CN111814699A - 一种面向swarm电磁卫星数据的深度学习地震预测方法 - Google Patents

一种面向swarm电磁卫星数据的深度学习地震预测方法 Download PDF

Info

Publication number
CN111814699A
CN111814699A CN202010668934.8A CN202010668934A CN111814699A CN 111814699 A CN111814699 A CN 111814699A CN 202010668934 A CN202010668934 A CN 202010668934A CN 111814699 A CN111814699 A CN 111814699A
Authority
CN
China
Prior art keywords
swarm
data
deep learning
earthquake
electromagnetic
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
Application number
CN202010668934.8A
Other languages
English (en)
Other versions
CN111814699B (zh
Inventor
熊攀
张学民
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.)
INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
Original Assignee
INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
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 INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION filed Critical INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
Priority to CN202010668934.8A priority Critical patent/CN111814699B/zh
Publication of CN111814699A publication Critical patent/CN111814699A/zh
Application granted granted Critical
Publication of CN111814699B publication Critical patent/CN111814699B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/30—Analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6163—Electromagnetic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向SWARM电磁卫星数据的深度学习地震预测方法，该方法包括以下步骤：步骤一，SWARM卫星磁场异常识别与分析，先进行SWARM卫星磁场异常识别，在此基础上，将所有的异常进行统计分析，总结其规律；步骤二，面向SWARM电磁卫星数据的深度学习地震预测模型研究；步骤三，基于迁移学习的张衡一号电磁卫星数据地震预测模型研究；本发明首次提出通过利用迁移学习和深度学习技术，利用积累的SWARM电磁卫星数据研究构建深度学习网络建立预测模型，并研究通过迁移学习迁移构建基于面向张衡一号电磁卫星数据的地震预测模型，探索和实践深度学习技术在地震预测上的应用，为地震预测探索新的方法和途径。

