CN112800390A - 一种基于构造分区的震后趋势概率分析方法 - Google Patents

一种基于构造分区的震后趋势概率分析方法 Download PDF

Info

Publication number
CN112800390A
CN112800390A CN202011617798.6A CN202011617798A CN112800390A CN 112800390 A CN112800390 A CN 112800390A CN 202011617798 A CN202011617798 A CN 202011617798A CN 112800390 A CN112800390 A CN 112800390A
Authority
CN
China
Prior art keywords
earthquake
historical
seismic
samples
post
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
CN202011617798.6A
Other languages
English (en)
Other versions
CN112800390B (zh
Inventor
刘珠妹
陈晓琳
刘坚
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.)
Seismological Bureau Of Hubei Province
Original Assignee
Seismological Bureau Of Hubei Province
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 Seismological Bureau Of Hubei Province filed Critical Seismological Bureau Of Hubei Province
Priority to CN202011617798.6A priority Critical patent/CN112800390B/zh
Publication of CN112800390A publication Critical patent/CN112800390A/zh
Application granted granted Critical
Publication of CN112800390B publication Critical patent/CN112800390B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提出了一种基于构造分区的震后趋势概率分析方法，根据区域地质特性划分区域，以震中所在区域为样本采集区域，当发生地震时，统计地震所在地质分区内的历史地震样本，使得统计分析样本更接近当前地震类型，提高震后趋势概率分析的精确度，并且避免了地质特性对震后趋势概率分析的影响；本发明的方法可以产出精确的震后趋势概率数值以及精确的强余震震级，解决现有地震分析会商软件中无精确震后趋势概率数值统计结论以及精确强余震震级产出的问题。

