CN111427984B - 一种区域地震概率空间分布生成方法 - Google Patents

一种区域地震概率空间分布生成方法 Download PDF

Info

Publication number
CN111427984B
CN111427984B CN202010211730.1A CN202010211730A CN111427984B CN 111427984 B CN111427984 B CN 111427984B CN 202010211730 A CN202010211730 A CN 202010211730A CN 111427984 B CN111427984 B CN 111427984B
Authority
CN
China
Prior art keywords
earthquake
probability
steady
estimated
seismic
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
Application number
CN202010211730.1A
Other languages
English (en)
Other versions
CN111427984A (zh
Inventor
薛源
胡丹
梁元锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202010211730.1A priority Critical patent/CN111427984B/zh
Publication of CN111427984A publication Critical patent/CN111427984A/zh
Application granted granted Critical
Publication of CN111427984B publication Critical patent/CN111427984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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. for interpretation or for event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Geophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种区域地震概率空间分布生成方法，该方法包括获取目标区域的地震观测记录样本并进行初始化处理，采用马尔可夫链方法计算具有地震观测记录的单元区域发生地震的稳态概率，采用线性克里格方法插值估计其它单元区域发生地震的稳态概率，根据所有单元区域发震稳态概率绘制目标区域地震概率空间分布图。本发明解决了传统概率统计类方法无法获取较高精度的区域内部地震概率空间分布的问题，实现保证较高精度同时高效获取区域地震概率空间分布。