Description

一种面向SWARM电磁卫星数据的深度学习地震预测方法
技术领域
本发明属于地震预测技术领域，具体地说，涉及一种面向SWARM电磁卫星数据的深度学习地震预测方法。
背景技术
由于地震异常具有“强背景、弱信息”的特点，如何提取地震电磁异常信息是一个难点问题。需要不同的方法进行地震异常信息的提取，以期加强对异常信息的捕捉能力，使异常特征更加突出。通常情况下对地震异常信息的提取方法有：时间序列分析；时频分析方法；极化特征分析；人工信号分析；对比分析方法；定量分析方法等。
近年来，随着大数据技术的高速发展，国内外学者利用机器学习、数据挖掘技术研究预测地震取得了极大的成果，并引起了世界范围的广泛关注。来自剑桥大学的研究人员利用一个特殊系统在实验室中模拟地震，并借助地震发生时地壳断块沿断层的突然运动所发出的声学信号来“训练”机器学习算法，从中找到规律，最终实现对地震发生的预测；特别是深度学习技术的快速发展，极大的推动了人工智能在地震预测中的应用。
纵观国内外地震电磁异常研究现状，结合大数据技术的发展，电磁异常在地震科学研究中还存在如下问题：
(1)早期的震前电磁异常研究缺少普遍性：早期的震前电磁异常研究多是针对单个电磁参数或者特定地震的异常识别与分析，异常的分析结果缺少普遍性。
(2)地震电磁异常难以判定：空间磁暴等因素变化在一定程度上会减弱甚至掩盖地震活动引起的电磁异常变化，因此，如何进行资料的处理分析从而对可能出现的异常现象做出及时、准确的识别和判断，是将地震电磁更好地应用于地震科学研究要解决的关键技术难点。
基于电磁异常的地震预测方法作为一种重要的前沿研究方向，能够从机器学习的角度获取地震电磁信息，据此开展地震异常判定，是一个值得深入探讨的命题，有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种面向SWARM电磁卫星数据的深度学习地震预测方法，为解决上述技术问题，该方法具体包括以下步骤：
步骤一，SWARM卫星磁场异常识别与分析：
先进行SWARM卫星磁场异常识别，识别方法如下：首先，分别针对SWARM A/B/C三颗卫星，将所有的数据按轨道分为夜间数据和白天数据两组，主要研究夜间数据；其次，将夜间数据按轨道进行一阶差分，本步骤主要在消除磁场信号的波动；然后，通过一系列具有结点的三次样条获得实测磁场标量(F)和磁场三向量(X,Y,Z)的最佳拟合曲线，将拟合结果与之前的一阶差分作差，绘制一次获得轨迹残差；最后，按照一定标准筛选异常；
在此基础上，将所有的异常进行统计分析，并且结合加热等空间事件、地震事件对所有的异常按事件进行分类总结，研究其规律，具体操作为：对SWARM A/B/C三颗卫星中同一事件中出现的异常开展交叉验证，总结其规律；
步骤二，面向SWARM电磁卫星数据的深度学习地震预测模型研究：
具体操作为：基于上述步骤中所获得的地震事件的异常规律，结合大震前的空间和时间窗口，以及不同的磁情指数选取地震样本数据，剔除地震及磁暴等全球空间环境扰动事件，按照上述的处理思路生成非震样本，对样本数据进行归一化、去除背景场等数据预处理方法形成样本库，按照合适的比例将样本分成训练集、验证集和测试集；
利用CNN-BiLSTM模型，构建深度学习网络，训练地震和非震样本，建立预测模型，并通过调整输入样本和算法参数来修正和提高模型预测的准确率，初步建立基于SWARM电磁卫星数据的深度学习地震预测模型；
步骤三，基于迁移学习的张衡一号电磁卫星数据地震预测模型研究：
具体操作为：针对现阶段张衡一号电磁卫星数据积累较少，考虑到张衡一号电磁卫星与 SWARM电磁卫星设计与数据上的相似性，将已经学到的、训练好的SWARM电磁卫星数据的深度学习地震预测模型参数通过迁移学习迁移到新的张衡一号电磁卫星数据地震预测模型，利用得到的权重参数初始化其余网络层的参数，并通过调整损失函数、优化器函数等模型参数来来修正和提高准确率，构建基于张衡一号电磁卫星数据的地震预测模型，初步实现预测结果的可视化，结合地震监测预报跟踪需要，开展张衡一号电磁卫星地震综合预测研究。
优选的，步骤一中，夜间数据为地方时2200到0600之间；异常筛选标准为：a.异常幅度大于0.3nT/s，并且持续时间大于10s；b.异常出现在磁平静夜晚期间,即Dst小于10nT，AP小于12nT。
优选的，步骤二中，所述大震前的空间为经纬度范围内定义的空间；所述磁情指数可用 Kp指数来区分；所述CNN-BiLSTM模型结构主要由预处理层、卷积层、Bi-LSTM层和softmax 层组成。