Description

一种基于构造分区的震后趋势概率分析方法
技术领域
本发明涉及震后趋势预测技术领域，尤其涉及一种基于构造分区的震后趋势概率分析方法。
背景技术
中强以上地震发生后，正确的震后趋势判定及强余震预测，是地震应急、抗震救灾及恢复重建等工作的重要决策依据。在震后趋势预测方法技术方面，由于地震预测的实际需要，我国对地震序列性质判定及余震预测开展了持续、广泛的统计研究，着重于余震趋势预测的指标及判据。但这些指标只有在序列发展到一定阶段(1～7天后)，具有较丰富的序列目录之后，再进行指标的计算和后续余震的预测。而最新的震后紧急会商工作流程规定，显著地震发生后，震后早期趋势判定须在半小时内报送至当地人民政府和中国地震局，因此需要发展震后极早期(0～10分钟)震后趋势概率分析方法。
目前已有地震分析会商软件，可在震后自动产出发震区地质构造背景资料和历史地震活动震例资料。现有的地震分析会商软件分析震后趋势概率的方法具体为：统计震中周围20km～200km圆域范围内的历史震例类型和历史震例样本量，计算各历史震例类型占比；若干个专家通过相似性类比方法以及专家经验，初步判定震后早期趋势意见。目前这种方法存在以下缺陷：
(1)圆域划分没有考虑到区域地质特性，诸如新疆波密地区等震群频发区域，由于统计圆域过大，统计结果为主余型较多，从而误判为主余型地震，后续地震震级也相应预测过低；
(2)现有的地震分析会商软件基于周围20km～200km圆域范围内的历史震例类型得到后续是否有强余震，并估计强余震震级，由专家根据专家经验得出震后早期趋势意见，人为主观性占很大因素，存在分析精度不高的问题，并且无精确震后趋势概率数值统计结论以及精确强余震震级产出。
因此，为了解决上述问题，本发明提供一种基于构造分区的震后趋势概率分析方法，根据区域地质特性划分区域，当发生地震时，检索震中所在分区内的历史震例类型和历史震例样本量，计算各历史震例类型占比，产出精确的震后趋势概率数值以及精确的强余震震级，解决现有地震分析会商软件中无精确震后趋势概率数值统计结论以及精确强余震震级产出的问题。
发明内容
有鉴于此，本发明提出了一种基于构造分区的震后趋势概率分析方法，根据区域地质特性划分区域，当发生地震时，检索震中所在分区内的历史震例类型和历史震例样本量，计算各历史震例类型占比，产出精确的震后趋势概率数值以及精确的强余震震级，解决现有地震分析会商软件中无精确震后趋势概率数值统计结论以及精确强余震震级产出的问题。
本发明的技术方案是这样实现的：本发明提供了一种基于构造分区的震后趋势概率分析方法，包括以下步骤：
S1、将全国区域面积按照地质特性划分为若干个地震分区；
S2、根据当前地震经纬度计算震中所在地震分区，并检索出该分区内历史地震样本总数，按照地震类型判定规则将历史地震样本划分为若干个历史地震类型；
S3、若当前分区内检索到的历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若当前分区内检索到的历史地震样本总数小于4，则进行S4；
S4、统计震中周边半径为R公里的圆域范围内M0级以上的历史地震样本，若圆域范围内历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若圆域范围内历史地震样本总数少于4，则进行S5；其中，
Figure BDA0002871699910000031
M表示当前地震震级；
S5、统计全国范围内M0级以上历史地震样本，计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围。
在以上技术方案的基础上，优选的，S2中地震类型判定规则为：
Figure BDA0002871699910000032
其中，ΔM表示当前地震震级M与该地震最大余震的震级差；按照地震类型判定规则将历史地震样本划分为主余型、震群型和孤立型三种历史地震类型。
在以上技术方案的基础上，优选的，S3中历史地震类型比例为：
Figure BDA0002871699910000033
Figure BDA0002871699910000034
Figure BDA0002871699910000035
其中，N总表示历史地震样本总数；N(MMT)表示历史地震样本总数中震群型地震样本总数；PMMT表示历史震群型比例；N(MAT)表示历史地震样本总数中主余型地震样本总数；PMAT表示历史主余型比例；N(IET)表示历史地震样本总数中孤立型地震样本总数；PIET表示历史孤立型比例。
在以上技术方案的基础上，优选的，S3中当前地震发生后，再次发生强余震的震后趋势概率为：1-PIET。
在以上技术方案的基础上，优选的，S3中后续地震震级范围为：
Figure BDA0002871699910000041
其中，Ma表示后续地震震级范围，(a)表示当前地震为孤立型地震的概率大于70％，后续地震震级范围为(M-2.4)级以下；(b)表示当前地震为主余型或孤立型地震的概率大于50％，后续地震震级范围为[M-2.4，M-0.6]；(c)表示当前地震为震群型地震的概率大于50％，后续地震震级范围为(M-0.6，M+0.6)。
在以上技术方案的基础上，优选的，S4中圆域半径R的判定规则为：
Figure BDA0002871699910000042
单位：公里。
在以上技术方案的基础上，优选的，历史地震样本按照以下规则选取：
