CN114114382B - 用于地震预报的监测数据处理方法、地震预报方法和系统 - Google Patents
用于地震预报的监测数据处理方法、地震预报方法和系统 Download PDFInfo
- Publication number
- CN114114382B CN114114382B CN202111449814.XA CN202111449814A CN114114382B CN 114114382 B CN114114382 B CN 114114382B CN 202111449814 A CN202111449814 A CN 202111449814A CN 114114382 B CN114114382 B CN 114114382B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- characteristic data
- seismic
- data
- precursor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims description 44
- 238000003672 processing method Methods 0.000 title abstract description 5
- 239000002243 precursor Substances 0.000 claims abstract description 114
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 239000002245 particle Substances 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005574 cross-species transmission Effects 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims description 2
- 238000006386 neutralization reaction Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000013277 forecasting method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000001131 transforming effect Effects 0.000 description 10
- 230000009466 transformation Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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
本申请公开了一种用于地震预报的监测数据处理方法、地震预报方法和系统，首选获取不同地震监测点的地震前兆监测数据，并依据每个地震监测点的地震前兆监测数据，获取相对应地震监测点的地震前兆特征数据；然后依据地震前兆特征数据获取每两个地震监测点的皮尔逊相关系数，并将皮尔逊相关系数相近的地震监测点的地震前兆特征数据构建特征图矩阵；再将特征图矩阵输入地震预测模型，以获取地震预测结果。由于首先依据获取地震前兆监测数据相关性比较高的地震监测点，再对相关性比较高的地震监测点获取的地震前兆监测数据的后处理数据进行地震预测模型构建，进而可以筛选出有效的用于地震预测的监测数据，进而提高地震预报的准确性和效率。
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、地震预报方法和系统。
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、地震预报方法和系统，解决现有技术中地震预报的不足。
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：
获取设置在监测区域中至少两个不同地震监测点在相同预设时间段内的地震前兆监测数据；所述地震前兆数据与所述地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关；
依据每个所述地震监测点的所述地震前兆监测数据，获取相对应所述地震监测点的地震前兆特征数据；所述地震前兆特征数据用于体现对所述地震前兆监测数据进行数据统计获得的统计值特性；
依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数；
将皮尔逊相关系数在一预设阈值内的每个所述地震监测点的地震前兆特征数据构建特征图矩阵，所述特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在所述预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对所述地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，所述特征数量P为所述地震前兆特征数据的种类数量；
将所述特征图矩阵输入基于Transformer的地震预测模型；
所述地震预测模型输出地震预测结果；所述地震预测结果包括预发生地震的发震时间、震中和/或震级。
根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现第一方面所述的方法。
根据第三方面，一种实施例中提供一种地震预报系统，包括：
设置在监测区域中至少两个不同位置的地震监测点，用于获取在相同预设时间段内的地震前兆监测数据；所述地震前兆数据与所述地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关；
数据预处理装置，用于依据每个所述地震监测点的所述地震前兆监测数据，获取相对应所述地震监测点的地震前兆特征数据；所述地震前兆特征数据用于体现对所述地震前兆监测数据进行数据统计获得的统计值特性；
相关性获取装置，用于依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数；