优选的，步骤二中，预处理层的主要作用是先将输入数据进行标准化、归一化处理，具体预处理方法如下：
先对数值特征进行标准化，公式如式(1)、(2)、(3)所示：
Figure RE-GDA0002619116970000031
Figure RE-GDA0002619116970000032
Figure RE-GDA0002619116970000033
rij为于处理后的数值特征，标准化后的值为r′ij，其中AVGj为平均值，STADj表示平均绝对偏差，若AVGj等于0，则r′ij＝0；若STADj等于0，则r′ij＝0；
归一化处理：将标准化后的数值归一化到[0，1]区间，r′ij归一化后的值为r″ij，公式如(4) 所示：
Figure RE-GDA0002619116970000034
优选的，步骤二中，卷积层的主要作用是卷积层对Vs进行卷积操作，根据公式产生新的特征
Figure RE-GDA0002619116970000035
Figure RE-GDA0002619116970000036
其中，f为ReLU函数：对于记录Vs中的记录的具体特征Vi进行卷机操作，为提取更加全面的局部特征，设置d个不同的卷积核大小W分别对Vi进行特征提取，Wd表示卷积核大小为d；bd为偏置；
当特定卷积核大小完成Vs中的所有特征都卷积之后，输出特征为Hd公式(6)如式：
Figure RE-GDA0002619116970000037
将所有卷积核大小的卷积操作得到的特征Hd进行叠加，得特征序列
Figure RE-GDA0002619116970000038
优选的，步骤二中，池化层的主要作用是对特征序列Hs进行池化操作，具体采用平均池化的方法，具体过程如公式(7)所示：
Figure RE-GDA0002619116970000041
预先给定一个块数M，将Hd划分成M个小块，将每个小块中的平均值进行拼接，由此得到一个特征向量pdm，长度为M，对全部模块的平均值进行拼接得到
Figure RE-GDA0002619116970000044
Figure RE-GDA0002619116970000045
是第mi块平均池化后得到的向量。
优选的，步骤二中，BiLSTM层的作用是为了捕获长距离依赖特征，将Ps输入到BiLSTM 模型中，该模型由两个方向上的LSTM模块连接而成，具有多个共享权值；
在每个时间步上，BiLSTM模块的输出将由遗忘门(ft)、输入门(it)、输出门(ot)和一个细胞状态更新共同进行控制，每个门都由前一模块的输出bt-1和当前时刻的输入pt表示，三个门共同工作来完成对属性信息的选择、遗忘和细胞状态的更新；
在时间步t上，用BiLSTM模块的正向部分对pt进行特征提取，公式如公式：
Figure RE-GDA0002619116970000042
在时间步t上，用BiLSTM模块的反向部分对进行特征提取，公式如公式：
Figure RE-GDA0002619116970000043
其中，σ是siogmod激活函数；tanh为双曲正切函数；*为元素乘运算，it是对输入信息进行选择操作，对信息的输入过程进行控制，ft是对前一模块需要被遗忘的信息进行遗忘操作，对信息遗忘过程进行控制，ct用来判断哪些信息应该存储到当前细胞状态，完成对信息的存储进行控制，ot则是输出门对输出信息进行选择，对输出的信息进行控制；
在时间步t上，BiLSTM层最终输出的特征向量Pt为：
Pt＝[正向LSTM,反向LSTM] (10)
为了获取更加准确的分类精度，将BiLSTM的输出结果输入到全连接层，在全连接层中，处理公示如公式(11)、(12)、(13)所示
ut＝tanh(WwPt+bw) (11)
Figure RE-GDA0002619116970000051
v＝∑atPt (13)
其中，ut是Pt的属性表示，uw为上下文向量，at为重要性权重，v表示对Pt的进行重要性加权求和得到的高级表示，uw在训练过程中随机生成。
优选的，步骤二中，最后将输出结果v输入到softmax分类器中，得到分类结果。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
1、本发明首次提出通过利用迁移学习和深度学习技术，利用积累的SWARM电磁卫星数据研究构建深度学习网络建立预测模型，并研究通过迁移学习迁移构建基于面向张衡一号电磁卫星数据的地震预测模型，探索和实践深度学习技术在地震预测上的应用，为地震预测探索新的方法和途径；
