CN111190219A - 用于地震预报的监测数据处理方法 - Google Patents
用于地震预报的监测数据处理方法 Download PDFInfo
- Publication number
- CN111190219A CN111190219A CN202010035827.1A CN202010035827A CN111190219A CN 111190219 A CN111190219 A CN 111190219A CN 202010035827 A CN202010035827 A CN 202010035827A CN 111190219 A CN111190219 A CN 111190219A
- Authority
- CN
- China
- Prior art keywords
- time period
- preset time
- monitoring data
- component
- earthquake
- 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 223
- 238000003672 processing method Methods 0.000 title abstract description 7
- 239000000126 substance Substances 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 239000002243 precursor Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000013589 supplement Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G01V1/01—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (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，涉及灾害预警领域，通过在地震监测区域布设地震监测点，对地震监测点的多种物理量和化学量进行监测，实时获取第一预设时间段的多分量监测数据，并依据第一预设时间段的多分量监测数据预测出未来第二预设时间段的多分量预测数据，再将第二预设时间段的多分量预测数据与地震监测点历史上已发生地震过程中监测的第三预设时间段的多分量监测数据进行比较，以依据比较结果对地震监测区域进行地震预报和预警。
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。
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，解决现有技术中地震预报技术的不足。
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：
实时获取第一预设时间段的地震监测区域中地震监测点处的多分量监测数据；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变化相关；
依据所述第一预设时间段的所述多分量监测数据，对未来所述第二预设时间段的所述多分量监测数据进行预测，以获取多分量预测数据；
将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，得到比较结果；
依据所述比较结果对所述地震监测区域进行地震预报。
进一步，所述依据所述第一预设时间段的所述多分量监测数据，对未来所述第二预设时间段的所述多分量监测数据进行预测，包括：
获取预设模型；
将所述第一预设时间段的所述多分量监测数据输入到所述预设模型中，以对未来所述第二预设时间段的所述多分量监测数据进行预测。
进一步，所述获取预设模型，包括：
获取所述地震监测点处第四预设时间段的所述多分量监测数据；
以第五预设时间段为单位和第六预设时间段为步长，在所述第四预设时间段内滑动截取所述多分量监测数据，以依次获取n个所述第五预设时间段的所述多分量监测数据作为所述预设模型的测试样本，其中n为大于2的整数；将第1个至第n-1个所述测试样本构成训练集；
在所述第四预设时间段内，依次获取所述训练集中每个测试样本后的第七预设时间段的所述多分量监测数据作为所述预设模型的验证样本，并构成验证集；第p个所述验证样本用于验证第p个所述测试样本，其中，p为小于n的整数；
依据预设算法对所述训练集进行训练并通过所述验证集优化参数，已获得所述预设模型。
进一步，所述预设算法包括SVM算法或Logistics算法。
进一步，所述第三预设时间段的所述多分量监测数据的获取方法，包括：
对所述第三预设时间段的所述多分量监测数据进行缺值补充；
按小时对所述第三预设时间段的所述多分量监测数据做均值统计；
标记地震前兆区间，所述地震前兆区间包括已发生地震之前获取的所述多分量监测数据。
进一步，所述将所述第一预设时间段的所述多分量监测数据输入到预设模型中，包括：
对所述第一预设时间段的所述多分量监测数据进行缺值补充；
按小时对所述第一预设时间段的所述多分量监测数据做均值统计；
将均值统计后的所述第一预设时间段的所述多分量监测数据输入到预设模型中。
进一步，将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，包括：
将所述多分量预测数据按时间轴在所述第三预设时间段的所述多分量监测数据进行滑动比较。
进一步，所述依据比较结果对所述地震监测区域进行地震预报，包括：
当所述多分量预测数据与所述第三预设时间段的所述多分量监测数据中第一时间段的多分量监测数据相似度大于一预设值时，则依据所述第一时间段与所述第三预设时间段中地震发生的时间，预测所述地震监测区域的地震时间。
进一步，将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，得到比较结果，包括：