Description

一种区域地震概率空间分布生成方法
技术领域
本发明属于地震概率计算技术领域，具体涉及一种区域地震概率空间分布生成方法。
背景技术
传统的区域地震概率计算多采用经典的概率统计类方法，如贝叶斯定理、马尔科夫链方法等，均要求目标区域有数量巨大的地震记录样本，有的须假设地震的发生服从泊松分布，该类方法只能得出整片区域的综合地震概率，不能得出精度更高的区域内部地震概率空间分布；另一类相关技术方法是使用随机模拟方法对地震序列进行预测计算，如蒙特卡洛模拟、条件模拟等，但这类方法是对地震序列等级和概率进行预测估算，同样不能得出目标区域内部的地震概率空间分布。
发明内容
针对现有技术中存在的以上问题，本发明提供了一种区域地震概率空间分布生成方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种区域地震概率空间分布生成方法，包括以下步骤：
S1、获取目标区域的地震观测记录样本，并进行初始化处理；
S2、采用马尔可夫链方法计算步骤S1处理后具有地震观测记录的单元区域发生地震的稳态概率；
S3、根据步骤S2得到的单元区域发震稳态概率，采用线性克里格方法插值估计其它单元区域发生地震的稳态概率；
S4、根据步骤S2和步骤S3得到的所有单元区域发震稳态概率绘制目标区域地震概率空间分布图。
进一步地，所述步骤S1对目标区域的地震观测记录样本进行初始化处理，具体包括：
根据地震观测记录的空间分布，设置单元长宽大小，采用规则矩阵单元对目标区域进行单元划分；
根据地震观测记录的时间分布，设置时期长度，将地震观测记录样本的时间范围划分为多个时期；
及设置需要估计发震概率的地震震级。
进一步地，所述步骤S2具体包括以下分步骤：
S21、根据具有地震观测记录的单元区域内在各时期内是否发生设定地震震级及以上的地震记录进行状态划分；
S22、对具有地震观测记录的每个单元区域分别计算向后转移频率，得到向后转移频率矩阵；
S23、采用马尔可夫链方法对具有地震观测记录的每个单元区域计算对应发震稳态概率。
进一步地，所述步骤S22中向后转移频率矩阵的计算方式具体为：
Figure BDA0002423059160000021
其中，n11为前一时期内未发生、本时期内未发生地震的次数，n12为前一时期内未发生、本时期内发生地震的次数，n21为前一时期内发生、本时期内未发生地震的次数，n22为前一时期内发生、本时期内发生地震的次数。
进一步地，所述步骤S23中发震稳态概率的计算方式具体为：
Figure BDA0002423059160000031
其中，w为稳态概率矩阵，w＝[w1,w2]，w1和w2分别为该单元区域不发生和发生所设地震震级及以上地震的稳态概率，
Figure BDA0002423059160000032
进一步地，所述步骤S3具体包括以下分步骤：
S31、将步骤S2得到的单元区域发震稳态概率作为区域化变量样本，计算该变量在平面各方向上不同滞后距离下的实验变差函数；
S32、采用球状模型对各方向的实验变差函数进行拟合，得出理论变差函数模型；
S33、根据各方向理论变差函数模型的特征分析变量的异向性，得到异向性类型；
S34、根据异向性类型，对各方向的理论变差函数模型进行结构套合，得到表征变量在平面上各方向变化特征的统一变差函数模型；
S35、根据待估计单元区域与步骤S2中已知单元区域的相对空间位置，设置估计邻域的已知单元区域样本集和估计顺序；
S36、采用线性克里格方法根据已知单元区域样本集按估计顺序计算待估计单元区域发生地震的稳态概率；
S37、判断所有待估计单元区域是否估计完毕；若是则流程结束，否则返回步骤S35对下一待估计单元区域进行估计。
进一步地，所述步骤S31中变量在平面各方向上不同滞后距离下的实验变差函数的计算方式具体为：
Figure BDA0002423059160000041
其中，N(h)为某方向上距离为h的样本对个数，w2(xi)为某方向上编号为xi的样本发震稳态概率。
进一步地，所述步骤S36采用线性克里格方法根据已知单元区域样本集按估计顺序计算待估计单元区域发生地震的稳态概率，具体包括：
若已知单元区域的地震观测记录样本无趋势，则用普通克里格法进行估计，即根据统一变差函数模型和选择的已知单元区域样本按估计顺序计算每个待估计单元区域的普通克里格方程组，用变差函数表示为：
Kλ＝M
其中，
Figure BDA0002423059160000042
xi为已知单元区域样本，i＝1,2,…,n，γ(xi,xj)为由xi和xj两个单元区域空间相对位置计算的变差函数值，
Figure BDA0002423059160000043
λi为所求的普通克里格系数，μOK为拉格朗日算子，
Figure BDA0002423059160000044
x0为待估计单元区域；
若已知单元区域的地震观测记录样本有趋势，则用泛克里格法进行估计，即用协方差函数表示待估计单元区域的泛克里格方程组为：
Figure BDA0002423059160000051
其中，C为已知单元区域样本的协方差函数矩阵，
Figure BDA0002423059160000052
Cx为已知单元区域与待估计单元区域x0的协方差函数矩阵，
Figure BDA0002423059160000053
f为已知单元区域样本的漂移基函数矩阵，
Figure BDA0002423059160000054
fx为待估计单元区域的漂移基函数矩阵，
Figure BDA0002423059160000055