特征图矩阵获取装置，用于将皮尔逊相关系数在一预设阈值内的每个所述地震监测点的地震前兆特征数据构建特征图矩阵，所述特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在所述预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对所述地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，所述特征数量P为所述地震前兆特征数据的种类数量；
地震预测模型，用于依据所述特征图矩阵输进行地震预测，以获取地震预测结果；所述地震预测结果包括预发生地震的发震时间、震中和/或震级。
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，首先依据各个地震监测点获取地震前兆监测数据相关性比较高的地震监测点，再对相关性比较高的地震监测点获取的地震前兆监测数据的后处理数据进行地震预测模型构建，可以在大量的地震前兆特征数据中筛选出有效的用于地震预测的监测数据，进而提高地震预报的准确性和效率。
附图说明
图1为一种实施例中监测数据处理方法的流程示意图；
图2为一种实施例中地震预测模型预测流程示意图；
图3为一种实施例中输入样本获取示意图；
图4为一实施例中地震监测点分布示意图；
图5为一种实施例中地震预报系统的结构连接示意图。
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）。
本申请基于Transformer模型，自google Brain提出Attention机制后，加入attention的Seq2seq模型在各个任务上都有了提升，所以现在的seq2seq模型指的都是结合RNN和Attention的模型。之后又提出了解决Seq2Seq问题的Transformer模型，用全attention的结构代替了lstm。Transformer是一种google在2017 年NIPS 上面提出的一种基于自注意力机制（self-attention）的用于进行自然语言处理任务的基础模型框架，框架主体采用传统的 sequence to sequence 框架，用于将输入数据序列的各个维度信息整合后，重新生成一种新的数据特征序列。本申请涉及transformer模型参见《An image isworth 16x16 words: Transformers for image recognition at scale》Dosovitskiy A,Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers forimage recognition at scale[J]. arXiv preprint arXiv:2010.11929, 2020。
在本实施例中，先在预监测的地区设置多个监测点，由多个监测点构建一个监测网，再获取相同预设时间段内的地震前兆监测数据，并依据每个地震监测点的地震前兆监测数据，获取相对应地震监测点的地震前兆特征数据；然后依据地震前兆特征数据获取每两个地震监测点的皮尔逊相关系数，并将皮尔逊相关系数在一预设阈值内的每个地震监测点的地震前兆特征数据构建特征图矩阵；再将特征图矩阵输入基于Transformer的地震预测模型，以获取地震预测模型输出的地震预测结果。由于对相关性比较高的地震监测点获取的地震前兆监测数据的后处理数据进行地震预测模型构建，可以在大量的地震前兆特征数据中筛选出有效的用于地震预测的监测数据，进而提高地震预报的准确性和效率。
实施例一
请参考图1，为一种实施例中监测数据处理方法的流程示意图，用于对地震的预报，该方法包括：
步骤100，获取地震前兆数据。
获取设置在监测区域中至少两个不同地震监测点在相同预设时间段内的地震前兆监测数据。其中，地震前兆数据与地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关。一实施例中，地震前兆数据包括地震监测点的地声、电磁扰动、地磁场、地下电阻率、应力应变、GPS形变、同位素变化、地下流体变化和/或地下溢出带电粒子。
步骤200，获取地震前兆特征数据。
依据每个地震监测点的地震前兆监测数据，获取相对应地震监测点的地震前兆特征数据。其中，地震前兆特征数据用于体现对地震前兆监测数据进行数据统计获得的统计值特性。一实施例中，地震前兆特征数据的种类包括统计方差特性数据、统计功率特性数据、统计偏度特性数据、统计峰度特性数据、统计最大绝对值特性数据、统计绝对值均值特性数据、统计绝对值最大5%位置特性数据、统计绝对值最大10%位置特性数据、统计短时能量标准差特性数据、统计短时能量最大值特性数据、统计0-5赫兹能量特性数据、统计5-10赫兹能量特性数据、统计10-15赫兹能量特性数据、统计15-20赫兹能量特性数据、统计20-25赫兹能量特性数据、统计25-30赫兹能量特性数据、统计30-35赫兹能量特性数据、统计35-40赫兹能量特性数据、统计40-60赫兹能量特性数据、统计140-160赫兹能量特性数据、统计其它频段能量占比特性数据、统计重心频率特性数据、统计均方差特性数据、统计频率方差特性数据、统计频谱熵特性数据、统计第四层细节绝对值均值特性数据、统计第四层细节能量特性数据、统计第四层细节能量最大值特性数据、统计第四层细节能量方差特性数据、统计第五层细节绝对值均值特性数据、统计第五层细节能量特性数据、统计第五层细节能量最大值特性数据、统计第五层细节能量方差特性数据、统计第六层细节绝对值均值特性数据、统计第六层细节能量特性数据、统计第六层细节能量最大值特性数据、统计第六层细节能量方差特性数据、统计第六层近似绝对值均值特性数据、统计第六层近似能量特性数据、统计第六层近似能量最大值特性数据、统计第六层近似能量值方差特性数据、统计超低频绝对值均值特性数据、统计超低频方差特性数据、统计超低频功率特性数据、统计超低频偏度特性数据、统计超低频峰度特性数据、统计超低频绝对值最大值特性数据、统计超低频绝对值最大5%位置特性数据、统计超低频绝对值最大10%位置特性数据、统计超低频绝短时能量标准差特性数据和/或统计超低频绝短时能量最大值特性数据。
步骤300，获取皮尔逊相关系数。
依据地震前兆特征数据获取每两个地震监测点的皮尔逊相关系数。将每两个地震监测点的地震前兆特征数据输入皮尔逊相关系数获取公式，以获取皮尔逊相关系数。其中，皮尔逊相关系数获取公式包括：
；
其中，Xi为一个地震监测点的地震前兆特征数据构成的特征i序列，Yi为另一个地震监测点的地震前兆特征数据构成的特征i序列，为Xi的均值，/>为Yi的均值，ρX，Y为两个地震监测点的皮尔逊相关系数。