获取所述第二时间段实际监测的所述多分量监测数据；
将所述多分量预测数据与实际监测获取的所述第二预设时间段的所述多分量监测数据进行比较，以获取在所述第二预设时间段实际监测的所述多分量监测数据与所述多分量预测数据的差异变化特征；
将所述第三预设时间段的所述多分量监测数据输入到所述预设模型中，获取预测的所述第三预设时间段的所述多分量预测数据；将实际监测获取的所述第三预设时间段的所述多分量监测数据与预测的所述第三预设时间段的所述多分量预测数据进行比较，以获取在所述第三预设时间段的所述多分量监测数据与所述多分量预测数据的差异变化特征；
将所述第二预设时间段的差异变化特征与所述第三预设时间段的差异变化特征进行比较。
进一步，所述依据所述比较结果对所述地震监测区域进行地震预报，包括：
当所述第二预设时间段的差异变化特征与所述第三预设时间段中第二时间段的差异变化特征相似度大于一预设值时，则依据所述第二时间段与所述第三预设时间段中地震发生的时间，预测所述地震监测区域的地震时间。
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，由于创新的提出依据已获取的多分量监测数据对未来的多分量监测数据进行预测，再依据预测的多分量监测数据对预监测区域进行地震预报和预警。
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为一种用于地震预报的监测数据处理方法的流程示意图；
图3为一种实施例中地下溢出带电粒子监测数据的日周期波动特征曲线；
图4为一种实施例中预设模型训练集和验证集的获取示意图；
图5为一种实施例中量监测数据处理流程示意图；
图6为一种实施例中采用Logistics回归方法对历史已发生地震时获取的多分量监测数据处理方法的流程示意图。
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)。
请参考图1，为一种实施例的地震预报系统的结构示意图，包括地震监测网10、数据处理中心20和地震预报单元30。在本实施例中，先在地震监测区域中设置多个地震监测点，即监测点(1，1)、监测点(1，2)、……、和监测点(N，M)，其中N和M为自然数，由多个地震监测点构建一个地震监测网10，监测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，进而获取多分量监测数据，该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变化相关，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)，将获取的多分量监测数据发送给数据处理中心20，数据处理中心20对多分量监测数据进行汇总和处理，通过对地震监测网10内所有多分量监测数据的分析处理，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2，为一种用于地震预报的监测数据处理方法的流程示意图，包括：
步骤101，获取多分量监测数据。
通过地震监测网实时获取第一预设时间段的地震监测区域中地震监测点处多分量监测数据，该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变化相关。一实施例中，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/或地下溢出带电粒子监测数据。其中，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。关于地下溢出带电粒子监测数据，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。请参考图3，为一种实施例中地下溢出带电粒子监测数据的日周期波动特征曲线，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3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。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。多分量监测数据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102，预测多分量监测数据。
依据第一预设时间段的多分量监测数据，对未来第二预设时间段的多分量监测数据进行预测，以获取第二时间段的多分量预测数据。一实施例中，多分量监测数据的预测是通过数学模型的方法获取的，请参考图4，为一种实施例中预设模型训练集和验证集的获取示意图，包括：
步骤1021，获取预设模型，包括：
首先获取地震监测点处第四预设时间段的多分量监测数据，在以第五预设时间段为单位和第六预设时间段为步长，在所述第四预设时间段内滑动截取多分量监测数据，以依次获取n个第五预设时间段的多分量监测数据作为预设模型的测试样本，其中n为大于2的整数，将第1个至第n-1个测试样本构成训练集。
然后在第四预设时间段内，依次获取训练集中每个测试样本后的第七预设时间段的多分量监测数据作为预设模型的验证样本，并构成验证集，第p个验证样本用于验证第p个测试样本，其中，p为小于n的整数；
最后依据预设算法对训练集进行训练并通过验证集优化参数，已获得预设模型。
一实施例中，预设算法包括SVM算法或Logistics算法。
步骤1022，预测多分量监测数据；
将步骤101获取的第一预设时间段的多分量监测数据输入到预设模型中，以得到预测的未来第二预设时间段的多分量监测数据。一实施例中，将第一预设时间段的多分量监测数据输入到预设模型中，包括：
对第一预设时间段的多分量监测数据进行缺值补充；
按小时对第一预设时间段的多分量监测数据做均值统计；
将均值统计后的第一预设时间段的多分量监测数据输入到预设模型中。