λUK为所求的泛克里格系数矩阵，
Figure BDA0002423059160000056
μUK为拉格朗日算子矩阵，
Figure BDA0002423059160000057
根据待估计单元区域的克里格系数计算待估计单元区域发生地震的稳态概率，具体为：
Figure BDA0002423059160000058
其中，w2i为已知单元区域发生地震的稳态概率。
本发明具有以下有益效果：
本发明通过将马尔科夫链和线性克里格方法耦合使用，将目标区域划分为大小合适的单元区域，用马尔科夫链方法计算出其中有较多地震记录样本的单元区域发震概率，然后用线性克里格法对没有地震记录样本或样本较少的单元区域做出插值估计，得出目标区域内所有单元的发震概率，即得出目标区域内部的地震概率空间分布，从而解决了传统概率统计类方法无法获取较高精度的区域内部地震概率空间分布的问题，实现保证较高精度同时高效获取区域地震概率空间分布。
附图说明
图1是本发明的区域地震概率空间分布生成方法流程图；
图2是本发明实施例中目标区域地震记录样本统计直方图；
图3是本发明实施例中目标区域地震记录样本正态QQ图；
图4是本发明实施例中目标区域地震记录样本作平方根变换后的统计直方图；
图5是本发明实施例中目标区域地震记录样本作平方根变换后的正态QQ图；
图6是本发明实施例中目标区域地震记录样本作平方根变换后的数据趋势图；
图7是本发明实施例中目标区域Ms4.5及以上地震发生概率的变差函数模型示意图；
图8是本发明实施例中目标区域Ms6.0及以上地震发生概率的变差函数模型示意图；
图9是本发明实施例中目标区域Ms4.5及以上地震发生概率空间分布图；
图10是本发明实施例中目标区域Ms6.0及以上地震发生概率空间分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种区域地震概率空间分布生成方法，包括以下步骤S1至S4：
S1、获取目标区域的地震观测记录样本，并进行初始化处理；
在本实施例中，本发明获取目标区域的地震观测记录样本，并进行进行初始统计分析，判断其是否服从正态分布、有无趋势，以确定是否需要对样本进行正态变换和验证样本变化是否平稳。
本发明根据地震概率计算精度要求和目标区域地震观测记录的空间分布情况，设置单元长宽大小，采用规则矩阵单元对目标区域进行单元划分；
根据地震观测记录的时间分布情况，设置时期长度，通常为1年、1季度或1月等，将地震观测记录样本的时间范围划分为多个时期；
及设置需要估计发震概率的地震震级，如Ms4.5、Ms6.0等。
S2、采用马尔可夫链方法计算步骤S1处理后具有地震观测记录的单元区域发生地震的稳态概率；
在本实施例中，上述步骤S2具体包括以下分步骤：
S21、根据具有地震观测记录的单元区域内在各时期内是否发生设定地震震级及以上的地震记录进行状态划分；其中状态划分为0或1，0表示未发生设定地震震级及以上的地震、1表示发生设定地震震级及以上的地震。
S22、对具有地震观测记录的每个单元区域分别计算4种向后转移频率，得到向后转移频率矩阵，具体为：
Figure BDA0002423059160000081
其中，n11为前一时期内未发生、本时期内未发生地震的次数，n12为前一时期内未发生、本时期内发生地震的次数，n21为前一时期内发生、本时期内未发生地震的次数，n22为前一时期内发生、本时期内发生地震的次数。
转移概率利用转移频率估计，得到向后转移概率矩阵
Figure BDA0002423059160000082
S23、采用马尔可夫链方法对具有地震观测记录的每个单元区域计算对应发震稳态概率。
本发明根据马尔可夫正则链定理，对具有地震观测记录的每个单元区域求解其方程组，得到稳态概率，具体为：
Figure BDA0002423059160000083
其中，w为稳态概率矩阵，w＝[w1，w2]，w1和w2分别为该单元区域不发生和发生所设地震震级及以上地震的稳态概率。
S3、根据步骤S2得到的单元区域发震稳态概率，采用线性克里格方法插值估计其它单元区域发生地震的稳态概率；
在本实施例中，上述步骤S23中发震稳态概率的计算方式
进一步地，所述步骤S3具体包括以下分步骤：
S31、将步骤S2得到的单元区域发震稳态概率作为区域化变量样本，计算该变量在平面各方向上不同滞后距离下的实验变差函数，具体为：
Figure BDA0002423059160000091
其中，N(h)为某方向上距离为h的样本对个数，w2(xi)为某方向上编号为xi的样本发震稳态概率。
S32、采用球状模型对各方向的实验变差函数进行拟合，得出理论变差函数模型，具体为：
Figure BDA0002423059160000092
其中，h为距离，a为变程，C0为块金值，C为基台值。
S33、根据各方向理论变差函数模型的特征分析变量的异向性，得到异向性类型；具体而言，各向异性的种类包括几何异向性和带状异向性，当区域化变量在不同方向上表现出变异程度相同而连续性不同时称为几何异向性，当区域化变量在不同方向上变异性差异不能用简单几何变换得到时，就称为带状异向性；
S34、根据异向性类型，对各方向的理论变差函数模型进行结构套合，得到表征变量在平面上各方向变化特征的统一变差函数模型；
S35、根据待估计单元区域与步骤S2中已知单元区域的相对空间位置，设置估计邻域的已知单元区域样本集和估计顺序；
S36、采用线性克里格方法根据已知单元区域样本集按估计顺序计算待估计单元区域发生地震的稳态概率，具体包括：