步骤400，构建特征图矩阵。
将皮尔逊相关系数在一预设阈值内的每个地震监测点的地震前兆特征数据构建特征图矩阵。一实施例中，特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，特征数量P为地震前兆特征数据的种类数量。
步骤500，输入地震预测模型。
将特征图矩阵输入基于Transformer的地震预测模型。一实施例中，地震预测模型的获取方法包括：
首先获取设置在监测区域中至少两个不同地震监测点在已发生地震时间段内的地震前兆监测数据、已发生地震的发震时间、已发生地震的震中和已发生地震的震级；再依据每个地震监测点的地震前兆监测数据，获取相对应地震监测点的地震前兆特征数据；然后依据地震前兆特征数据获取每两个地震监测点的皮尔逊相关系数；最后将皮尔逊相关系数在一预设阈值内的每个地震监测点的地震前兆特征数据构建特征图矩阵，并将特征图矩阵、已发生地震的发震时间、已发生地震的震中和已发生地震的震级生成样本集，对地震预测模型进行训练。
一实施例中，地震预测模型包括Patch Embedding层、Feature Fusion层和Output层。其中，Patch Embedding层用于通过一个预设的CNN网络将特征图矩阵分成P个patches块，并对每个patches块添加类别编码信息和位置编码信息后输出给Feature Fusion层。Feature Fusion层用于通过使用12层Transformer网络同时观察特征维度上及时间维度上的相关信息，并融合该特征维度上及时间维度上的相关信息得到一个新特征图。FeatureFusion层还用于对所述新特征图进行残差学习，将残差学习后的结果通过一预设LayerNorm网络进行归一化后，输入MLP网络得到输出的结果特征矩阵，再依据结果特征矩阵进行地震预报。Output层包括震级预测模块和经纬度预测模块，其中震级预测模块用于对预发生地震的震级进行预报，经纬度预测模块用于对预发生地震的震中进行预报。
一实施例中，添加类别编码信息的获取方法包括：
初始化一个Q维的向量，并将该Q维的向量与P个patches块拼接到一起，以获取一个（P+1）xQ的特征矩阵。其中，P为预设的第一数量，Q为预设的第二数量。
一实施例中，位置编码信息的获取方法包括：
初始化一个（P+1）xQ的位置信息矩阵，每一维度的Q个值表征着对应patches块的位置信息。
步骤600，输出地震预测结果。
地震预测模型输出地震预测结果，其中地震预测结果包括预发生地震的发震时间、震中和/或震级。
下面举一具体实施例，以基于Transformer的周尺度地震预测模型为例，请参考图2，为一种实施例中地震预测模型预测流程示意图。该预测流程包括：
首先，对地震预测模型进行任务定义，包括对预发生地震的发震时间、震中和震级的预测。具体对未来一周是否发生地震进行预测，如果有地震将要发生，输出预放生地震的震中和震级。如果无地震发生输出为“None”。其中，震中的预测任务包括对地震中心经纬度的预测，震级的预测任务可以按照灾害的危害程度分为六类，具体包括：
1）Ms：0-3.5；
2）Ms：3.5-4.0；
3）Ms：4.0-4.5；
4）Ms：4.5~5.0；
5）Ms：5.0~6.0；
6）Ms：大于6.0。
然后，构建AETA样本集，该AETA样本集包括输入样本X和输出样本Y。请参考图3，为一种实施例中输入样本获取示意图，输入样本X包括一预设时间段的地震前兆特征数据，再对该地震前兆特征数据进行预处理，以获取地震前兆特征数据，然后以7天作为一个窗口，滑动窗口构建输入样本X。其中，每天包含144个数据点，因此输入样本维度为（1008,features）。
另外，对地震前兆特征数据进行预处理的方法包括将预设地区的160个地震监测点及对应每个地震监测点的51种地震前兆特征数据按照pearson相关性计算，并依据依据计算结果分为以下四类：
1）线性相关台站的线性相关特征；
2）线性相关台站的非线性相关特征；
3）非线性相关台站的线性相关特征；
4）非线性相关台站的非线性相关特征。
请参考图4，为一实施例中地震监测点分布示意图，三角形标注的点为160个地震监测点的地理位置。51种地震前兆特征数据请参见下表，其中，此实施例例是以电磁扰动特性为例。
电磁扰动特征列表
| id | Column | 说明 | Description（设备采样率为500Hz） |
| 1 | var | 方差 | 1分钟30000个点的方差 |
| 2 | power | 功率 | 1分钟30000个点的平方和 |
| 3 | skew | 偏度 | 1分钟30000个点的偏度 |
| 4 | kurt | 峰度 | 1分钟30000个点的峰度 |
| 5 | abs_max | 绝对值的最大值 | 1分钟30000个点取绝对值后的最大值 |
| 6 | abs_mean | 绝对值均值 | 1分钟30000个点取绝对值后的均值 |
| 7 | abs_max_top5p | 绝对值最大5%位置 | 1分钟30000个点绝对值从大到小排序第1500个点 |
| 8 | abs_max_top10p | 绝对值最大10%位置 | 1分钟30000个点绝对值从大到小排序第3000个点 |
| 9 | energy_sstd | 短时能量标准差 | 利用汉明窗对每s五百个点进行加权后取平方的均值，得到60个点后取标准差 |
| 10 | energy_smax | 短时能量最大值 | 利用汉明窗对每s五百个点进行加权后取平方的均值，得到60个点后取最大值 |
| 11 | power_0_5 | 0~5Hz能量 | 对信号进行快速傅里叶变换后，取0-5Hz所有信号的振幅平方的和。 |
| 12 | power_5_10 | 5-10Hz能量 | 对信号进行快速傅里叶变换后，取5-10Hz所有信号的振幅平方的和。 |
| 13 | power_10_15 | 10-15Hz能量 | 对信号进行快速傅里叶变换后，取10-15Hz所有信号的振幅平方的和。 |
| 14 | power_15_20 | 15-20Hz能量 | 对信号进行快速傅里叶变换后，取15-20Hz所有信号的振幅平方的和。 |
| 15 | power_20_25 | 20-25Hz能量 | 对信号进行快速傅里叶变换后，取20-25Hz所有信号的振幅平方的和。 |
| 16 | power_25_30 | 25-30Hz能量 | 对信号进行快速傅里叶变换后，取25-30Hz所有信号的振幅平方的和。 |