2、为了优化网络，提高模型的准确率和降低系统误报率，本研究利用CNN-BiLSTM模型进行特征提取：为了提取更全面的局部特征，先利用CNN提取局部平行特征；然后为了解决各属性特征点的前、后特征对该属性特征点的影响，采用由四个记忆模块构成的BiLSTM模型对长距离依赖特征进行特征提取，每个模块由两个细胞的拓扑结构构成；最后通过softmax分类器获得分类结果，提高了准确率，降低了误报率。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本申请的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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。在附图中：
图1为发明研究方法整体步骤流程结构视图；
图2为磁场三向量(X,Y,Z)和实测磁场标量(F)异常(左)和正常(右)示意图；
图3为深度学习网络模型示意图；
图4为迁移学习流程图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1至图4所示，一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，该方法具体包括以下步骤：
步骤一，SWARM卫星磁场异常识别与分析：
先进行SWARM卫星磁场异常识别，识别方法如下：首先，分别针对SWARM A/B/C三颗卫星，将所有的数据按轨道分为夜间数据和白天数据两组，其中，夜间数据为地方时2200到0600之间，主要研究夜间数据；其次，将夜间数据按轨道进行一阶差分，本步骤主要在消除磁场信号的波动；然后，通过一系列具有结点的三次样条获得实测磁场标量(F)和磁场三向量(X,Y,Z)的最佳拟合曲线，将拟合结果与之前的一阶差分作差，绘制一次获得轨迹残差；最后，按照一定标准筛选异常，此处异常筛选标准为：a.异常幅度大于0.3nT/s，并且持续时间大于10s；b.异常出现在磁平静夜晚期间,即Dst小于10nT，AP小于12nT；磁场三向量(X,Y,Z)和实测磁场标量(F)异常(左)和正常(右)示意图如图2所示；
在此基础上，将所有的异常进行统计分析，并且结合加热等空间事件、地震事件对所有的异常按事件进行分类总结，研究其规律，具体操作为：对SWARM A/B/C三颗卫星中同一事件中出现的异常开展交叉验证，总结其规律；
步骤二，面向SWARM电磁卫星数据的深度学习地震预测模型研究：
具体操作为：基于上述步骤中所获得的地震事件的异常规律，结合大震前的空间和时间窗口，以及不同的磁情指数选取地震样本数据，剔除地震及磁暴等全球空间环境扰动事件，此处，大震前的空间为经纬度范围内定义的空间，磁情指数可用Kp指数来区分，按照上述的处理思路生成非震样本，对样本数据进行归一化、去除背景场等数据预处理方法形成样本库，按照合适的比例将样本分成训练集、验证集和测试集；
利用CNN-BiLSTM模型，构建深度学习网络，训练地震和非震样本，建立预测模型，并通过调整输入样本和算法参数来修正和提高模型预测的准确率，初步建立基于SWARM电磁卫星数据的深度学习地震预测模型，其中，CNN-BiLSTM模型结构主要由预处理层、卷积层、Bi-LSTM层和softmax层组成，模型结构具体如图3所示；
预处理层的主要作用是先将输入数据进行标准化、归一化处理，具体预处理方法如下：
先对数值特征进行标准化，公式如式(1)、(2)、(3)所示：
Figure RE-GDA0002619116970000071
Figure RE-GDA0002619116970000072
Figure RE-GDA0002619116970000073
rij为于处理后的数值特征，标准化后的值为r′ij，其中AVGj为平均值，STADj表示平均绝对偏差，若AVGj等于0，则r′ij＝0；若STADj等于0，则r′ij＝0；
归一化处理：将标准化后的数值归一化到[0，1]区间，r′ij归一化后的值为r″ij，公式如(4) 所示：
Figure RE-GDA0002619116970000074
卷积层的主要作用是卷积层对Vs进行卷积操作，根据公式产生新的特征
Figure RE-GDA0002619116970000075
Figure RE-GDA0002619116970000076