若当前地震震级M≥5.0级，则检索1900年以来M0级以上历史地震样本；若M＜5.0，则检索1970年以来M0级以上历史地震样本。
本发明的一种基于构造分区的震后趋势概率分析方法相对于现有技术具有以下有益效果：
(1)根据区域地质特性划分区域，以震中所在区域为样本采集区域，当发生地震时，统计地震所在地质分区内的历史地震样本，使得统计分析样本更接近当前地震类型，提高震后趋势概率分析的精确度，并且避免了地质特性对震后趋势概率分析的影响；
(2)本发明的方法可以产出精确的震后趋势概率数值以及精确的强余震震级，解决现有地震分析会商软件中无精确震后趋势概率数值统计结论以及精确强余震震级产出的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。
图1为本发明一种基于构造分区的震后趋势概率分析方法的流程图；
图2为本发明一种基于构造分区的震后趋势概率分析方法中中国大陆地震分区图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
实施例1
如图1所示，本发明的一种基于构造分区的震后趋势概率分析方法，包括以下步骤：
S1、将全国区域面积按照地质特性划分为若干个地震分区；
由于现有的地震分析会商软件统计基于震中周边半径为R公里的圆域范围内M0级以上的历史地震样本，半径R的划分规则如下：
Figure BDA0002871699910000061
单位：公里。由此可见，圆域半径与震级相关，震级越大圆域半径越大。因此，圆域范围可能包含多个不同地质结构的范围，不同地质范围的历史地震样本和历史地震类型均会不同，例如，平原地区和丘陵地区的历史地震样本和历史地震类型都与地质有关。现有的地震分析会商软件在统计历史地震样本时没有考虑地质因素，因此，容易造成圆域面积过大，涵盖了不同地质区域的历史地震样本，降低了震中所在区域的震后趋势概率。因此，为了解决上述问题，本实施例中，按照地质特性分区，当发生地震时，统计地震所在地质分区内的历史地震样本，使得统计分析样本更接近当前地震类型，提高震后趋势概率分析的精确度。现有技术中，已经有地质特性分布图，可以采用现有的地质特性分布图，例如中国大陆地震分区图，其具体结构如图2所示。
S2、根据当前地震经纬度计算震中所在地震分区，并检索出该分区内历史地震样本总数，按照地震类型判定规则将历史地震样本划分为若干个历史地震类型；
其中，根据当前地震经纬度计算震中所在地震分区属于现有技术，在此不再累述。本实施例中，地震类型判定规则为：
Figure BDA0002871699910000071
其中，ΔM表示当前地震震级M与该地震最大余震的震级差；按照地震类型判定规则将历史地震样本划分为主余型、震群型和孤立型三种历史地震类型。
历史地震样本按照以下规则选取：若当前地震震级M≥5.0级，则检索1900年以来M0级以上历史地震样本；若M＜5.0，则检索1970年以来M0级以上历史地震样本。其中，
Figure BDA0002871699910000072
M表示当前地震震级。
S3、若当前分区内检索到的历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若当前分区内检索到的历史地震样本总数小于4，则进行S4；
本实施例中，历史地震类型比例为：
Figure BDA0002871699910000073
Figure BDA0002871699910000074
其中，N总表示历史地震样本总数；N(MMT)表示历史地震样本总数中震群型地震样本总数；PMMT表示历史震群型比例；N(MAT)表示历史地震样本总数中主余型地震样本总数；PMAT表示历史主余型比例；N(IET)表示历史地震样本总数中孤立型地震样本总数；PIET表示历史孤立型比例。
当前地震发生后，再次发生强余震的震后趋势概率为：1-PIET。
后续地震震级范围为：
Figure BDA0002871699910000075
其中，Ma表示后续地震震级范围，(a)表示当前地震为孤立型地震的概率大于70％，后续地震震级范围为(M-2.4)级以下；(b)表示当前地震为主余型或孤立型地震的概率大于50％，后续地震震级范围为[M-2.4，M-0.6]；(c)表示当前地震为震群型地震的概率大于50％，后续地震震级范围为(M-0.6，M+0.6)。
S4、统计震中周边半径为R公里的圆域范围内M0级以上的历史地震样本，若圆域范围内历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若圆域范围内历史地震样本总数少于4，则进行S5；
其中，历史地震样本选取规则与S2相同，在此不再累述；计算历史地震类型比例的方法，以及基于历史地震类型比例计算震后趋势概率和后续地震震级范围的方法均与S3相同，因此，在此不再累述。
S5、统计全国范围内M0级以上历史地震样本，计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围。
其中，历史地震样本选取规则与S2相同，在此不再累述；计算历史地震类型比例的方法，以及基于历史地震类型比例计算震后趋势概率和后续地震震级范围的方法均与S3相同，在此不再累述。
本实施例的有益效果为：根据区域地质特性划分区域，以震中所在区域为样本采集区域，当发生地震时，统计地震所在地质分区内的历史地震样本，使得统计分析样本更接近当前地震类型，提高震后趋势概率分析的精确度，并且避免了地质特性对震后趋势概率分析的影响；
