曲线,根据变幅阈值31.45×10-9分析一阶差分后数据可以发现,03:58发生在千岛群岛地区的MS6.0级地震同震波在04:19~04:40分之间,共记录到6次异常变化,其中阶变3次、单点突跳1次、连续突跳2次,最大间隔值为3分钟;08:02分发生在四川芦山的MS7.0级地震同震波在08:12~09:11分之间,共记录到10次异常变化,其中阶变6次、单点突跳1次、连续突跳3次,最大间隔值为19分钟;21:12分发生在千岛群岛的MS6.1级地震同震波在21:35~21:43分之间,共记录到2次异常变化,其中阶变1次、连续突跳1次,最大间隔值为5分钟。因此,变幅阈值设置为31.45×10-9、数据间隔值设置为19分钟时,便可以识别出3次区段异常,即3次地震。
(e)部分为北京顺义二张营台2014年2月12日原始观测曲线,记录到了17:19分在新疆于田发生的MS7.3级地震,从观测曲线上可以发现在震前的10:55分开始出现明显的固体潮畸变现象。(f)部分为北京顺义二张营台2014年2月12日原始观测曲线一阶差分处理后的观测曲线,按照变幅阈值31.45×10-9,发现在10:56分记录到了幅度为-34.7×10-9张性阶变,同震波在17:31~18:39分之间,共记录到14次异常变化,其中阶变8次、单点突跳2次、连续突跳4次,最大间隔值为10分钟。因此,根据变幅阈值31.45×10-9和数据间隔值19分钟,不仅能有效地识别出此次地震同震变化,还能识别出震前观测数据出现的张性阶变异常。
示例2
如图3所示,为静水位原始和处理后观测数据的曲线图;其中:
(a)部分为北京昌平北大200号台2018年5月3~16日静水位分钟值原始观测曲线,(b)部分是对(a)部分所述观测数据一阶差分的结果,最大绝对值为0.31cm。初步设置最大绝对值的1.5倍作为变幅阈值,即0.465cm,考虑到仪器灵敏度0.01cm,故设置为0.47cm。
该台静水位常见的异常主要为供电引起的单点突跳和连续突跳的脉冲干扰。(c)部分为北京昌平北大200号台2018年8月12日静水位分钟值原始观测曲线。(d)部分为北京昌平北大200号台2018年8月12日静水位分钟值原始观测数据一阶差分后的数据曲线,根据变幅阈值0.47cm发现在17:19~17:30分的供电干扰分别记录到了2次单点突跳和1次连续突跳,最大间隔值为3分钟,大于变幅阈值的最小绝对值为0.55cm,按此值计算设置为第一步中的最大绝对值0.31cm的1.7倍即0.53cm更为合理。根据变幅阈值0.53cm和最大间隔值3分钟,可将17:19~17:30分的供电干扰标记为一次区段异常。
(e)部分为北京昌平北大200号台2019年2月2日静水位分钟值原始观测曲线,(f)部分为北京昌平北大200号台2019年2月2日静水位分钟值原始观测数据一阶差分后的数据曲线,按照设置的变幅阈值和数据间隔值,发现12:50~12:51分和16:27~16:28分记录到两次单点突跳。大于变幅阈值的最小绝对值为0.59cm。因此,根据变幅阈值0.53cm和数据间隔值3分钟,可以识别观测数据中的两次单点突跳。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种地震前兆观测数据异常识别方法,其特征在于,所述地震前兆观测数据是指用于地震监测的形变、地磁、地电、重力、流体和辅助类地震观测仪器产出的时间序列的观测数据,异常识别方法包括:
对正常背景观测数据进行一阶差分,初步计算变幅阈值;
根据变幅阈值对异常观测数据进行一阶差分计算数据间隔值,并根据待识别的异常信息校正变幅阈值;所述数据间隔值为对异常观测数据一阶差分后相邻两个一阶差分值大于变幅阈值间隔的个数;
对待分析观测数据一阶差分,并根据校正后的变幅阈值和所述数据间隔值识别待分析观测数据中的异常信息;数据间隔值的单位与异常观测数据采样间隔单位相同,如果采样间隔为分钟则数据间隔值单位为分钟,采样间隔为秒则数据间隔值为秒,采样间隔为小时则数据间隔值为小时;
基于校正后的变幅阈值和数据间隔值两项指标并结合异常形态,将异常信息的类型划分为阶变、单点突跳、连续突跳和区段异常;其中:
所述阶变是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内仅有1个数据绝对值大于变幅阈值;
所述单点突跳是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有且只有连续2个数据的绝对值大于变幅阈值;
所述连续突跳是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有连续大于2个数据的绝对值大于变幅阈值;
所述区段异常是指,待分析观测数据一阶差分后的数据中,在数据间隔值范围内有阶变、单点突跳或连续突跳的任意一种或多种2组以上的组合。
2.根据权利要求1所述的一种地震前兆观测数据异常识别方法,其特征在于,所述一阶差分的数学公式为:
Δy x =y x+1-y x ,x=1,2,3…
上式中,y x 、y x+1分别为第x个、第x+1个观测数据。
3.根据权利要求1所述的一种地震前兆观测数据异常识别方法,其特征在于,所述变幅阈值为正常背景观测数据一阶差分后数据中最大绝对值的特定倍数,变幅阈值的单位与观测数据的单位相同。
4.根据权利要求3所述的一种地震前兆观测数据异常识别方法,其特征在于,所述变幅阈值为最大绝对值的1.5~2倍。
5.根据权利要求1所述的一种地震前兆观测数据异常识别方法,其特征在于,所述异常信息包括:观测数据受到自然干扰、人为干扰、同震效应和/或震前异常影响所产生的异常信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193761.6A CN109765614B (zh) | 2019-03-14 | 2019-03-14 | 一种地震前兆观测数据异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193761.6A CN109765614B (zh) | 2019-03-14 | 2019-03-14 | 一种地震前兆观测数据异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765614A CN109765614A (zh) | 2019-05-17 |