其中，f为ReLU函数：对于记录Vs中的记录的具体特征Vi进行卷机操作，为提取更加全面的局部特征，设置d个不同的卷积核大小W分别对Vi进行特征提取，Wd表示卷积核大小为d；bd为偏置；
当特定卷积核大小完成Vs中的所有特征都卷积之后，输出特征为Hd公式(6)如式：
Figure RE-GDA0002619116970000077
将所有卷积核大小的卷积操作得到的特征Hd进行叠加，得特征序列
Figure RE-GDA0002619116970000079
池化层的主要作用是对特征序列Hs进行池化操作，具体采用平均池化的方法，具体过程如公式(7)所示：
Figure RE-GDA0002619116970000078
预先给定一个块数M，将Hd划分成M个小块，将每个小块中的平均值进行拼接，由此得到一个特征向量pdm，长度为M，对全部模块的平均值进行拼接得到
Figure RE-GDA0002619116970000083
Figure RE-GDA0002619116970000084
是第mi块平均池化后得到的向量；
BiLSTM层的作用是为了捕获长距离依赖特征，将Ps输入到BiLSTM模型中，该模型由两个方向上的LSTM模块连接而成，具有多个共享权值；
在每个时间步上，BiLSTM模块的输出将由遗忘门(ft)、输入门(it)、输出门(ot)和一个细胞状态更新共同进行控制，每个门都由前一模块的输出bt-1和当前时刻的输入pt表示，三个门共同工作来完成对属性信息的选择、遗忘和细胞状态的更新；
在时间步t上，用BiLSTM模块的正向部分对pt进行特征提取，公式如下：
Figure RE-GDA0002619116970000081
在时间步t上，用BiLSTM模块的反向部分对进行特征提取，公式如下：
Figure RE-GDA0002619116970000082
其中，σ是siogmod激活函数；tanh为双曲正切函数；*为元素乘运算，it是对输入信息进行选择操作，对信息的输入过程进行控制，ft是对前一模块需要被遗忘的信息进行遗忘操作，对信息遗忘过程进行控制，ct用来判断哪些信息应该存储到当前细胞状态，完成对信息的存储进行控制，ot则是输出门对输出信息进行选择，对输出的信息进行控制；
在时间步t上，BiLSTM层最终输出的特征向量Pt为：
Pt＝[正向LSTM,反向LSTM] (10)
为了获取更加准确的分类精度，将BiLSTM的输出结果输入到全连接层，在全连接层中，处理公示如公式(11)、(12)、(13)所示
ut＝tanh(WwPt+bw) (11)
Figure RE-GDA0002619116970000091
v＝∑atPt (13)
其中，ut是Pt的属性表示，uw为上下文向量，at为重要性权重，v表示对Pt的进行重要性加权求和得到的高级表示，uw在训练过程中随机生成；
最后将输出结果v输入到softmax分类器中，得到分类结果；
为了优化网络，提高模型的准确率和降低系统误报率，利用CNN-BiLSTM模型进行特征提取：为了提取更全面的局部特征，先利用CNN提取局部平行特征；然后为了解决各属性特征点的前、后特征对该属性特征点的影响，采用由四个记忆模块构成的BiLSTM模型对长距离依赖特征进行特征提取，每个模块由两个细胞的拓扑结构构成；最后通过softmax分类器获得分类结果，提高了准确率，降低了误报率；
步骤三，基于迁移学习的张衡一号电磁卫星数据地震预测模型研究
具体操作为：针对现阶段张衡一号电磁卫星数据积累较少，考虑到张衡一号电磁卫星与 SWARM电磁卫星设计与数据上的相似性，将已经
学到的、训练好的SWARM电磁卫星数据的深度学习地震预测模型参数通过迁移学习迁移到新的张衡一号电磁卫星数据地震预测模型(图4)，利用得到的权重参数初始化其余网络层的参数，并通过调整损失函数、优化器函数等模型参数来来修正和提高准确率，构建基于张衡一号电磁卫星数据的地震预测模型，初步实现预测结果的可视化，结合地震监测预报跟踪需要，开展张衡一号电磁卫星地震综合预测研究。
本发明首次提出通过利用迁移学习和深度学习技术，利用积累的SWARM电磁卫星数据研究构建深度学习网络建立预测模型，并研究通过迁移学习迁移构建基于面向张衡一号电磁卫星数据的地震预测模型，探索和实践深度学习技术在地震预测上的应用，为地震预测探索新的方法和途径。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (8)