若已知单元区域的地震观测记录样本无趋势，则用普通克里格法进行估计，即根据统一变差函数模型和选择的已知单元区域样本按估计顺序计算每个待估计单元区域的普通克里格方程组，用变差函数表示为：
Kλ＝M
其中，
Figure BDA0002423059160000101
xi为已知单元区域样本，i＝1,2,…,n，γ(xi,xj)为由xi和xj两个单元区域空间相对位置计算的变差函数值，
Figure BDA0002423059160000102
λi为所求的普通克里格系数，μOK为拉格朗日算子，
Figure BDA0002423059160000103
x0为待估计单元区域；
若已知单元区域的地震观测记录样本有趋势，则用泛克里格法进行估计，即用协方差函数表示待估计单元区域的泛克里格方程组为：
Figure BDA0002423059160000104
其中，C为已知单元区域样本的协方差函数矩阵，
Figure BDA0002423059160000105
Cx为已知单元区域与待估计单元区域x0的协方差函数矩阵，
Figure BDA0002423059160000111
上述矩阵中的元素的计算方式为C(h)＝C(0)-γ(h)，h为单元距离，γ(h)为变差函数，C(0)为已知先验方差，即变差函数γ(h)的总基台，f为已知单元区域样本的漂移基函数矩阵，即描述区域化变量的变化趋势，
Figure BDA0002423059160000112
fx为待估计单元区域的漂移基函数矩阵，
Figure BDA0002423059160000113
fT为f的转置，0为零矩阵，λUK为所求的泛克里格系数矩阵，
Figure BDA0002423059160000114
μUK为拉格朗日算子矩阵，
Figure BDA0002423059160000115
上述已知单元区域的地震观测记录样本趋势可以通过对样本震级作平方根变换，并分别做统计直方图、正态QQ图及趋势图，判断样本在X方向和Y方向上是否具有线性趋势。
根据待估计单元区域的克里格系数λi计算待估计单元区域发生所设震级及以上地震的稳态概率，具体为：
Figure BDA0002423059160000116
其中，w2i为已知单元区域发生地震的稳态概率。
S37、判断所有待估计单元区域是否估计完毕；若是则流程结束，否则返回步骤S35对下一待估计单元区域进行估计。
本发明将计算得到的待估计单元区域发震稳态概率加入到已知单元区域样本集，并对所有待估计单元区域循环执行步骤S35和S36，直到所有待估计单元区域计算完毕。
S4、根据步骤S2和步骤S3得到的所有单元区域发震稳态概率绘制目标区域地震概率空间分布图。
下面本发明结合具体示例对本发明的区域地震概率空间分布生成方法作进一步详细说明。
本发明获取某目标区域某时间段内观测记录的地震信息，共268141条，每条记录包含了地震发生的详细时间(年、月、日、时、分、秒)，详细地点(经度、纬度)，里氏震级等信息。以样本震级为属性作统计直方图和正态QQ图，如图2和图3所示，可看出该样本呈偏态分布。为使样本尽量呈正态分布，选择对样本震级作平方根变换，并做统计直方图和正态QQ图，如图4和图5所示。对变换后的样本作趋势图，如图6所示，可看出该样本在X方向和Y方向上仅有极其微弱的线性趋势，可认为样本变化是平稳的，在后续的克里格分析中可不考虑数据漂移问题而选用普通克里格法。
对上述参数分别计算得出有观测记录的各单元发生Ms4.5及以上和Ms6.0及以上地震的稳态概率，计算发震稳态概率在各方向上的实验变差函数，用球状模型拟合出理论变差函数，作结构分析与套合，得出发震稳态概率在整个平面上的全方位变差函数模型，如图7和图8所示。依据变差函数模型对研究区的待估单元作块段普通克里格估计，将估计结果与马尔科夫链方法的结果合并，得出目标区域Ms4.5和Ms6.0及以上地震概率的空间分布图，如图9和图10所示。
本发明通过将马尔科夫链和线性克里格方法耦合使用，将目标区域划分为大小合适的单元区域，用马尔科夫链方法计算出其中有较多地震记录样本的单元区域发震概率，然后用线性克里格法对没有地震记录样本或样本较少的单元区域做出插值估计，得出目标区域内所有单元的发震概率，即得出区域内部的地震概率空间分布，从而解决了经典概率统计类方法无法获取较高精度的区域内部地震概率空间分布的问题。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种区域地震概率空间分布生成方法，其特征在于，包括以下步骤：
S1、获取目标区域的地震观测记录样本，并进行初始化处理；
S2、采用马尔可夫链方法计算步骤S1处理后具有地震观测记录的单元区域发生地震的稳态概率；
S3、根据步骤S2得到的单元区域发震稳态概率，采用线性克里格方法插值估计其它单元区域发生地震的稳态概率；
S4、根据步骤S2和步骤S3得到的所有单元区域发震稳态概率绘制目标区域地震概率空间分布图。
2.如权利要求1所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S1对目标区域的地震观测记录样本进行初始化处理，具体包括：
根据地震观测记录的空间分布，设置单元长宽大小，采用规则矩阵单元对目标区域进行单元划分；
根据地震观测记录的时间分布，设置时期长度，将地震观测记录样本的时间范围划分为多个时期；
及设置需要估计发震概率的地震震级。
3.如权利要求1所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S2具体包括以下分步骤：