| 17 | power_30_35 | 30-35Hz能量 | 对信号进行快速傅里叶变换后，取30-35Hz所有信号的振幅平方的和。 |
| 18 | power_35_40 | 35-40Hz能量 | 对信号进行快速傅里叶变换后，取35-40Hz所有信号的振幅平方的和。 |
| 19 | power_40_60 | 40-60Hz能量 | 对信号进行快速傅里叶变换后，取40-60Hz所有信号的振幅平方的和。 |
| 20 | power_140_160 | 140-160Hz能量 | 对信号进行快速傅里叶变换后，取140-160Hz所有信号的振幅平方的和。 |
| 21 | power_other | 其他频段能量占比 | 对信号进行快速傅里叶变换后，取其余频段所有信号的振幅平方的和。 |
| 22 | frequency_center | 重心频率 | 对信号进行快速傅里叶变换后，求重心频率 |
| 23 | mean_square_frequency | 均方频率 | 对信号进行快速傅里叶变换后，求均方频率 |
| 24 | variance_frequency | 频率方差 | 对信号进行快速傅里叶变换后，求方差 |
| 25 | frequency_entropy | 频谱熵 | 对信号进行快速傅里叶变换后，求频谱熵 |
| 26 | level4d_abs_mean | 第4层细节绝对值的均值 | 对信号进行小波变换后，计算第四层（15.63-31.25Hz）绝对值均值 |
| 27 | level4d_energy | 第4层细节能量 | 对信号进行小波变换后，计算第四层（15.63-31.25Hz）平方和 |
| 28 | level4d_energy_smax | 第4层细节能量值最大值 | 对信号进行小波变换后，计算第四层（15.63-31.25Hz）平方和最大值 |
| 29 | level4d_energy_sstd | 第4层细节能量值方差 | 对信号进行小波变换后，计算第四层（15.63-31.25Hz）平方后方差 |
| 30 | level5d_abs_mean | 第5层细节绝对值的均值 | 对信号进行小波变换后，计算第五层（7.81-15.63Hz）绝对值均值 |
| 31 | level5d_energy | 第5层细节能量 | 对信号进行小波变换后，计算第五层（7.81-15.63Hz）平方和 |
| 32 | level5d_energy_smax | 第5层细节能量值最大值 | 对信号进行小波变换后，计算第五层（7.81-15.63Hz）平方和最大值 |
| 33 | level5d_energy_sstd | 第5层细节能量值方差 | 对信号进行小波变换后，计算第五层（7.81-15.63Hz）平方后方差 |
| 34 | level6d_abs_mean | 第6层细节绝对值的均值 | 对信号进行小波变换后，计算第六层（3.91-7.81Hz）绝对值均值 |
| 35 | level6d_energy | 第6层细节能量 | 对信号进行小波变换后，计算第六层（3.91-7.81Hz）平方和 |
| 36 | level6d_energy_smax | 第6层细节能量值最大值 | 对信号进行小波变换后，计算第六层（3.91-7.81Hz）平方和最大值 |
| 37 | level6d_energy_sstd | 第6层细节能量值方差 | 对信号进行小波变换后，计算第六层（3.91-7.81Hz）平方后方差 |
| 38 | level6a_abs_mean | 第6层近似绝对值的均值 | 对信号进行小波变换后，计算第六层近似（0-3.91Hz）绝对值均值 |
| 39 | level6a_energy | 第6层近似能量 | 对信号进行小波变换后，计算第六层近似（0-3.91Hz）平方和 |
| 40 | level6a_energy_smax | 第6层近似能量值最大值 | 对信号进行小波变换后，计算第六层近似（0-3.91Hz）平方和最大值 |
| 41 | level6a_energy_sstd | 第6层近似能量值方差 | 对信号进行小波变换后，计算第六层近似（0-3.91Hz）平方后方差 |
| 42 | ulf_abs_mean | 超低频绝对值均值 | 取30Hz以下信号计算信号的绝对值均值 |
| 43 | ulf_var | 超低频方差 | 取30Hz以下信号计算信号的方差 |
| 44 | ulf_power | 超低频功率 | 取30Hz以下信号计算信号的平方和 |
| 45 | ulf_skew | 超低频偏度 | 取30Hz以下信号计算信号的偏度 |
| 46 | ulf_kurt | 超低频峰度 | 取30Hz以下信号计算信号的峰度 |
| 47 | ulf_abs_max | 超低频绝对值的最大值 | 取30Hz以下信号计算信号的绝对值的最大值 |
| 48 | ulf_abs_max_top5p | 超低频绝对值最大5%位置 | 取30Hz以下信号计算信号的绝对值从大到小排序第5%位置的点 |
| 49 | ulf_abs_max_top10p | 超低频绝对值最大10%位置 | 取30Hz以下信号计算信号的绝对值从大到小排序第10%位置的点 |
| 50 | ulf_energy_sstd | 超低频短时能量标准差 | 取30Hz以下信号，计算同正常信号短时能量标准差计算 |
| 51 | ulf_energy_smax | 超低频短时能量最大值 | 取30Hz以下信号，计算同正常信号短时能量最大值计算 |
一实施例中，线性相关台站为至少含有一种特征PCA相关系数在0.8以上。一实施例中，非线性相关台站为所有特征间不存在PCA相关系数在0.6以上。一实施例中，线性相关特征为至少有两台台站该特征间PCA相关系数在0.8以上。一实施例中，非线性相关特征为所有台站间不存在该特征间PCA相关系数在0.6以上。
最后，构建地震预测模型的网络。如图2所示，地震预测模型包括Patch Embedding层、Feature Fusion层和Output层。其中，Patch Embedding层用于使用一个CNN(台站数,768, 24, 24)网络将预处理得到的AETA特征图（台站数，1008，特征数）分成42个patches，每个patch的维度为768维（768， 42， 特征数），并对得到的42个patches添加类别和位置编码信息后从该层输出。
