CN114167488A - 一种基于异常时空图的周尺度地震预测方法及系统 - Google Patents
一种基于异常时空图的周尺度地震预测方法及系统 Download PDFInfo
- Publication number
- CN114167488A CN114167488A CN202111504562.6A CN202111504562A CN114167488A CN 114167488 A CN114167488 A CN 114167488A CN 202111504562 A CN202111504562 A CN 202111504562A CN 114167488 A CN114167488 A CN 114167488A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- earthquake
- current time
- time period
- monitoring point
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 169
- 239000002243 precursor Substances 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000003442 weekly effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
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
本发明公开了一种基于异常时空图的周尺度地震预测方法及系统。所述方法,包括:采用局部相关跟踪方法,基于地震前兆信号计算在当前时间段每两个地震监测点之间的异常值,并由所有的异常值构建异常时空图;对异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个异常程度等级对应的监测点对;根据目标等级对应的监测点对的数量以及每个异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果。本发明能提高地震预测的准确性。
Description
技术领域
本发明涉及地震预测领域,特别是涉及一种基于异常时空图的周尺度地震预测方法及系统。
背景技术
地震发生前往往伴随着一系列的前兆信号,这些信号除了一些属于宏观现象能够被人们直接观察到外,诸如地震云、动物的异常行为等,大部分地震前兆信号主要依靠科学仪器的探测来完成采集。通过地震监测仪器来比对地震发生前后各类与地震相关的信号的变化,从中找到地震前兆异常。在当前充分的监测仪器支持下,可被探测的前兆信号有很多,常见的有地壳变化、地下水异常变化、大气化学成分变化、电场变化、地磁变化、地声异常等。而关于地震前兆信号的研究方法也有很多,其中比较具有代表性的包括地球物理方法、大地形变测量和地球化学方法。基于上述的研究方法,结合对丰富的地震前兆信号的分析,可以探究各种前兆信号与地震之间的相关性,尝试性地解决地震预测的问题。
地震预测主要依据地震电磁信号的观测。根据观测方式的不同,地震电磁信号的监测方式可分为两类,即地基类和天基类。地基类观测方式最具代表性的是国家地震电磁网,由于其开展地较早,且在国内各地布设了电磁观测台站,使该系统拥有了十分丰富的数据。相关的研究人员即可通过研究这些丰富的地震电磁数据,对地震电磁的形成机理、震源区的电磁扰动特征等方面进行深入的分析,经过多年的努力,在电磁信号与地震的相关性研究中也取得了一定的成果。
不过,由于各类电磁信号的异常在时间、空间上受到地震的震中、大小等因素的影响,使得异常表现形式多样、非常复杂,所以要通过地震电磁信号进行地震预测,重点还是在于如何从电磁信号中提取出与地震有关的异常。目前传统的地震预测方法有动物监测法、水文监测法、历史地震目录规律法等。动物可能因为其他原因而焦躁和不安,震前水文变化的独有特征并不明显,而历史地震目录是试图去寻求地震的周期性规律,而实践也证明总体来说它们的准确度仍有待提高。
发明内容
基于此,本发明实施例提供一种基于异常时空图的周尺度地震预测方法及系统,以提高地震预测的准确性。
为实现上述目的,本发明提供了如下方案:
一种基于异常时空图的周尺度地震预测方法,包括:
获取目标区域内各地震监测点在当前时间段的地震前兆信号;所述当前时间段的时长为一周;
采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性;
对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对;
根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果;所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。
可选的,所述采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,具体包括:
对所述地震前兆信号进行特征提取,得到特征值;
采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。
可选的,所述采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值,具体包括:
确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值;
计算每个所述地震监测点的当前时间序列的局部协方差矩阵;
根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵;
对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。
可选的,所述根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果,具体包括:
统计当前时间段内目标等级对应的监测点对的数量;
判断所述数量是否小于设定值;
若是,则预测下一时间段不会发生地震;