S21、根据具有地震观测记录的单元区域内在各时期内是否发生设定地震震级及以上的地震记录进行状态划分；
S22、对具有地震观测记录的每个单元区域分别计算向后转移频率，得到向后转移频率矩阵；
S23、采用马尔可夫链方法对具有地震观测记录的每个单元区域计算对应发震稳态概率。
4.如权利要求3所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S22中向后转移频率矩阵的计算方式具体为：
Figure FDA0002423059150000021
其中，n11为前一时期内未发生、本时期内未发生地震的次数，n12为前一时期内未发生、本时期内发生地震的次数，n21为前一时期内发生、本时期内未发生地震的次数，n22为前一时期内发生、本时期内发生地震的次数。
5.如权利要求4所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S23中发震稳态概率的计算方式具体为：
Figure FDA0002423059150000022
其中，w为稳态概率矩阵，w＝[w1,w2]，w1和w2分别为该单元区域不发生和发生所设地震震级及以上地震的稳态概率，
Figure FDA0002423059150000023
6.如权利要求1所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S3具体包括以下分步骤：
S31、将步骤S2得到的单元区域发震稳态概率作为区域化变量样本，计算该变量在平面各方向上不同滞后距离下的实验变差函数；
S32、采用球状模型对各方向的实验变差函数进行拟合，得出理论变差函数模型；
S33、根据各方向理论变差函数模型的特征分析变量的异向性，得到异向性类型；
S34、根据异向性类型，对各方向的理论变差函数模型进行结构套合，得到表征变量在平面上各方向变化特征的统一变差函数模型；
S35、根据待估计单元区域与步骤S2中已知单元区域的相对空间位置，设置估计邻域的已知单元区域样本集和估计顺序；
S36、采用线性克里格方法根据已知单元区域样本集按估计顺序计算待估计单元区域发生地震的稳态概率；
S37、判断所有待估计单元区域是否估计完毕；若是则流程结束，否则返回步骤S35对下一待估计单元区域进行估计。
7.如权利要求6所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S31中变量在平面各方向上不同滞后距离下的实验变差函数的计算方式具体为：
Figure FDA0002423059150000031
其中，N(h)为某方向上距离为h的样本对个数，w2(xi)为某方向上编号为xi的样本发震稳态概率。
8.如权利要求6所述的区域地震概率空间分布生成方法，其特征在于，所述步骤S36采用线性克里格方法根据已知单元区域样本集按估计顺序计算待估计单元区域发生地震的稳态概率，具体包括：
若已知单元区域的地震观测记录样本无趋势，则用普通克里格法进行估计，即根据统一变差函数模型和选择的已知单元区域样本按估计顺序计算每个待估计单元区域的普通克里格方程组，用变差函数表示为：
Kλ＝M
其中，
Figure FDA0002423059150000041
xi为已知单元区域样本，i＝1,2,…,n，γ(xi,xj)为由xi和xj两个单元区域空间相对位置计算的变差函数值，
Figure FDA0002423059150000042
λi为所求的普通克里格系数，μok为拉格朗日算子，
Figure FDA0002423059150000043
x0为待估计单元区域；
若已知单元区域的地震观测记录样本有趋势，则用泛克里格法进行估计，即用协方差函数表示待估计单元区域的泛克里格方程组为：
Figure FDA0002423059150000044
其中，C为已知单元区域样本的协方差函数矩阵，
Figure FDA0002423059150000045
Cx为已知单元区域与待估计单元区域x0的协方差函数矩阵，
Figure FDA0002423059150000046
f为已知单元区域样本的漂移基函数矩阵，
Figure FDA0002423059150000051
fx为待估计单元区域的漂移基函数矩阵，
Figure FDA0002423059150000052
λUK为所求的泛克里格系数矩阵，
Figure FDA0002423059150000053
μUK为拉格朗日算子矩阵，
Figure FDA0002423059150000054
根据待估计单元区域的克里格系数计算待估计单元区域发生地震的稳态概率，具体为：
Figure FDA0002423059150000055
其中，w2i为已知单元区域发生地震的稳态概率。
CN202010211730.1A 2020-03-24 2020-03-24 一种区域地震概率空间分布生成方法 Active CN111427984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211730.1A CN111427984B (zh) 2020-03-24 2020-03-24 一种区域地震概率空间分布生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211730.1A CN111427984B (zh) 2020-03-24 2020-03-24 一种区域地震概率空间分布生成方法