添加类别编码信息是初始化一个768维的向量，并将其与之前的42个patches拼接到一起，得到一个43 x 768的特征矩阵。添加位置编码信息是初始化一个43 x 768的位置信息矩阵，每一维度的768个值表征着该patch的位置信息，将位置编码矩阵与原特征矩阵求和后得到Feature Fusion层的输入。
Feature Fusion层用于使用12层Transformer网络同时观察特征维度上及时间维度上的相关信息，并去融合这些信息得到一个新的特征图。每一层Transformer网络将Patch Embedding层得到的特征矩阵输入到Layer Norm层进行归一化后，输入Multi-HeadAttention进行融合特征及时间维度上的信息，并将输出与输入进行残差学习。将残差学习后的结果通过一层Layer Norm进行归一化后，输入MLP层得到输出的特征矩阵。
Layer Norm归一化是对于每一层特征的均值、方差及归一化，其计算公式如下：
；
；
；
其中，H是一个特征层中隐层节点的数量，是MLP的层数，/>是归一化后的值，/>为经验值，一般取10-6。
Multi-Head Attention方法及参数参考自《Attention is all you need.》Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advancesin neural information processing systems. 2017: 5998-6008。残差学习方法参考自《Going deeper with convolutions》Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.;Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.; Rabinovich, A. Going deeperwith convolutions. In Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition, Boston, MA, USA, 7–12 June 2015; IEEE: New York, NY,USA, 2015。
MLP方法为多层感知机，包括两层线性层以及GELU激活函数和Dropout方法。GELU激活函数计算公式如下：
；
Dropout方法参考自《A deep convolutional neural networks model forintelligent fault diagnosis of a gearbox under different operational condi-tions》Qiu, G.; Gu, Y.; Cai, Q. A deep convolutional neural networks model forintelligent fault diagnosis of a gearbox under dif-ferent operationalconditions. Measurement 2019, 145, 94–107。
最后是Output层，包括震级预测模块和经纬度预测模块。震级预测模块包含一个线性层以及softmax函数，softmax函数计算公式如下：
；
其中，N为地震类别分类数目，N=6。
经纬度预测模块包括一个MLP层以及LSTM函数。其中，所述LSTM方法及参数参考自《Convolutional LSTM network: A machine learning approach for precipitationnowcasting》Xingjian S H I, Chen Z, Wang H, et al. Convolutional LSTM network:A machine learning approach for precipitation nowcasting[C]//Advances inneural information processing systems. 2015: 802-810。
一实施例中，地震预测模型的超参数设定参见下表：
| 超参数 | Value |
| 训练每批样本数量-batches | 32 |
| 样本宽度-weight | 1008 |
| 样本高度-height | 24 |
| 样本通道数-channels | 24（线性相关台站）/27（线性无关台站） |
| transformer个数-depth | 12 |
| head数-n_heads | 12 |
| 初始学习率-lr | 0.01 |
| 权重衰减系数-weight_decay | 0.05 |
| 最大迭代次数-max_epoches | 200 |
| 优化器-optimizer | Adam |
| 损失函数-loss | CrossEntropy |
| 学习率优化函数-scheduler | ReduceLROnPlateau |
在本申请实施例中公开的监测数据处理方法，创新性地提出了基于Transformer的周尺度构建地震预测模型，将不同地震监测点监测的地震前兆数据处理成一种类图片信息的格式，交给处理图片信息能力强的模型去发现地震前信号的变化，有利于更好地结合特征在时间维度与空间维度上的相关性，也降低了单一特征受其他扰动带来的干扰问题。本申请公开的方法鲁棒性强，可以同时注意到不同台站，不同时间不同特征的变化及异常分布，且可靠性强，速度快，将使用时序数据去预测地震转换为类图像结构预测地震提供了一种可行的思路和角度。在一实施例中，将一维电磁扰动特征序列转换成三维类图像结构特征图去构建样本，并基于ViT（vision in Transformer）网络的周尺度构建地震预测模型，进而将不同地震监测点和不同特征按线性相关性去分类，构建多类样本序列进行地震预测的分析。
申请公开的用于地震预报的监测数据处理方法、地震预报方法和系统，首选获取不同地震监测点的地震前兆监测数据，并依据每个地震监测点的地震前兆监测数据，获取相对应地震监测点的地震前兆特征数据；然后依据地震前兆特征数据获取每两个地震监测点的皮尔逊相关系数，并将皮尔逊相关系数相近的地震监测点的地震前兆特征数据构建特征图矩阵；再将特征图矩阵输入地震预测模型，以获取地震预测结果。由于首先依据获取地震前兆监测数据相关性比较高的地震监测点，再对相关性比较高的地震监测点获取的地震前兆监测数据的后处理数据进行地震预测模型构建，进而可以筛选出有效的用于地震预测的监测数据，进而提高地震预报的准确性和效率。