CN109765614B true CN109765614B (zh) | 2021-05-28 |
Family
ID=66459007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910193761.6A Active CN109765614B (zh) | 2019-03-14 | 2019-03-14 | 一种地震前兆观测数据异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765614B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062274B (zh) * | 2022-08-17 | 2022-11-22 | 深圳市一航网络信息技术有限公司 | 一种关联区块链网络的数据监控处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4527738B2 (ja) * | 2007-01-30 | 2010-08-18 | Necモバイリング株式会社 | 磁気変動異常発生情報提供システム、携帯端末、磁気変動異常発生情報提供方法 |
-
2019
- 2019-03-14 CN CN201910193761.6A patent/CN109765614B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109765614A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kriegerowski et al. | A deep convolutional neural network for localization of clustered earthquakes based on multistation full waveforms | |
CN107704807B (zh) | 一种基于多源遥感序列影像的动态监测方法 | |
Schaff et al. | Improvements in magnitude precision, using the statistics of relative amplitudes measured by cross correlation | |
CN110045413B (zh) | 一种地震短期预测方法和装置 | |
US10317549B2 (en) | Systems and methods for non-parametric autopicking of seismic wave features from seismic data | |
CN109765614B (zh) | 一种地震前兆观测数据异常识别方法 | |
Lan et al. | Automatic identification of Spread F using decision trees | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
Yoon et al. | Unsupervised large‐scale search for similar earthquake signals | |
CN115436469A (zh) | 一种基于pso-vmd的衬板超声回波信号去噪方法 | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
Bueno et al. | Recursive entropy method of segmentation for seismic signals | |
CN110146920B (zh) | 基于幅值相对变化的微震事件检测方法和系统 | |
Uwamahoro et al. | Forecasting solar cycle 24 using neural networks | |
CN110794456A (zh) | 一种利用高斯模型的微震信号重构方法和系统 | |
CN115685318A (zh) | 一种基于动态匹配的抗假频地震数据插值方法、电子设备及存储介质 | |
Murphy et al. | Revised distance and depth corrections for use in the estimation of short-period P-wave magnitudes | |
Toney et al. | Waveform features strongly control subcrater classification performance for a large, labeled volcano infrasound dataset | |
CN109975884B (zh) | 一种放射性地球物理测量数据融合方法 | |
CN110703324A (zh) | 一种利用随机字典表示的微震事件检测方法和系统 | |
Ziv et al. | Real‐time moment magnitude and stress drop with implications for real‐time shaking prediction | |
CN110618458A (zh) | 一种基于ica-ra的钻孔应变数据的分频段级联校正方法 | |
Ghorbani et al. | Development of stepwise m5 tree model to determine the influential factors on rainfall prediction and overcome the greedy problem of its algorithm | |
CN104749627A (zh) | 基于相似性的微地震信号凸显方法 | |
CN113296157B (zh) | 一种利用广义高斯分布进行储层的预测方法及装置 |
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 |