采用本实施例的方法可以产出精确的震后趋势概率数值以及精确的强余震震级，解决现有地震分析会商软件中无无精确震后趋势概率数值统计结论以及精确强余震震级产出的问题。
实施例2
在实施例1的基础上，本实施例以2018年10月1日-12月5日之间的46个震例为例，测试实施例1的方法对后续地震发生概率和发震震级的预测效果。统计实施例1的方法预判(a)(b)(c)三种情况与真实情况对比，比较结果如下表所示：
Figure BDA0002871699910000091
由此可知，实施例1的方法在实际应用时，判断主余型地震和震群型地震的精确率达到100％，判断孤立型地震和主余型地震的完整度达到100％，判断主余型地震的准确度达到100％，相比现有技术，实施例1的方法从精确率、完整率和准确率三个方面分析不同类型的地震，分析精度更高。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于构造分区的震后趋势概率分析方法，其特征在于：包括以下步骤：
S1、将全国区域面积按照地质特性划分为若干个地震分区；
S2、根据当前地震经纬度计算震中所在地震分区，并检索出该分区内历史地震样本总数，按照地震类型判定规则将历史地震样本划分为若干个历史地震类型；
S3、若当前分区内检索到的历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若当前分区内检索到的历史地震样本总数小于4，则进行S4；
S4、统计震中周边半径为R公里的圆域范围内M0级以上的历史地震样本，若圆域范围内历史地震样本总数大于4，则计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围；若圆域范围内历史地震样本总数少于4，则进行S5；其中，
Figure FDA0002871699900000011
M表示当前地震震级；
S5、统计全国范围内M0级以上历史地震样本，计算历史地震类型比例，基于历史地震类型比例计算震后趋势概率和后续地震震级范围。
2.如权利要求1所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述S2中地震类型判定规则为：
Figure FDA0002871699900000012
其中，ΔM表示当前地震震级M与该地震最大余震的震级差；按照地震类型判定规则将历史地震样本划分为主余型、震群型和孤立型三种历史地震类型。
3.如权利要求1所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述S3中历史地震类型比例为：
Figure FDA0002871699900000021
Figure FDA0002871699900000022
Figure FDA0002871699900000023
其中，N总表示历史地震样本总数；N(MMT)表示历史地震样本总数中震群型地震样本总数；PMMT表示历史震群型比例；N(MAT)表示历史地震样本总数中主余型地震样本总数；PMAT表示历史主余型比例；N(IET)表示历史地震样本总数中孤立型地震样本总数；PIET表示历史孤立型比例。
4.如权利要求3所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述S3中当前地震发生后，再次发生强余震的震后趋势概率为：1-PIET。
5.如权利要求3所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述S3中后续地震震级范围为：
Figure FDA0002871699900000024
其中，Ma表示后续地震震级范围，(a)表示当前地震为孤立型地震的概率大于70％，后续地震震级范围为(M-2.4)级以下；(b)表示当前地震为主余型或孤立型地震的概率大于50％，后续地震震级范围为[M-2.4，M-0.6]；(c)表示当前地震为震群型地震的概率大于50％，后续地震震级范围为(M-0.6，M+0.6)。
6.如权利要求1所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述S4中圆域半径R的判定规则为：
Figure FDA0002871699900000031
单位：公里。
7.如权利要求1所述的一种基于构造分区的震后趋势概率分析方法，其特征在于：所述历史地震样本按照以下规则选取：
若当前地震震级M≥5.0级，则检索1900年以来M0级以上历史地震样本；若M＜5.0，则检索1970年以来M0级以上历史地震样本。
CN202011617798.6A 2020-12-30 2020-12-30 一种基于构造分区的震后趋势概率分析方法 Active CN112800390B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011617798.6A CN112800390B (zh) 2020-12-30 2020-12-30 一种基于构造分区的震后趋势概率分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011617798.6A CN112800390B (zh) 2020-12-30 2020-12-30 一种基于构造分区的震后趋势概率分析方法

