CN114236604A - 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 PDF

Info

Publication number
CN114236604A
CN114236604A CN202111561323.4A CN202111561323A CN114236604A CN 114236604 A CN114236604 A CN 114236604A CN 202111561323 A CN202111561323 A CN 202111561323A CN 114236604 A CN114236604 A CN 114236604A
Authority
CN
China
Prior art keywords
seismic
data
earthquake
lct
abnormal
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
CN202111561323.4A
Other languages
English (en)
Other versions
CN114236604B (zh
Inventor
雍珊珊
谢锦汉
何春舅
王新安
张馨宝
马一中
刘一宾
鲍振宇
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN202111561323.4A priority Critical patent/CN114236604B/zh
Publication of CN114236604A publication Critical patent/CN114236604A/zh
Application granted granted Critical
Publication of CN114236604B publication Critical patent/CN114236604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (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，首先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;然后依据每个地震监测点的地震前兆监测数据获取相对应的地震前兆特征数据；再依据每个地震监测点的地震前兆特征数据获取相对应的地震特征异常数据；最后根据LCT算法分别对每两个地震监测点的地震特征异常数据进行LCT异常数据的计算，以用于依据LCT异常数据进行地震预报。由于通过对地震特征异常数据进行LCT异常数据的计算，进而构建出地震前兆监测数据的变化和地震监测点相互之间的相关性和变异性，帮助判断监测区域中的地震风险，实践证明该方法对地震预测是精确的、且具有时效性。

Description

用于地震预报的监测数据处理方法、地震预报方法和系统
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;
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包括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；
依据每个所述地震监测点的所述地震前兆特征数据，获取相对应所述地震监测点的地震特征异常数据；所述地震特征异常数据用于表征所述地震前兆特征数据的波动性；
根据LCT算法分别对每两个所述地震监测点的所述地震特征异常数据进行计算，以获取LCT异常数据；
依据所述LCT异常数据进行地震预报。
根据第二方面，一种实施例中提供一种地震预报方法，包括：
在预监测区域设定至少两个地震监测点；
获取每个所述地震监测点在相同预设时间段内的地震前兆监测数据；
采用第一方面所述的监测数据处理方法分析所述地震前兆监测数据。
据第三方面，一种实施例中提供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如第一方面和第二方面所述的方法。
根据第四方面，一种实施例中提供一种地震预报系统，包括：
至少两个设定在预监测区域内的地震监测点，所述地震监测点用于监测并获取相同预设时间段内的地震前兆监测数据；
前兆特征获取模块，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包括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；所述统计值特性包括幅值、振铃计数、主频率成份和/或周期性；