若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
可选的,所述对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对,具体包括:
以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级;
判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
本发明还提供了一种基于异常时空图的周尺度地震预测系统,包括:
前兆信号获取模块,用于获取目标区域内各地震监测点在当前时间段的地震前兆信号;所述当前时间段的时长为一周;
异常值计算模块,用于采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性;
监测点对确定模块,用于对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对;
地震预测模块,用于根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果;所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。
可选的,所述异常值计算模块,具体包括:
特征提取单元,用于对所述地震前兆信号进行特征提取,得到特征值;
异常值确定单元,用于采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。
可选的,所述异常值确定单元,具体包括:
时间序列确定子单元,用于确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值;
协方差矩阵计算子单元,用于计算每个所述地震监测点的当前时间序列的局部协方差矩阵;
特征矩阵计算子单元,用于根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵;
夹角计算子单元,用于对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。
可选的,所述地震预测模块,具体包括:
数量统计单元,用于统计当前时间段内目标等级对应的监测点对的数量;
数量判断单元,用于判断所述数量是否小于设定值;
地震预测单元,用于若是,则预测下一时间段不会发生地震;若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
可选的,所述监测点对确定模块,具体包括:
等级划分单元,用于以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级;
监测点对确定单元,用于判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
与现有技术相比,本发明的有益效果是:
本发明实施例提出了一种基于异常时空图的周尺度地震预测方法及系统,采用局部相关跟踪方法,基于地震前兆信号计算在当前时间段每两个地震监测点之间的异常值,并由所有的异常值构建异常时空图,根据当前时间段的异常时空图中的异常值对应的监测点对在各个异常程度等级的分布比例,预测是否发生地震以及发生地震时的震级,本发明基于采用局部相关跟踪方法得到的异常值实现地震的预测,能提高地震预测的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于异常时空图的周尺度地震预测方法的流程图;
图2为本发明实施例提供的五个地震监测点(台站)的电磁信号曲线图;
图3为本发明实施例提供的根据五个台站的地震前兆信号计算得出的异常值示意图;
图4为本发明实施例提供的一段时间内的异常值的划分示意图;
图5本发明实施例提供的区域内所有台站的地理分布示意图;
图6为本发明实施例提供的基于异常时空图的周尺度地震预测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的基于异常时空图的周尺度地震预测方法的流程图。参见图1,本实施例的地震预测方法,包括:
步骤101:获取目标区域内各地震监测点在当前时间段的地震前兆信号。
其中,地震前兆信号包括但不限于地声、电磁信号、地磁场和地下电阻率等监测信号。地震千兆信号的属性包括幅值、振铃计数、主频率成分等。本实施例以电磁信号为例,进行后续的步骤,实现地震预测,图2示出了五个地震监测点(台站)的电磁信号曲线,其中横坐标为日期,纵坐标为该台站的观测值(地震前兆信号),其中,图2的(a)、(b)、(c)、(d)、(e)部分分别对应台站MX、JZG、SP、PW、QC在2017.07.14-2017.08.13时间段的地震前兆信号。
其中,地震监测点(观测台站)的布设方式可采用固定监测点,也可采用流动监测点;固定监测点可实现长期的稳定的监测,基于丰富的多台站观测数据可计算并发现更多的异常信号。地震监测点的布设密度取决于临震的精度要求,精度越高,地震监测点布设密度越高。
地震检测点处可采用AETA系统实现地震前兆信号(例如,电磁信号)的采集。AETA系统是北京大学深圳研究生院集成微系统实验室研制的一套可实现多分量地震信号采集及实时处理分析的软硬件综合系统,其设备相对便携,且可以适应无线与有线网络环境,所以容易实现观测台站的大规模高密度布设。该系统目前具有自研传感器电磁探头与地声探头,分别可以连续采集电磁信号与地声波信号。上述两种探头一般采用浅表安装的方式,即埋在地下1-2米深处,其中电磁探头也可以用于地表上的流动监测,所以可以完成一些电磁的流动监测工作。探头采集的数据传输至地表上的数据处理终端,进行基本的抽样滤波处理后通过网络传送至云端服务器,并在云端服务器进行特征数据的提取与存储,之后可发送到网页端和客户端进行数据的展示。最后研究人员通过数据分析系统研究AETA数据与地震活动的相关性,从而探究地震的预测问题。
其中,当前时间段和下一时间段的时长可以为一周。本实施例可以实现周尺度的地震预测,即以周为单位持续性地观测地磁信号,并预测下一周是否会发生地震,本实施例可以进行后续持续性地地震预测,实现长期的地震预测。