Publications (2)

Publication Number Publication Date
CN112800390A true CN112800390A (zh) 2021-05-14
CN112800390B CN112800390B (zh) 2023-12-26

Family

ID=75805859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011617798.6A Active CN112800390B (zh) 2020-12-30 2020-12-30 一种基于构造分区的震后趋势概率分析方法

Country Status (1)

Country Link
CN (1) CN112800390B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687422A (zh) * 2021-08-27 2021-11-23 湖北省地震局(中国地震局地震研究所) 一种基于断层缓冲带的余震序列删除方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1304049A (zh) * 1999-12-16 2001-07-18 宋期 全球尺度强地震趋势预警系统
US20180143336A1 (en) * 2016-11-23 2018-05-24 Cgg Services Sas Method and apparatus for simultaneous geostatistical inversion of time-lapse seismic data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1304049A (zh) * 1999-12-16 2001-07-18 宋期 全球尺度强地震趋势预警系统
US20180143336A1 (en) * 2016-11-23 2018-05-24 Cgg Services Sas Method and apparatus for simultaneous geostatistical inversion of time-lapse seismic data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘珠妹;蒋海昆;李盛乐;黎明晓;汪园园;刘坚;: "基于震例类比的震后趋势早期判定技术系统建设", 中国地震, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687422A (zh) * 2021-08-27 2021-11-23 湖北省地震局(中国地震局地震研究所) 一种基于断层缓冲带的余震序列删除方法
CN113687422B (zh) * 2021-08-27 2022-07-22 湖北省地震局(中国地震局地震研究所) 一种基于断层缓冲带的余震序列删除方法

Also Published As

Publication number Publication date
CN112800390B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
La Sorte et al. Survey completeness of a global citizen‐science database of bird occurrence
Düntsch et al. Statistical evaluation of rough set dependency analysis
Menken et al. Proportional hazards life table models: An illustrative analysis of socio-demographic influences on marriage dissolution in the United States
Faulkner et al. Can we still predict the future from the past? Implementing non‐stationary flood frequency analysis in the UK
Massey et al. Segregation, the concentration of poverty, and the life chances of individuals
Vielliard Bird community as an indicator of biodiversity: results from quantitative surveys in Brazil
Cohen A test of the linear-no threshold theory of radiation carcinogenesis
CN110189232A (zh) 基于孤立森林算法的用电信息采集数据异常分析方法
BYERS Messages encoded in the songs of chestnut-sided warblers
CN113139760B (zh) 基于风雨大数据的台风风险综合评估方法及系统
Wright et al. Modelling misclassification in multi‐species acoustic data when estimating occupancy and relative activity
CN114547827A (zh) 一种基础设施群运行状态评价方法、电子设备及存储介质
CN112738729B (zh) 一种用手机信令数据判别探亲返乡游客的方法及系统
Dorling et al. Population density, change and concentration in Great Britain 1971, 1981 and 1991
CN112800390A (zh) 一种基于构造分区的震后趋势概率分析方法
CN108345662A (zh) 一种考虑用户分布区域差异的签到微博数据加权统计方法
Florios et al. Possible earthquake forecasting in a narrow space-time-magnitude window
Jones et al. Riverflow reconstruction from tree rings in southern Britain
Bajaj et al. Determination of GMPE functional form for an active region with limited strong motion data: application to the Himalayan region
Angus et al. On the dependency of Atlantic hurricane and European windstorm hazards
Kauppinen et al. Unemployment during a recession and later earnings: Does the neighbourhood unemployment rate modify the association?
Donovan et al. Estimating landscape carrying capacity through maximum clique analysis
CN111382908A (zh) 一种考虑大震时间相关性的地震随机事件集模拟方法
CN112883339B (zh) 一种地震有感范围确定方法及系统
CN115545543A (zh) 多灾种集成的自然灾害风险评估分析系统

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