其中，对多分量监测数据进行缺值补充是为了对异常检测数据或丢失的监测数据进行差缺补漏，以防止被非正常数据干扰。
步骤103，与已发生地震时获取的监测数据进行比较；
将预测的第二预设时间段的多分量预测数据与地震监测点已发生地震过程中监测的第三预设时间段的多分量监测数据进行比较，得到比较结果。一实施例中，第三预设时间段的所述多分量监测数据的获取方法，包括：
步骤1031，获取监测区域地震监测点在发生地震时的多分量监测数据；
步骤1032，对第三预设时间段的多分量监测数据进行缺值补充；
目的在于对异常检测数据或丢失的监测数据进行差缺补漏，以防止被非正常数据干扰。
步骤1033，按小时对第三预设时间段的多分量监测数据做均值统计；
步骤1034，标记地震前兆窗口期，地震前兆窗口期包括已发生地震之前获取的多分量监测数据。
一实施例中，将预测的第二预设时间段的多分量预测数据与地震监测点已发生地震过程中监测的第三预设时间段的多分量监测数据进行比较，包括将预测的第二预设时间段的多分量预测数据按时间轴在地震监测点已发生地震过程中监测的第三预设时间段的多分量监测数据进行滑动比较,即在地震前兆窗口期进行滑动比较。
步骤104，依据比较结果进行地震预报；
依据步骤103获取的比较结果对地震监测区域进行地震预报。
请参考图5，为一种实施例中量监测数据处理流程示意图，首先获取的第一预设时间段的多分量监测数据，该多分量监测数据包括7个连续的单位时间的监测数据(单位时间包括天、小时或分)，将其输入预设模型中，以获取第二预设时间段的多分量监测数据，即多分量预测数据。在将预测的多分量预测数据与历史上该地区已发生地震时获取的第三预测时间段的多分量监测数据进行比较。第三预设时间段的多分量监测数据包括已发生地震的地震前期数据(即地震前兆窗口期)和地震发生后的数据(即地震期)。将获取的多分量预测数据按时间轴在地震前兆窗口期进行滑动比较，当预测的第二预设时间段的多分量预测数据与第三预设时间段的多分量监测数据中第一时间段的多分量监测数据相似度大于一预设值时，则依据第一时间段与第三预设时间段中地震发生的时间，预测地震监测区域的地震时间。
其中，可以将预测的第二预设时间段的多分量预测数据与地震监测点多次历史上发生过地震时监测的多次多分量监测数据进行分别比较，依据比较结果的不同，综合预判地震三要素，即地震监测区域的预发生地震的地震时间、地震地点和震级。
在申请实施例中，通过在地震监测区域布设地震监测点，对地震监测点的多种物理量和化学量进行监测，实时获取第一预设时间段的多分量监测数据，并依据第一预设时间段的多分量监测数据预测出未来第二预设时间段的多分量预测数据，再将第二预设时间段的多分量预测数据与地震监测点历史上已发生地震过程中监测的第三预设时间段的多分量监测数据进行比较，以依据比较结果对地震监测区域进行地震预报和预警。
一实施例中，将预测的第二预设时间段的多分量预测数据与地震监测点已发生地震过程中监测的第三预设时间段的多分量监测数据进行比较，得到比较结果，包括：
首先获取第二时间段实际监测的多分量监测数据，并将预测的第二预设时间段的多分量预测数据与实际监测获取的第二预设时间段的多分量监测数据进行比较，获取在第二预设时间段实际监测的多分量监测数据与预测的多分量预测数据的差异变化特征。
然后将第三预设时间段的多分量监测数据输入到预设模型中，获取预测的第三预设时间段的多分量预测数据，再将预测的第三预设时间段的多分量预测数据与实际获取的第三预设时间段的多分量监测数据进行比较，以获取在第三预设时间段实际监测的多分量监测数据与预测的多分量预测数据的差异变化特征。
最后将第二预设时间段的差异变化特征与第三预设时间段的差异变化特征进行比较。当第二预设时间段的差异变化特征与第三预设时间段中第二时间段的差异变化特征相似度大于一预设值时，则依据第二时间段与第三预设时间段中地震发生的时间，预测地震监测区域的地震时间。
请参考图6，为一种实施例中采用Logistics回归方法对历史已发生地震时获取的多分量监测数据处理方法的流程示意图，包括：
步骤601，获取多分量监测数据，获取监测网中各个监测点已发生地震时监测的多分量监测数据。
步骤602，对多分量监测数据进行预处理，即对多分量监测数据进行缺值补充并按小时做均值统计。
步骤603，标记前兆区间并采样，以地震发生时为分界点，地震时间之前的设定为地震前兆窗口期，在地震前兆窗口期中按预设单位时间段截取测试样本和验证样本。
步骤604，建立预设模型，依据截取的测试样本和验证样本建立测试集和验证集，并依据Logistics回归方法对训练集进行训练并通过验证集优化回归系数，已获得预设模型。使用Logistics回归方法所需做的只是把测试集上每个特征向量乘以最优化方法得来的回归系数，再将该乘积结果求和，最后输入到Sigmoid函数中即可。
预设模型建立后，对实时获取的多分量监测数据进行处理还包括：
步骤605，将实时获取预设单位时间的多分量监测数据输入模型中，计算Sigmoid值。
步骤606，将获取的Sigmoid值与预设值进行比较，以获取比较结果。
步骤607，依据比较结果进行地震预测。一实施例中，将获取的Sigmoid值与一预设值进行比较，以预设值为0.5为例，如果对应的Sigmoid值大于0.5就预测类别标签为1，否则为0。其中标签类别为1就输出结果处于地震前兆窗口期，否则输出结果为处于非地震前兆窗口期。
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，并依据已监测的多分量数据对未来的多分量监测数据进行预测，再将预测的多分量监测数据与历史上已发生地震获取的多分量监测数据进行比较，以依据比较结果对地震监测点或地震监测区域进行地震预报。由于创新的提出应用预测监测数据的方法对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：
实时获取第一预设时间段的地震监测区域中地震监测点处的多分量监测数据；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变化相关；