步骤102:采用局部相关跟踪方法(Local Correlation Tracking,LCT),基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性。
地震前兆信号的异常变化包括但不限于变大、变小、向上脉冲、向下脉冲、波动规律变化,因此,本实施例采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值。
异常值的计算使用了局部相关跟踪方法,该方法是对常规线性相关方法的改进,此方法与常规线性相关方法的不同点在于,增加了滑动时间窗口,因此它计算的是两个时间序列各自在每个时间窗口所对应的局部协方差矩阵之间的相关性。
其中,步骤102,具体包括:
基于主成分分析方法、分形维数分析方法或滑动四分位分析方法等方法对所述地震前兆信号进行特征提取,得到特征值;采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。其中,采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值,具体包括:
1)确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值。
2)计算每个所述地震监测点的当前时间序列的局部协方差矩阵。
使用滑动时间窗口,以此来划分每个时间序列在t时刻的数据。本实施例选用的滑动时间窗口为指数衰减窗口,即对于每个t时刻,在时间段内所有的滑动时间窗口均乘以指数式的权重系数。其中,距离t时刻更近的窗口将被赋予更大的指数权重,反之距离t时刻更远的窗口将被赋予更小的指数权重。
定义某个时间序列在t时刻的局部协方差矩阵为:
其中,X表示某个地震监测点的当前时间序列,表示时间序列X在t时刻的局部协方差矩阵。τ为从1到t的时刻,表示时间序列X从时刻τ开始,时间窗口长度为ω的子序列。β是系数参数,一般取自然底数e;ω是滑动时间窗口的长度,本实施例取24小时。
若两个所述地震监测点的当前时间序列为X和Y,通过将两个当前时间序列通过上式的定义计算后,可以得到它们各自在t时刻的局部协方差矩阵。下面使用奇异值分解的操作,得到两时间序列各自的局部协方差矩阵和,奇异值分解,就是将矩阵M分解为三个矩阵的乘积,即M=U*Σ*V。矩阵Σ的对角线上的元素等于M的奇异值。U和V的列分别是奇异值中的左、右奇异向量。以此类推,和的计算如下:
3)根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵。特征矩阵的计算公式为:
其中,U X 表示前时间序列X对应的特征矩阵;U Y 表示前时间序列Y对应的特征矩阵;将U_X中的所有的向量按照由大到小的顺序进行排列,得到向量序列,并在向量序列中选取前k个向量构成矩阵U k ,因此,U k 是U_X的前k个较大的向量组成的矩阵;l表示截取的时间序列长度,l为一个参数;k表示选取的较大的特征向量的个数,k为一个参数。
4)对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。当前时间段内所有的异常值构成当前时间段的异常时空图,异常时空图的横坐标为时间,异常时空图的纵坐标为各个时刻对应的异常值。
具体的,将前时间序列X的主特征向量u x 右乘U Y 得到第一空间投影,将u y 右乘U X 得到第二空间投影。第一空间投影为一个地震监测点的前时间序列X的主特征向量在另一个地震监测点的当前时间序列Y对应的特征矩阵构成的空间span(U Y )上的投影;第二空间投影为另一个地震监测点的前时间序列Y的主特征向量在一个地震监测点的当前时间序列X对应的特征矩阵构成的空间span(U X )上的投影。
图3展示了图2中五个台站前兆信号计算得出的异常值。横坐标为日期,纵坐标为异常值,其表示异常程度,异常值越小,异常越严重。
步骤103:对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对。
其中,步骤103,具体包括:
以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级;判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
步骤104:根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果。
所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。其中,目标等级为异常值小于或等于0.08对应的异常程度等级。
其中,步骤104,具体包括:
统计当前时间段内目标等级对应的监测点对的数量,并判断所述数量是否小于设定值(例如,10)。若是,则预测下一时间段不会发生地震;若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
其中,地震预测模型的确定过程为:
每周周日,对台站收集到的电磁信号的异常值进行定量的评定。具体的:
1、分别计算两两台站之间过去一周的天异常值,此异常值分布在[0,1]区间,且越小代表异常程度越严重。
2、对异常程度等级进行划分,按照每0.04一个区间进行等级划分。统计异常值小于或等于0.08,即前两个等级的台站对数量。
3、将所有计算得到的异常值的各个等级的台站分布比例作为样本集合进行机器学习算法的训练。训练的标签为震级,即地震的严重程度,训练样本为2019年至2020年的数据。训练输出是预测的地震震级。
4、确定异常位置为两台站连线中点。
图4展示了对于一段时间内的异常值的划分。对于每一天内的异常值,取中位数作为当天的异常值。针对异常值高低,确认异常程度等级。
在实际应用中,计算出当前时间度的异常值后,首先统计异常值小于0.08的台站对数量,以为后续做出临震预测。若此数量小于10,则预测下周无震;否则预测有震,将统计各异常等级台站比例,输入上述训练好的地震预测模型,输出震级预测结果,然后绘制地区异常情况分布图,以此预测震中高风险地区。
图5展示了区域内所有台站的地理分布。最高级别异常点的地理中心就是震中高风险坐标。最后统计各个异常等级台站对数量所占比例,高异常等级台站占比越高,震级预测也越高。