特征异常数据获取模块，用于依据每个所述地震监测点的所述地震前兆特征数据，获取相对应所述地震监测点的地震特征异常数据；所述地震特征异常数据用于反应所述地震前兆特征数据的波动性；所述地震特征异常数据包括在所述预设时间段内所述地震前兆特征数据的增大、减少、向上脉冲、向下脉冲和/或波动规律的变化；所述地震特征异常数据还包括基于主成分分析方法、分形维数分析方法和/或滑动四分位分析方法分析所述地震前兆特征数据识别出来的特征值异常变化；
LCT异常数据获取模块，用于应用LCT算法分别对每两个所述地震监测点的所述地震特征异常数据进行计算，以获取所述LCT异常数据；
结果输出模块，用于依据所述LCT异常数据进行地震预报。
依据上述实施例的监测数据处理方法，由于通过对地震特征异常数据进行LCT异常数据的计算，进而构建出地震前兆监测数据的变化和地震监测点相互之间的相关性和变异性，帮助判断监测区域中的地震风险，实践证明该方法对地震预测是精确的、且具有时效性。
附图说明
图1为一种实施例的地震预报系统的结构示意图；
图2为一种实施例中监测数据处理方法的流程示意图；
图3为一种实施例中五个地震监测点的地震前兆异常数据曲线图；
图4为使用LCT算法五个地震监测点两两监测点地震前兆异常数据之间的异常值计算结果示意图；
图5为一种实施例中LCT异常数据以前划分的示例图；
图6为一种实施例中LCT异常数据分布图。
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）。
在20 世纪80 年代，地震预测的科学研究集中在经验分析上，即试图找出地震的独特前兆，或地震前可能发生的一些地球物理趋势或地震活动模式。其基本思想是观察一个前兆，并以高可靠性和准确性发出警报。2011 年，国际民防地震预报委员会（ICEF）审查并确定了一些前兆方法，包括近地表及其上方的电磁变化、地震波速和电导率的变化、地震活动性图像等。近年，国际上杰出的研究成果一般产出于人工智能，即地震前兆与人工智能技术相结合的跨学科研究中。现阶段，机器学习模型在地震预测方面的成果主要聚焦在在长、中、短期预测，而在临震预测中鲜有涉及。而作为一种在各领域表现突出的统计学方法，机器学习在该方向的也许会得到不错的结果。因此，在本申请实施例中，公开一种基于AETA数据的临震特征，以天为单位计算异常时空图，并基于此使用机器学习方法建模进行临震预测。该种基于异常时空图的天尺度地震预测模型具有良好的映震效果与预测地震三要素的能力，为基于AETA电磁数据与地震相关性的研究带来了一定的进展。在实际应用中，通过该模型对4.5级以上的震例进行分析，都能找到地震前一天内出现的异常，且对震中的预测误差非常小，相对传统的基于地震前兆信号的预测有明显的优势。
实施例一
请参考图1，为一种实施例的地震预报系统的结构示意图，该地震预报系统包括多个地震监测点10、前兆特征获取模块20、特征异常数据获取模块30、LCT异常数据获取模块40和结果输出模块50。其中，地震监测点10至少两个，分别设定在预监测区域内，用于监测并获取相同预设时间段内的地震前兆监测数据。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。前兆特征获取模块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的地震前兆特征数据。地震前兆特征数据包括对地震前兆监测数据进行数据统计获得的统计值特性，该统计值特性包括幅值、振铃计数、主频率成份和/或周期性等。特征异常数据获取模块30用于依据每个地震监测点10的地震前兆特征数据，获取相对应地震监测点的地震特征异常数据。其中，地震特征异常数据用于反应地震前兆特征数据的波动性。地震特征异常数据包括在预设时间段内地震前兆特征数据的增大、减少、向上脉冲、向下脉冲和/或波动规律的变化。地震特征异常数据还包括基于主成分分析方法、分形维数分析方法和/或滑动四分位分析方法分析地震前兆特征数据识别出来的特征值异常变化。LCT异常数据获取模块40用于应用LCT算法分别对每两个地震监测点10的地震特征异常数据进行计算，以获取LCT异常数据。结果输出模块50用于依据LCT异常数据进行地震预报。地震预报包括预发生地震的发震时间、震中和/或震级。
在本申请一实施例中，还公开了一种用于地震预报的监测数据处理方法，请参考图2，为一种实施例中监测数据处理方法的流程示意图，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。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等。
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，地震前兆特征数据包括对地震前兆监测数据进行数据统计获得的统计值特性，该统计值特性包括幅值、振铃计数、主频率成份和/或周期性等。