依据所述第一预设时间段的所述多分量监测数据，对未来所述第二预设时间段的所述多分量监测数据进行预测，以获取所述第二时间段的多分量预测数据；
将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，得到比较结果；
依据所述比较结果对所述地震监测区域进行地震预报。
2.如权利要求1所述的方法，其特征在于，所述依据所述第一预设时间段的所述多分量监测数据，对未来所述第二预设时间段的所述多分量监测数据进行预测，包括：
获取预设模型；
将所述第一预设时间段的所述多分量监测数据输入到所述预设模型中，以对未来所述第二预设时间段的所述多分量监测数据进行预测。
3.如权利要求2所述的方法，其特征在于，所述获取预设模型，包括：
获取所述地震监测点处第四预设时间段的所述多分量监测数据；
以第五预设时间段为单位和第六预设时间段为步长，在所述第四预设时间段内滑动截取所述多分量监测数据，以依次获取n个所述第五预设时间段的所述多分量监测数据作为所述预设模型的测试样本，其中n为大于2的整数；将第1个至第n-1个所述测试样本构成训练集；
在所述第四预设时间段内，依次获取所述训练集中每个测试样本后的第七预设时间段的所述多分量监测数据作为所述预设模型的验证样本，并构成验证集；第p个所述验证样本用于验证第p个所述测试样本，其中，p为小于n的整数；
依据预设算法对所述训练集进行训练并通过所述验证集优化参数，已获得所述预设模型。
4.如权利要求3所述的方法，其特征在于，所述预设算法包括SVM算法或Logistics算法。
5.如权利要求2所述的方法，其特征在于，所述第三预设时间段的所述多分量监测数据的获取方法，包括：
对所述第三预设时间段的所述多分量监测数据进行缺值补充；
按小时对所述第三预设时间段的所述多分量监测数据做均值统计；
标记地震前兆区间，所述地震前兆区间包括已发生地震之前获取的所述多分量监测数据。
6.如权利要求5所述的方法，其特征在于，所述将所述第一预设时间段的所述多分量监测数据输入到预设模型中，包括：
对所述第一预设时间段的所述多分量监测数据进行缺值补充；
按小时对所述第一预设时间段的所述多分量监测数据做均值统计；
将均值统计后的所述第一预设时间段的所述多分量监测数据输入到预设模型中。
7.如权利要求5所述的方法，其特征在于，将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，包括：
将所述多分量预测数据按时间轴在所述第三预设时间段的所述多分量监测数据进行滑动比较。
8.如权利要求7所述的方法，其特征在于，所述依据比较结果对所述地震监测区域进行地震预报，包括：
当所述多分量预测数据与所述第三预设时间段的所述多分量监测数据中第一时间段的多分量监测数据相似度大于一预设值时，则依据所述第一时间段与所述第三预设时间段中地震发生的时间，预测所述地震监测区域的地震时间。
9.如权利要求1所述的方法，其特征在于，将所述多分量预测数据与所述地震监测点已发生地震过程中监测的第三预设时间段的所述多分量监测数据进行比较，得到比较结果，包括：
获取所述第二时间段实际监测的所述多分量监测数据；
将所述多分量预测数据与实际监测获取的所述第二预设时间段的所述多分量监测数据进行比较，以获取在所述第二预设时间段实际监测的所述多分量监测数据与所述多分量预测数据的差异变化特征；
将所述第三预设时间段的所述多分量监测数据输入到所述预设模型中，获取预测的所述第三预设时间段的所述多分量预测数据；将实际监测获取的所述第三预设时间段的所述多分量监测数据与预测的所述第三预设时间段的所述多分量预测数据进行比较，以获取在所述第三预设时间段的所述多分量监测数据与所述多分量预测数据的差异变化特征；
将所述第二预设时间段的差异变化特征与所述第三预设时间段的差异变化特征进行比较。
10.如权利要求9所述的方法，其特征在于，所述依据所述比较结果对所述地震监测区域进行地震预报，包括：
当所述第二预设时间段的差异变化特征与所述第三预设时间段中第二时间段的差异变化特征相似度大于一预设值时，则依据所述第二时间段与所述第三预设时间段中地震发生的时间，预测所述地震监测区域的地震时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010035827.1A CN111190219B (zh) | 2020-01-14 | 2020-01-14 | 用于地震预报的监测数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010035827.1A CN111190219B (zh) | 2020-01-14 | 2020-01-14 | 用于地震预报的监测数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111190219A true CN111190219A (zh) | 2020-05-22 |
| CN111190219B CN111190219B (zh) | 2022-06-21 |
Family
ID=70706345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010035827.1A Active CN111190219B (zh) | 2020-01-14 | 2020-01-14 | 用于地震预报的监测数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111190219B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722642A (zh) * | 2022-06-09 | 2022-07-08 | 山东大学 | 一种地震后物理参数变化的预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000180559A (ja) * | 1998-12-17 | 2000-06-30 | Masatada Hata | 地殻活動監視装置 |