本实施例对2021年4月1日至2021年10月31日川滇地区进行了长期跟踪预测,共预报川滇地区地震18次,实际发生地震15次,有11次在发出预报后的一周内发生了真实地震。有2次震中误差低于10公里,有5次震中误差低于200公里。同时期的其他地震预测团队捕捉到的地震不超过8次,震中误差低于200公里的一般不超过3次。本实施例提供的方法在临震预测领域的预测精度较高。
采用上述地震预测模型对4.5级以上的震例进行分析,都能找到地震前一周内出现的异常,且对震中的预测误差非常小,对2019年凉山州西昌市5.1级地震的震中预测误差仅仅只有4.98km,对2019年绵阳市安州区4.6级地震的震中预测误差也只有9.99km。所有震例的预测震中误差基本都在50~200km以内。相对传统的基于地震前兆信号的预测有明显的优势。
在地震发生前,震中附近地质活动更活跃,释放与地质活动性相关的信号也相对显著和丰富。本实施例提供的地震预测方法,通过在地面布设地震前兆信号的监测点,构建前兆信号变化和台站与台站之间信号的相关性和变异性,帮助判断所处区域内的地震风险。该方法预测地震精确的且具有时效性。
本实施例的地震预测方法,具有如下优点:
1、临震预测准确率高,能实现无损勘探,不会对被测点附近地表和建筑产生任何损害,不仅能在野外布设探测点,也能在城市布设探测点。
2、能长期持续性地观测地磁信号,并以周为单位持续性地计算和公布预测结果。
本发明还提供了一种基于异常时空图的周尺度地震预测系统,图6为本发明实施例提供的基于异常时空图的周尺度地震预测系统的结构图。参见图6,所述系统,包括:
前兆信号获取模块201,用于获取目标区域内各地震监测点在当前时间段的地震前兆信号;所述当前时间段的时长为一周。
异常值计算模块202,用于采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性。
监测点对确定模块203,用于对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对。
地震预测模块204,用于根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果;所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。
在一个示例中,所述异常值计算模块202,具体包括:
特征提取单元,用于对所述地震前兆信号进行特征提取,得到特征值。
异常值确定单元,用于采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。
在一个示例中,所述异常值确定单元,具体包括:
时间序列确定子单元,用于确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值。
协方差矩阵计算子单元,用于计算每个所述地震监测点的当前时间序列的局部协方差矩阵。
特征矩阵计算子单元,用于根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵。
夹角计算子单元,用于对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。
在一个示例中,所述地震预测模块204,具体包括:
数量统计单元,用于统计当前时间段内目标等级对应的监测点对的数量;
数量判断单元,用于判断所述数量是否小于设定值。
地震预测单元,用于若是,则预测下一时间段不会发生地震;若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
在一个示例中,所述监测点对确定模块203,具体包括:
等级划分单元,用于以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级。
监测点对确定单元,用于判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于异常时空图的周尺度地震预测方法,其特征在于,包括:
获取目标区域内各地震监测点在当前时间段的地震前兆信号;所述当前时间段的时长为一周;
采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性;
对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对;
根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果;所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。
2.根据权利要求1所述的一种基于异常时空图的周尺度地震预测方法,其特征在于,所述采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,具体包括:
对所述地震前兆信号进行特征提取,得到特征值;
采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。
3.根据权利要求2所述的一种基于异常时空图的周尺度地震预测方法,其特征在于,所述采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值,具体包括:
确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值;
计算每个所述地震监测点的当前时间序列的局部协方差矩阵;
根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵;
对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。
4.根据权利要求1所述的一种基于异常时空图的周尺度地震预测方法,其特征在于,所述根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果,具体包括:
统计当前时间段内目标等级对应的监测点对的数量;
判断所述数量是否小于设定值;
若是,则预测下一时间段不会发生地震;
若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