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。
实施例二
请参考图5，为一种实施例中地震预报系统的结构连接示意图，该地震预报系统包括多个地震监测点10、数据预处理装置20、相关性获取装置30、特征图矩阵获取装置40和地震预测模型50。地震监测点设置在监测区域中，至少涵盖两个不同的地理位置，用于获取在相同预设时间段内的地震前兆监测数据。其中，地震前兆数据与地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关。数据预处理装置20用于依据每个地震监测点10的地震前兆监测数据，获取相对应地震监测点10的地震前兆特征数据。其中，地震前兆特征数据用于体现对地震前兆监测数据进行数据统计获得的统计值特性。相关性获取装置30用于依据地震前兆特征数据获取每两个地震监测点10的皮尔逊相关系数。特征图矩阵获取装置40用于将皮尔逊相关系数在一预设阈值内的每个地震监测点10的地震前兆特征数据构建特征图矩阵，特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，特征数量P为地震前兆特征数据的种类数量。
地震预测模型50用于依据特征图矩阵输进行地震预测，以获取地震预测结果。其中，地震预测结果包括预发生地震的发震时间、震中和/或震级。
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 (6)
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：
获取设置在监测区域中至少两个不同地震监测点在相同预设时间段内的地震前兆监测数据；所述地震前兆监测数据与所述地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关；
依据每个所述地震监测点的所述地震前兆监测数据，获取相对应所述地震监测点的地震前兆特征数据；所述地震前兆特征数据用于体现对所述地震前兆监测数据进行数据统计获得的统计值特性；
依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数；
将皮尔逊相关系数在一预设阈值内的每个所述地震监测点的地震前兆特征数据构建特征图矩阵，所述特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在所述预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对所述地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，所述特征数量P为所述地震前兆特征数据的种类数量；
将所述特征图矩阵输入基于Transformer的地震预测模型；
所述地震预测模型输出地震预测结果；所述地震预测结果包括预发生地震的发震时间、震中和/或震级；
所述地震预测模型的获取方法包括：
获取设置在监测区域中至少两个不同地震监测点在已发生地震时间段内的地震前兆监测数据、已发生地震的发震时间、已发生地震的震中和已发生地震的震级；
依据每个所述地震监测点的所述地震前兆监测数据，获取相对应所述地震监测点的地震前兆特征数据；
依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数；
将皮尔逊相关系数在一预设阈值内的每个所述地震监测点的地震前兆特征数据构建所述特征图矩阵；
将所述特征图矩阵、已发生地震的发震时间、已发生地震的震中和已发生地震的震级生成样本集，对所述地震预测模型进行训练；
所述地震预测模型包括Patch Embedding层、Feature Fusion层和Output层；
所述Patch Embedding层用于通过一个预设的CNN网络将所述特征图矩阵分成P个patches块，并对每个所述patches块添加类别编码信息和位置编码信息后输出给所述Feature Fusion层；
所述Feature Fusion层用于通过使用12层Transformer网络同时观察特征维度上及时间维度上的相关信息，并融合该特征维度上及时间维度上的相关信息得到一个新特征图；
所述Feature Fusion层还用于对所述新特征图进行残差学习，将残差学习后的结果通过一预设Layer Norm网络进行归一化后，输入MLP网络得到输出的结果特征矩阵，再依据所述结果特征矩阵进行地震预报；
所述Output层包括震级预测模块和经纬度预测模块；其中，所述震级预测模块用于对预发生地震的震级进行预报，所述经纬度预测模块用于对预发生地震的震中进行预报；
所述添加类别编码信息的获取方法包括：
初始化一个Q维的向量，并将该Q维的向量与P个所述patches块拼接到一起，以获取一个（P+1）xQ的特征矩阵；其中，P为预设的第一数量，Q为预设的第二数量；
所述位置编码信息的获取方法包括：
初始化一个（P+1）xQ的位置信息矩阵，每一维度的Q个值表征着对应所述patches块的位置信息。
2.如权利要求1所述的方法，其特征在于，所述地震前兆监测数据包括所述地震监测点的地声、电磁扰动、地磁场、地下电阻率、应力应变、GPS形变、同位素变化、地下流体变化和/或地下溢出带电粒子。
3.如权利要求1所述的方法，其特征在于，所述地震前兆特征数据的种类包括统计方差特性数据、统计功率特性数据、统计偏度特性数据、统计峰度特性数据、统计最大绝对值特性数据、统计绝对值均值特性数据、统计绝对值最大5%位置特性数据、统计绝对值最大10%位置特性数据、统计短时能量标准差特性数据、统计短时能量最大值特性数据、统计0-5赫兹能量特性数据、统计5-10赫兹能量特性数据、统计10-15赫兹能量特性数据、统计15-20赫兹能量特性数据、统计20-25赫兹能量特性数据、统计25-30赫兹能量特性数据、统计30-35赫兹能量特性数据、统计35-40赫兹能量特性数据、统计40-60赫兹能量特性数据、统计140-160赫兹能量特性数据、统计其它频段能量占比特性数据、统计重心频率特性数据、统计均方差特性数据、统计频率方差特性数据、统计频谱熵特性数据、统计第四层细节绝对值均值特性数据、统计第四层细节能量特性数据、统计第四层细节能量最大值特性数据、统计第四层细节能量方差特性数据、统计第五层细节绝对值均值特性数据、统计第五层细节能量特性数据、统计第五层细节能量最大值特性数据、统计第五层细节能量方差特性数据、统计第六层细节绝对值均值特性数据、统计第六层细节能量特性数据、统计第六层细节能量最大值特性数据、统计第六层细节能量方差特性数据、统计第六层近似绝对值均值特性数据、统计第六层近似能量特性数据、统计第六层近似能量最大值特性数据、统计第六层近似能量值方差特性数据、统计超低频绝对值均值特性数据、统计超低频方差特性数据、统计超低频功率特性数据、统计超低频偏度特性数据、统计超低频峰度特性数据、统计超低频绝对值最大值特性数据、统计超低频绝对值最大5%位置特性数据、统计超低频绝对值最大10%位置特性数据、统计超低频短时能量标准差特性数据和/或统计超低频短时能量最大值特性数据。