| RU2332692C1 (ru) * | 2006-11-21 | 2008-08-27 | Федеральное государственное образовательное учреждение высшего профессионального образования Сибирский федеральный университет (СФУ) | Способ предсказания землетрясений |
| CN203204791U (zh) * | 2013-04-02 | 2013-09-18 | 成都市西创科技有限公司 | 一种多参数滑坡泥石流监测预警系统 |
| JP2018048815A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社Ｗｈｅｒｅ | 斜面崩壊検出方法 |
| CN108845348A (zh) * | 2018-07-10 | 2018-11-20 | 北京大学深圳研究生院 | 用于地震预报的前兆数据处理方法、地震预报方法和系统 |
| CN109001792A (zh) * | 2018-06-08 | 2018-12-14 | 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 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109085641A (zh) * | 2018-08-02 | 2018-12-25 | 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 |
-
2020
- 2020-01-14 CN CN202010035827.1A patent/CN111190219B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000180559A (ja) * | 1998-12-17 | 2000-06-30 | Masatada Hata | 地殻活動監視装置 |
| RU2332692C1 (ru) * | 2006-11-21 | 2008-08-27 | Федеральное государственное образовательное учреждение высшего профессионального образования Сибирский федеральный университет (СФУ) | Способ предсказания землетрясений |
| CN203204791U (zh) * | 2013-04-02 | 2013-09-18 | 成都市西创科技有限公司 | 一种多参数滑坡泥石流监测预警系统 |
| JP2018048815A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社Ｗｈｅｒｅ | 斜面崩壊検出方法 |
| CN109001792A (zh) * | 2018-06-08 | 2018-12-14 | 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 |
| CN108845348A (zh) * | 2018-07-10 | 2018-11-20 | 北京大学深圳研究生院 | 用于地震预报的前兆数据处理方法、地震预报方法和系统 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109085641A (zh) * | 2018-08-02 | 2018-12-25 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| SIMON FONG: "Adaptive forecasting of earthquake time series by incremental decision tree algorithm", 《INTERNATIONAL INFORMATION INSTIUTE》 * |
| 王新安 等: "多分量地震监测系统AETA的研究与实现", 《北京大学学报（自然科学版）》 * |
| 金秀如 等: "地震监测系统AETA的数据处理设计与实现", 《计算机技术与发展》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722642A (zh) * | 2022-06-09 | 2022-07-08 | 山东大学 | 一种地震后物理参数变化的预测方法及系统 |
| CN114722642B (zh) * | 2022-06-09 | 2022-09-16 | 山东大学 | 一种地震后物理参数变化的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111190219B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pearse et al. | A statistical estimator for determining the limits of contemporary and historic phenology | |
| Russo et al. | Air quality prediction using optimal neural networks with stochastic variables | |
| Hiemer et al. | A smoothed stochastic earthquake rate model considering seismicity and fault moment release for Europe | |