Publications (2)

Publication Number Publication Date
CN111427984A CN111427984A (zh) 2020-07-17
CN111427984B true CN111427984B (zh) 2022-04-01

Family

ID=71548755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211730.1A Active CN111427984B (zh) 2020-03-24 2020-03-24 一种区域地震概率空间分布生成方法

Country Status (1)

Country Link
CN (1) CN111427984B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044770A (zh) * 2015-07-06 2015-11-11 成都理工大学 致密砂砾岩气藏储层定量预测方法
CN106154323A (zh) * 2015-04-01 2016-11-23 中国石油化工股份有限公司 基于地震拓频处理的相控随机反演薄储层预测方法
CN107153216A (zh) * 2017-07-05 2017-09-12 中国科学院地质与地球物理研究所 确定地震波场的坡印廷矢量的方法、装置以及计算机存储介质
CN108376125A (zh) * 2018-01-29 2018-08-07 中国地震局工程力学研究所 地震烈度评估方法及装置
CN108663711A (zh) * 2018-04-04 2018-10-16 电子科技大学 一种基于τ分布的贝叶斯地震反演方法
CN108828662A (zh) * 2018-05-24 2018-11-16 深圳大学 一种地震震源反演可视分析方法、存储介质及服务器
GB201901534D0 (en) * 2016-10-04 2019-03-27 Landmark Graphics Corp Multivariate analysis of seismic data, microseismic data, and petrophysical propertiess in fracture modelling
CN110046454A (zh) * 2019-04-25 2019-07-23 中国地震局地质研究所 概率地震经济损失计算方法及系统
CN110441819A (zh) * 2019-08-06 2019-11-12 五季数据科技(北京)有限公司 一种基于均值偏移聚类分析的地震初至波自动拾取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006087854A1 (ja) * 2004-11-25 2006-08-24 Sharp Kabushiki Kaisha 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム
TWM432666U (en) * 2011-12-16 2012-07-01 xiao-ming Jin Earthquake resistant ground base structure
US11143768B2 (en) * 2017-11-03 2021-10-12 Decision Geomechanics, LLC Real time induced seismicity management