5.根据权利要求1所述的一种基于异常时空图的周尺度地震预测方法,其特征在于,所述对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对,具体包括:
以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级;
判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
6.一种基于异常时空图的周尺度地震预测系统,其特征在于,包括:
前兆信号获取模块,用于获取目标区域内各地震监测点在当前时间段的地震前兆信号;所述当前时间段的时长为一周;
异常值计算模块,用于采用局部相关跟踪方法,基于所述地震前兆信号计算在当前时间段每两个所述地震监测点之间的异常值,并由所有的异常值构建异常时空图;所述异常值表示两个所述地震监测点的地震前兆信号之间的相关性;
监测点对确定模块,用于对所述异常时空图中的异常值按照异常程度等级进行划分,得到当前时间段内各个所述异常程度等级对应的监测点对;每个所述异常值对应的两个所述地震监测点为一个所述监测点对;
地震预测模块,用于根据当前时间段内目标等级对应的监测点对的数量以及当前时间段内每个所述异常程度等级对应的监测点对的分布比例,得到下一时间段的地震预测结果;所述目标等级为小于或等于设定等级的异常程度等级;所述地震预测结果包括不发生地震和发生地震时的震级。
7.根据权利要求1所述的一种基于异常时空图的周尺度地震预测系统,其特征在于,所述异常值计算模块,具体包括:
特征提取单元,用于对所述地震前兆信号进行特征提取,得到特征值;
异常值确定单元,用于采用局部相关跟踪方法,基于所述特征值计算在当前时间段每两个所述地震监测点之间的异常值。
8.根据权利要求7所述的一种基于异常时空图的周尺度地震预测系统,其特征在于,所述异常值确定单元,具体包括:
时间序列确定子单元,用于确定每个所述地震监测点的当前时间序列;所述当前时间序列为当前滑动时间窗口所对应的特征值;
协方差矩阵计算子单元,用于计算每个所述地震监测点的当前时间序列的局部协方差矩阵;
特征矩阵计算子单元,用于根据所述局部协方差矩阵计算每个所述地震监测点的当前时间序列对应的特征矩阵;
夹角计算子单元,用于对于任意两个所述地震监测点,计算一个地震监测点的主特征向量与空间投影之间的夹角,并将所述夹角的余弦值作为两个所述地震监测点之间的异常值;所述主特征向量为所述特征矩阵中最大的特征向量;所述空间投影为一个地震监测点的主特征向量在另一个地震监测点对应的特征矩阵构成的空间上的投影。
9.根据权利要求6所述的一种基于异常时空图的周尺度地震预测系统,其特征在于,所述地震预测模块,具体包括:
数量统计单元,用于统计当前时间段内目标等级对应的监测点对的数量;
数量判断单元,用于判断所述数量是否小于设定值;
地震预测单元,用于若是,则预测下一时间段不会发生地震;若否,则确定当前时间段内每个所述异常程度等级对应的监测点对的分布比例,并将所述分布比例输入地震预测模型,得到发生地震时的震级。
10.根据权利要求6所述的一种基于异常时空图的周尺度地震预测系统,其特征在于,所述监测点对确定模块,具体包括:
等级划分单元,用于以0.04为间隔,将区间[0,1]划分为多个小区间;每个所述小区间为一个异常程度等级;
监测点对确定单元,用于判断所述异常时空图中各个所述异常值所属的异常程度等级,并根据判断结果确定各个所述异常程度等级对应的监测点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504562.6A CN114167488A (zh) | 2021-12-10 | 2021-12-10 | 一种基于异常时空图的周尺度地震预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504562.6A CN114167488A (zh) | 2021-12-10 | 2021-12-10 | 一种基于异常时空图的周尺度地震预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167488A true CN114167488A (zh) | 2022-03-11 |
Family
ID=80485463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111504562.6A Pending CN114167488A (zh) | 2021-12-10 | 2021-12-10 | 一种基于异常时空图的周尺度地震预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167488A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199084A (zh) * | 2014-08-29 | 2014-12-10 | 中国石油大学(华东) | 一种基于热红外异常信号与小波神经网络的地震预测方法 |
CN106199683A (zh) * | 2016-07-04 | 2016-12-07 | 曾雄飞 | 一种基于共振包波谱监测数据的地震预测方法 |
CN109001792A (zh) * | 2018-06-08 | 2018-12-14 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
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 |
US20200233106A1 (en) * | 2016-11-28 | 2020-07-23 | Kyoto University | Abnormality Detection Apparatus, Communication Apparatus, Abnormality Detection Method, and Recording Medium |
-
2021