| Bebbington | Assessing spatio-temporal eruption forecasts in a monogenetic volcanic field | |
| Alexandridis et al. | Large earthquake occurrence estimation based on radial basis function neural networks | |
| Zhao et al. | Regional spatiotemporal collaborative prediction model for air quality | |
| Lee et al. | Cultural heritage and the intelligent internet of things | |
| Ierimonti et al. | A transfer Bayesian learning methodology for structural health monitoring of monumental structures | |
| Rußwurm et al. | Model and data uncertainty for satellite time series forecasting with deep recurrent models | |
| Sarrafi et al. | Statistical modeling of wavelet-transform-based features in structural health monitoring | |
| Zhu et al. | Seismic arrival-time picking on distributed acoustic sensing data using semi-supervised learning | |
| CN111190219A (zh) | 用于地震预报的监测数据处理方法 | |
| Silva et al. | Damage detection for structural health monitoring of bridges as a knowledge discovery in databases process | |
| Carrara et al. | Deep learning for structural health monitoring: An application to heritage structures | |
| Ciaburro | Time series data analysis using deep learning methods for smart cities monitoring | |
| CN114236604B (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 | |
| Guo et al. | An ensemble learning with sequential model-based optimization approach for pavement roughness estimation using smartphone sensor data | |
| Fadil et al. | Analysis of data prediction generate by admission student application using Least Square Method | |
| Wu et al. | Finite element model of a cable-stayed bridge updated with vibration measurements and its application to investigate the variation of modal frequencies in monitoring | |
| Favarelli et al. | The impact of sensing parameters on data management and anomaly detection in structural health monitoring | |
| D’Angelo et al. | A fast and efficient picking algorithm for earthquake early warning application based on the variance piecewise constant models | |
| Phillips et al. | Trend analysis in the presence of short-and long-range correlations with application to regional warming | |
| Desjardins et al. | Advances in intelligent long-term vibration-based structural health-monitoring systems for bridges | |
| Wu et al. | Detection and characterization of geomagnetic anomaly waveforms | |
| Gonzalez et al. | Characterization of the modal response using Deep recurrent neural networks |
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 |