1.一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，该方法具体包括以下步骤：
步骤一，SWARM卫星磁场异常识别与分析：
先进行SWARM卫星磁场异常识别，识别方法如下：首先，分别针对SWARM A/B/C三颗卫星，将所有的数据按轨道分为夜间数据和白天数据两组，主要研究夜间数据；其次，将夜间数据按轨道进行一阶差分，本步骤主要在消除磁场信号的波动；然后，通过一系列具有结点的三次样条获得实测磁场标量(F)和磁场三向量(X,Y,Z)的最佳拟合曲线，将拟合结果与之前的一阶差分作差，绘制一次获得轨迹残差；最后，按照一定标准筛选异常；
在此基础上，将所有的异常进行统计分析，并且结合加热等空间事件、地震事件对所有的异常按事件进行分类总结，研究其规律，具体操作为：对SWARM A/B/C三颗卫星中同一事件中出现的异常开展交叉验证，总结其规律；
步骤二，面向SWARM电磁卫星数据的深度学习地震预测模型研究：
具体操作为：基于上述步骤中所获得的地震事件的异常规律，结合大震前的空间和时间窗口，以及不同的磁情指数选取地震样本数据，剔除地震及磁暴等全球空间环境扰动事件，按照上述的处理思路生成非震样本，对样本数据进行归一化、去除背景场等数据预处理方法形成样本库，按照合适的比例将样本分成训练集、验证集和测试集；
利用CNN-BiLSTM模型，构建深度学习网络，训练地震和非震样本，建立预测模型，并通过调整输入样本和算法参数来修正和提高模型预测的准确率，初步建立基于SWARM电磁卫星数据的深度学习地震预测模型；
步骤三，基于迁移学习的张衡一号电磁卫星数据地震预测模型研究：
具体操作为：针对现阶段张衡一号电磁卫星数据积累较少，考虑到张衡一号电磁卫星与SWARM电磁卫星设计与数据上的相似性，将已经学到的、训练好的SWARM电磁卫星数据的深度学习地震预测模型参数通过迁移学习迁移到新的张衡一号电磁卫星数据地震预测模型，利用得到的权重参数初始化其余网络层的参数，并通过调整损失函数、优化器函数等模型参数来来修正和提高准确率，构建基于张衡一号电磁卫星数据的地震预测模型，初步实现预测结果的可视化，结合地震监测预报跟踪需要，开展张衡一号电磁卫星地震综合预测研究。
2.根据权利要求1所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤一中，夜间数据为地方时2200到0600之间；
异常筛选标准为：a.异常幅度大于0.3nT/s，并且持续时间大于10s；b.异常出现在磁平静夜晚期间,即Dst小于10nT，AP小于12nT。
3.根据权利要求1所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，所述大震前的空间为经纬度范围内定义的空间；所述磁情指数可用Kp指数来区分；所述CNN-BiLSTM模型结构主要由预处理层、卷积层、Bi-LSTM层和softmax层组成。
4.根据权利要求3所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，预处理层的主要作用是先将输入数据进行标准化、归一化处理，具体预处理方法如下：
先对数值特征进行标准化，公式如式(1)(3)、(2)、(3)所示：
Figure FDA0002581578970000021
Figure FDA0002581578970000022
Figure FDA0002581578970000023
rij为于处理后的数值特征，标准化后的值为r′ij，其中AVGj为平均值，STADj表示平均绝对偏差，若AVGj等于0，则r′ij＝0；若STADj等于0，则r′ij＝0；
归一化处理：将标准化后的数值归一化到[0，1]区间，r′ij归一化后的值为r″ij，公式如(4)(4)所示：
Figure FDA0002581578970000024
5.根据权利要求3所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，卷积层的主要作用是卷积层对Vs进行卷积操作，根据公式(5)产生新的特征
Figure FDA0002581578970000025