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154323A (zh) * 2015-04-01 2016-11-23 中国石油化工股份有限公司 基于地震拓频处理的相控随机反演薄储层预测方法
CN105044770A (zh) * 2015-07-06 2015-11-11 成都理工大学 致密砂砾岩气藏储层定量预测方法
GB201901534D0 (en) * 2016-10-04 2019-03-27 Landmark Graphics Corp Multivariate analysis of seismic data, microseismic data, and petrophysical propertiess in fracture modelling
CN107153216A (zh) * 2017-07-05 2017-09-12 中国科学院地质与地球物理研究所 确定地震波场的坡印廷矢量的方法、装置以及计算机存储介质
CN108376125A (zh) * 2018-01-29 2018-08-07 中国地震局工程力学研究所 地震烈度评估方法及装置
CN108663711A (zh) * 2018-04-04 2018-10-16 电子科技大学 一种基于τ分布的贝叶斯地震反演方法
CN108828662A (zh) * 2018-05-24 2018-11-16 深圳大学 一种地震震源反演可视分析方法、存储介质及服务器
CN110046454A (zh) * 2019-04-25 2019-07-23 中国地震局地质研究所 概率地震经济损失计算方法及系统
CN110441819A (zh) * 2019-08-06 2019-11-12 五季数据科技(北京)有限公司 一种基于均值偏移聚类分析的地震初至波自动拾取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Adaptive Artificial Neural Networks for Seismic Fragility Analysis";Zhiyi Wang 等;《2017 2nd International Conference on System Reliability and Safety》;20180201;第414-420页 *
"基于互联网信息快速估计";帅向华 等;《地震地质》;20141215;第1094-1105页 *

Also Published As

Publication number Publication date
CN111427984A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
Huser et al. Non-stationary dependence structures for spatial extremes
Fotheringham et al. Geographical and temporal weighted regression (GTWR)
Zhuang Next-day earthquake forecasts for the Japan region generated by the ETAS model
Tuanmu et al. Temporal transferability of wildlife habitat models: implications for habitat monitoring
Rödder et al. Quantitative metrics of overlaps in Grinnellian niches: advances and possible drawbacks
Knouft et al. Phylogenetic analysis of the evolution of the niche in lizards of the Anolis sagrei group
Barber et al. Holocene palaeoclimate records from peatlands
Lichti et al. Estimating utilization distributions with kernel versus local convex hull methods
Christiansen Ensemble averaging and the curse of dimensionality
Kottas et al. Spatial modeling for risk assessment of extreme values from environmental time series: A Bayesian nonparametric approach
Gomez-Navarro et al. Establishing the skill of climate field reconstruction techniques for precipitation with pseudoproxy experiments
Simpson et al. Conditional modelling of spatio-temporal extremes for Red Sea surface temperatures
Kokoszka Dependent functional data
CN103473255A (zh) 一种数据聚类方法、系统及数据处理设备
Zhao et al. Solution paths for the generalized lasso with applications to spatially varying coefficients regression
Kleiber High resolution simulation of nonstationary Gaussian random fields
Portilla-Yandún et al. On the statistical analysis of ocean wave directional spectra
Whitaker et al. Composite likelihood methods for histogram-valued random variables
Olwoch et al. Simulating tick distributions over sub‐Saharan Africa: the use of observed and simulated climate surfaces
Opitz et al. Semi-parametric resampling with extremes
Tamang et al. Regularized variational data assimilation for bias treatment using the Wasserstein metric
CN111427984B (zh) 一种区域地震概率空间分布生成方法
Marchetti et al. Spatial data compression via adaptive dispersion clustering
Xu et al. Multiple-point statistics method based on array structure for 3D reconstruction of Fontainebleau sandstone
CN106951918A (zh) 一种用于冷冻电镜分析的单颗粒图像聚类方法

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