4.如权利要求1所述的方法，其特征在于，所述依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数，包括：
皮尔逊相关系数获取公式包括：
；
其中，Xi为一个所述地震监测点的地震前兆特征数据构成的特征i序列，Yi为另一个所述地震监测点的地震前兆特征数据构成的特征i序列，为Xi的均值，/>为Yi的均值，ρX，Y为两个所述地震监测点的皮尔逊相关系数。
5.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-4中任一项所述的方法。
6.一种地震预报系统，其特征在于，用于应用如权利要求1-4中任一项所述的监测数据处理方法，所述地震预报系统包括：
设置在监测区域中至少两个不同位置的地震监测点，用于获取在相同预设时间段内的地震前兆监测数据；所述地震前兆监测数据与所述地震监测点处因地球内部活动引起的地表物理场和化学场的变化特性相关；
数据预处理装置，用于依据每个所述地震监测点的所述地震前兆监测数据，获取相对应所述地震监测点的地震前兆特征数据；所述地震前兆特征数据用于体现对所述地震前兆监测数据进行数据统计获得的统计值特性；
相关性获取装置，用于依据所述地震前兆特征数据获取每两个所述地震监测点的皮尔逊相关系数；
特征图矩阵获取装置，用于将皮尔逊相关系数在一预设阈值内的每个所述地震监测点的地震前兆特征数据构建特征图矩阵，所述特征图矩阵表示为：
AETA特征图（地震监测点数量M，数据颗粒数量N，特征数量P）；
其中，地震监测点数量M为皮尔逊相关系数在所述预设阈值内的地震监测点的数量，数据颗粒数量N为按时间先后顺序对所述地震前兆特征数据进行预设单位时间段的分割后生成的数据块的数量，所述特征数量P为所述地震前兆特征数据的种类数量；
地震预测模型，用于依据所述特征图矩阵输进行地震预测，以获取地震预测结果；所述地震预测结果包括预发生地震的发震时间、震中和/或震级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111449814.XA CN114114382B (zh) | 2021-12-01 | 2021-12-01 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111449814.XA CN114114382B (zh) | 2021-12-01 | 2021-12-01 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114114382A CN114114382A (zh) | 2022-03-01 |
| CN114114382B true CN114114382B (zh) | 2023-10-13 |
Family
ID=80368815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111449814.XA Active CN114114382B (zh) | 2021-12-01 | 2021-12-01 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114114382B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116381773B (zh) * | 2023-04-13 | 2024-07-12 | 南京云创大数据科技股份有限公司 | 一种在地震预报中归一化混杂数据的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110968636A (zh) * | 2018-09-28 | 2020-04-07 | 广州威阿科技有限公司 | 面向地震预警的多维大数据分析与处理系统 |
| CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| CN113253336A (zh) * | 2021-07-02 | 2021-08-13 | 深圳市翩翩科技有限公司 | 一种基于深度学习的地震预测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11947061B2 (en) * | 2019-10-18 | 2024-04-02 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
-
2021
- 2021-12-01 CN CN202111449814.XA patent/CN114114382B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110968636A (zh) * | 2018-09-28 | 2020-04-07 | 广州威阿科技有限公司 | 面向地震预警的多维大数据分析与处理系统 |
| CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| CN113253336A (zh) * | 2021-07-02 | 2021-08-13 | 深圳市翩翩科技有限公司 | 一种基于深度学习的地震预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking;Mousavi.S et al;Nature Communication;第2020卷;3952（2020） * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114114382A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