Figure FDA0002581578970000026
其中，f为ReLU函数：对于记录Vs中的记录的具体特征Vi进行卷机操作，为提取更加全面的局部特征，设置d个不同的卷积核大小W分别对Vi进行特征提取，Wd表示卷积核大小为d；bd为偏置；
当特定卷积核大小完成Vs中的所有特征都卷积之后，输出特征为Hd公式(6)如式(6)：
Figure FDA0002581578970000031
将所有卷积核大小的卷积操作得到的特征Hd进行叠加，得特征序列
Figure FDA0002581578970000032
6.根据权利要求3所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，池化层的主要作用是对特征序列Hs进行池化操作，具体采用平均池化的方法，具体过程如公式(7)(7)所示：
Figure FDA0002581578970000033
预先给定一个块数M，将Hd划分成M个小块，将每个小块中的平均值进行拼接，由此得到一个特征向量pdm，长度为M，对全部模块的平均值进行拼接得到
Figure FDA0002581578970000034
Figure FDA0002581578970000035
是第mi块平均池化后得到的向量。
7.根据权利要求3所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，BiLSTM层的作用是为了捕获长距离依赖特征，将Ps输入到BiLSTM模型中，该模型由两个方向上的LSTM模块连接而成，具有多个共享权值；
在每个时间步上，BiLSTM模块的输出将由遗忘门(ft)、输入门(it)、输出门(ot)和一个细胞状态更新共同进行控制，每个门都由前一模块的输出bt-1和当前时刻的输入pt表示，三个门共同工作来完成对属性信息的选择、遗忘和细胞状态的更新；
在时间步t上，用BiLSTM模块的正向部分对pt进行特征提取，公式如公式(8)：
Figure FDA0002581578970000036
在时间步t上，用BiLSTM模块的反向部分对进行特征提取，公式如公式(9)：
Figure FDA0002581578970000041
其中，σ是siogmod激活函数；tanh为双曲正切函数；*为元素乘运算，it是对输入信息进行选择操作，对信息的输入过程进行控制，ft是对前一模块需要被遗忘的信息进行遗忘操作，对信息遗忘过程进行控制，ct用来判断哪些信息应该存储到当前细胞状态，完成对信息的存储进行控制，ot则是输出门对输出信息进行选择，对输出的信息进行控制；
在时间步t上，BiLSTM层最终输出的特征向量Pt为：
Pt＝[正向LSTM,反向LSTM] (10)
为了获取更加准确的分类精度，将BiLSTM的输出结果输入到全连接层，在全连接层中，处理公示如公式(11)(13)、(12)、(13)所示
ut＝tanh(WwPt+bw) (11)
Figure FDA0002581578970000042
v＝∑atPt (13)
其中，ut是Pt的属性表示，uw为上下文向量，at为重要性权重，v表示对Pt的进行重要性加权求和得到的高级表示，uw在训练过程中随机生成。
8.根据权利要求7所述的一种面向SWARM电磁卫星数据的深度学习地震预测方法，其特征在于，步骤二中，最后将输出结果v输入到softmax分类器中，得到分类结果。
CN202010668934.8A 2020-07-13 2020-07-13 一种面向swarm电磁卫星数据的深度学习地震预测方法 Active CN111814699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010668934.8A CN111814699B (zh) 2020-07-13 2020-07-13 一种面向swarm电磁卫星数据的深度学习地震预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010668934.8A CN111814699B (zh) 2020-07-13 2020-07-13 一种面向swarm电磁卫星数据的深度学习地震预测方法