- 2021-12-10 CN CN202111504562.6A patent/CN114167488A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199084A (zh) * | 2014-08-29 | 2014-12-10 | 中国石油大学(华东) | 一种基于热红外异常信号与小波神经网络的地震预测方法 |
CN106199683A (zh) * | 2016-07-04 | 2016-12-07 | 曾雄飞 | 一种基于共振包波谱监测数据的地震预测方法 |
US20200233106A1 (en) * | 2016-11-28 | 2020-07-23 | Kyoto University | Abnormality Detection Apparatus, Communication Apparatus, Abnormality Detection Method, and Recording Medium |
CN109001792A (zh) * | 2018-06-08 | 2018-12-14 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
CN109085641A (zh) * | 2018-08-02 | 2018-12-25 | 北京大学深圳研究生院 | 用于地震预报的监测数据处理方法、地震预报方法和系统 |
Non-Patent Citations (1)
Title |
---|
李建凯 等: "主成分分析法和局部互相关追踪法在地震电磁信号提取与分析中的应用", 地震地质, vol. 39, no. 3, pages 517 - 535 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085641B (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 | |
Mittal et al. | Indian national strong motion instrumentation network and site characterization of its stations | |
CN112099110B (zh) | 基于机器学习和遥感数据的海洋内波预报方法 | |
Ringler et al. | The data quality analyzer: A quality control program for seismic data | |
Liu et al. | A non-uniform spatiotemporal kriging interpolation algorithm for landslide displacement data | |
CN107784165A (zh) | 基于光伏电站的地表温度场多尺度资料同化方法 | |
CN109490985A (zh) | 一种地球物理勘测系统和方法 | |
Chen et al. | Fault‐Slip Distribution of the 1999 M w 7.1 Hector Mine Earthquake, California, Estimated from Postearthquake Airborne LiDAR Data | |
Chen et al. | The smoothness of HASM | |
Liu et al. | Comparison of spatial interpolation methods based on ArcGIS | |
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 | |
Phelps et al. | Exploring viable geologic interpretations of gravity models using distance-based global sensitivity analysis and kernel methods | |
CN114167488A (zh) | 一种基于异常时空图的周尺度地震预测方法及系统 | |
CN116540316A (zh) | 基于svm分类算法及聚类算法地质土层测试方法 | |
CN114488327B (zh) | 基于地面基点的水平磁场与井中垂直磁场联合测量方法 | |
CN114371504B (zh) | 一种地震震中位置确定方法、装置、设备及可读存储介质 | |
GB2583906A (en) | Method of estimating a mineral content of a geological structure | |
Rahimi et al. | On the extraction of co-seismic signal for the Kuril Island earthquakes using GRACE observations | |
Bataleva et al. | On the relationship of the extrema of lunar-solar tidal influences and seismic events | |
CN111190219B (zh) | 用于地震预报的监测数据处理方法 | |
Tiampo et al. | Optimization of seismicity-based forecasts | |
Ozerdem et al. | Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns | |
Lomax et al. | High-precision, absolute earthquake location using source-specific station terms and inter-event waveform similarity | |
CN105549105B (zh) | 一种短基线相对轨道摄动重力场测量性能的评估方法 | |
CN114371519B (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240531 |