| Liao et al. | ARRU phase picker: Attention recurrent‐residual U‐Net for picking seismic P‐and S‐phase arrivals | |
| Reddy et al. | The efficacy of support vector machines (SVM) in robust determination of earthquake early warning magnitudes in central Japan | |
| CN114114382B (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 | |
| Rojas et al. | Artificial neural networks as emerging tools for earthquake detection | |
| Bin et al. | Moving target recognition with seismic sensing: A review | |
| Xue et al. | LSTM-autoencoder network for the detection of seismic electric signals | |
| Wu et al. | Augmenting seismic data using generative adversarial network for low-cost mems sensors | |
| Huang et al. | Uncertainties of landslide susceptibility prediction: influences of random errors in landslide conditioning factors and errors reduction by low pass filter method | |
| Ding et al. | Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM | |
| Porto et al. | Machine learning approaches to extreme weather events forecast in urban areas: Challenges and initial results | |
| CN117272138B (zh) | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 | |
| CN116310851B (zh) | 遥感图像变化检测方法 | |
| Meng et al. | Simulating tropical cyclone passive microwave rainfall imagery using infrared imagery via generative adversarial networks | |
| 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 | |
| Orlic et al. | Earthquake—explosion discrimination using genetic algorithm-based boosting approach | |
| Celik et al. | Change detection without difference image computation based on multiobjective cost function optimization | |
| Liu et al. | Automatic classification and recognition of geomagnetic interference events based on machine learning | |
| Zhang et al. | Adaptive filtering for event recognition from noisy signal: An application to earthquake detection | |
| Öncel Çekim et al. | Earthquake magnitude prediction in Turkey: a comparative study of deep learning methods, ARIMA and singular spectrum analysis | |
| Yang et al. | A novel PM2. 5 concentrations probability density prediction model combines the least absolute shrinkage and selection operator with quantile regression | |
| Huang et al. | Physics-coupled spatio-temporal active learning for dynamical systems | |
| León et al. | Small-layered Feed-Forward and Convolutional neural networks for efficient P wave earthquake detection | |
| AllamehZadeh | Discrimination analysis of earthquakes and man-made events using ARMA coefficients determination by artificial neural networks | |
| Ghosh et al. | A hybrid CNN-transformer architecture for semantic segmentation of radar sounder data |
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 |