Publications (2)

Publication Number Publication Date
CN111814699A true CN111814699A (zh) 2020-10-23
CN111814699B CN111814699B (zh) 2023-07-28

Family

ID=72841772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010668934.8A Active CN111814699B (zh) 2020-07-13 2020-07-13 一种面向swarm电磁卫星数据的深度学习地震预测方法

Country Status (1)

Country Link
CN (1) CN111814699B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633227A (zh) * 2020-12-30 2021-04-09 应急管理部国家自然灾害防治研究院 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统
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
CN113158792A (zh) * 2021-03-15 2021-07-23 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113361476A (zh) * 2021-07-02 2021-09-07 中国地震局地震预测研究所 一种基于人工智能技术的张衡一号震前异常信号识别方法
CN116898455A (zh) * 2023-07-06 2023-10-20 湖北大学 一种基于深度学习模型的睡眠脑电信号检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160139213A1 (en) * 2014-11-17 2016-05-19 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Variable Permeability Magnetometer Systems and Methods for Aerospace Applications
CN106021710A (zh) * 2016-05-13 2016-10-12 南京航空航天大学 基于大气电离层参数的震前卫星轨道异常识别方法
CN110068857A (zh) * 2019-04-02 2019-07-30 吉林大学 基于主成分分析的Swarm双星磁场数据地震前兆异常提取方法
CN110673206A (zh) * 2019-08-26 2020-01-10 吉林大学 一种基于非负矩阵分解的卫星磁场数据地震异常检测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160139213A1 (en) * 2014-11-17 2016-05-19 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Variable Permeability Magnetometer Systems and Methods for Aerospace Applications
CN106021710A (zh) * 2016-05-13 2016-10-12 南京航空航天大学 基于大气电离层参数的震前卫星轨道异常识别方法
CN110068857A (zh) * 2019-04-02 2019-07-30 吉林大学 基于主成分分析的Swarm双星磁场数据地震前兆异常提取方法
CN110673206A (zh) * 2019-08-26 2020-01-10 吉林大学 一种基于非负矩阵分解的卫星磁场数据地震异常检测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张学民 等: ""电磁卫星地震应用进展及未来发展思考"" *
胡云鹏;泽仁志玛;黄建平;赵庶凡;郭峰;王桥;申旭辉;: "张衡一号卫星记录的空间电磁波传播特征分析方法及算法实现" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633227A (zh) * 2020-12-30 2021-04-09 应急管理部国家自然灾害防治研究院 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统
CN112633227B (zh) * 2020-12-30 2024-02-23 应急管理部国家自然灾害防治研究院 张衡一号感应磁力仪数据闪电哨声波自动识别方法及系统
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
CN113158792A (zh) * 2021-03-15 2021-07-23 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113158792B (zh) * 2021-03-15 2024-05-10 辽宁大学 一种基于改进模型迁移学习的微震事件识别方法
CN113361476A (zh) * 2021-07-02 2021-09-07 中国地震局地震预测研究所 一种基于人工智能技术的张衡一号震前异常信号识别方法
CN113361476B (zh) * 2021-07-02 2023-07-25 中国地震局地震预测研究所 一种基于人工智能技术的张衡一号震前异常信号识别方法
CN116898455A (zh) * 2023-07-06 2023-10-20 湖北大学 一种基于深度学习模型的睡眠脑电信号检测方法及系统
CN116898455B (zh) * 2023-07-06 2024-04-16 湖北大学 一种基于深度学习模型的睡眠脑电信号检测方法及系统

Also Published As

Publication number Publication date
CN111814699B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111814699A (zh) 一种面向swarm电磁卫星数据的深度学习地震预测方法
Xu et al. Mineral prospectivity mapping by deep learning method in Yawan-Daqiao area, Gansu
Cai et al. Anomaly detection of earthquake precursor data using long short-term memory networks
CN116665067B (zh) 基于图神经网络的找矿靶区优选系统及其方法
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN107132515A (zh) 一种基于多维信息约束的点迹筛选方法
Zhang et al. Automatic microseismic detection and location via the deep-convolutional neural network
Xu et al. Accurate identification of microseismic waveforms based on an improved neural network model
Gentili et al. Pattern recognition approach to the subsequent event of damaging earthquakes in Italy
Zhao et al. A hybrid recognition model of microseismic signals for underground mining based on CNN and LSTM networks
Nie et al. An effective recognition of moving target seismic anomaly for security region based on deep bidirectional LSTM combined CNN
CN114997501A (zh) 基于样本失衡的深度学习矿产资源分类预测方法及系统
Zhao et al. Application of AdaBoost algorithms in Fe mineral prospectivity prediction: A case study in Hongyuntan–Chilongfeng mineral district, Xinjiang Province, China
Zhou et al. Sequential data-driven cross-domain lithology identification under logging data distribution discrepancy
Pan et al. Intelligent rock fracture identification based on image semantic segmentation: methodology and application
CN112990567A (zh) 建立煤层含气量预测模型的方法、装置、终端与存储介质
CN117609885A (zh) 基于分布式光纤传感及融合神经网络的高铁入侵监测方法
Lan et al. Automatic first arrival time identification using fuzzy C-means and AIC
Liu et al. Automatic classification and recognition of geomagnetic interference events based on machine learning
CN115620068A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
Ren et al. BTRPP: A rapid PGA prediction model based on machine learning
Wang et al. Auto recognition of carbonate microfacies based on an improved back propagation neural network
Ding et al. Multi-class prediction of mineral resources based on deep learning
Shen et al. A machine learning-enhanced robust P-phase picker for real-time seismic monitoring
Ding et al. The seismic electromagnet signal recognition using convolutional neural network

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