步骤300，获取地震前兆异常数据。
依据每个地震监测点的地震前兆特征数据，获取相对应地震监测点的地震特征异常数据。地震特征异常数据用于表征地震前兆特征数据的波动性。一实施例中，地震特征异常数据包括在预设时间段内地震前兆特征数据的增大、减少、向上脉冲、向下脉冲和/或波动规律的变化。一实施例中，地震特征异常数据包括基于主成分分析方法、分形维数分析方法和/或滑动四分位分析方法分析地震前兆特征数据识别出来的特征值异常变化。
步骤400，获取LCT异常数据。
根据LCT算法分别对每两个地震监测点的地震特征异常数据进行计算，以获取LCT异常数据，包括：
对两个地震监测点的所述地震特征异常数据分别构建时间序列X和时间序列Y，通过奇异值分解获取时间序列X和时间序列Y的局部协方差矩阵
Figure 785916DEST_PATH_IMAGE001
和
Figure 100002_DEST_PATH_IMAGE002
，用公式表示为：
Figure 234214DEST_PATH_IMAGE003
，
Figure 100002_DEST_PATH_IMAGE004
；
其中，U_X是局部协方差矩阵
Figure 59957DEST_PATH_IMAGE005
的左奇异向量矩阵，V_XT是
Figure 100002_DEST_PATH_IMAGE006
的右奇异向量矩阵，U_Y是局部协方差矩阵
Figure 314221DEST_PATH_IMAGE007
的左奇异向量矩阵，V_YT是
Figure 100002_DEST_PATH_IMAGE008
的右奇异向量矩阵，Σ为相应的奇异值矩阵。
时间序列X和时间序列Y的最大特征值分别对应特征向量为ux和特征向量为uy，则时间序列X和时间序列Y的主特征向量矩阵UX和主特征向量为UY表示为：
Figure 722068DEST_PATH_IMAGE009
，
Figure 100002_DEST_PATH_IMAGE010
；
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为预设的一个参数；k表示选取的较大的特征向量的个数，k为预设的一个参数。
将ux右乘UY,并将uy右乘UX，得到UT Yux和UT Xuy；其中，UT Yux是表示特征向量为ux在由主特征向量矩阵UX构成的空间span（UY）的投影，UX Tuy是表示特征向量为uy在由主特征向量为UY构成的空间span（UX）的投影，则它们之间各自的夹角表示为：
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
；
其中，θ1为特征向量为ux与UT Yux的夹角，θ2为特征向量为uy与UT Xuy的夹角；
再依据│cosθ1│值或│cosθ2│值获取LCT异常数据；其中，LCT异常数据是│cosθ1│值或│cosθ2│值在时间轴上的变化曲线。
步骤500，输出地震预测结果。
依据LCT异常数据进行地震预报，包括：
对每个LCT异常数据进行统计分析，以获取异常统计分析结果，再依据异常统计分析结果进行地震预报。一实施例中，获取异常统计分析结果包括对单位时间内的LCT异常数据取中间值作为该单位时间内的LCT异常分数。LCT异常分数用于反应LCT异常数据在该单位时间段的异常程度等级。将每个LCT异常分数作为异常统计分析结果。一实施例中，依据异常统计分析结果进行地震预报，包括：
对LCT异常分数的取值范围按预发生地震的级数进行区间划分，以获取地震级数分布区间。
依据获取的LCT异常分数所在的地震级数分布区间进行预发生地震的地震级数预报；
依据在相同地震级数分布区间内的每个LCT异常分数所对应的每个地震监测点所在的地理位置，进行预发生地震的地理位置预报；
当LCT异常分数大于一预预设的地震临界值时，则将LCT异常分数对应的LCT异常数据的获取日期延续一预设的预测缓冲时间的日期作为预发生地震的地震时间。
在本申请实施例中还公开了一种地震预报方法，包括如上所述的监测数据处理方法，首先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;然后依据每个地震监测点的地震前兆监测数据获取相对应的地震前兆特征数据；再依据每个地震监测点的地震前兆特征数据获取相对应的地震特征异常数据；最后根据LCT算法分别对每两个地震监测点的地震特征异常数据进行LCT异常数据的计算，以用于依据LCT异常数据进行地震预报。由于通过对地震特征异常数据进行LCT异常数据的计算，进而构建出地震前兆监测数据的变化和地震监测点相互之间的相关性和变异性，帮助判断监测区域中的地震风险，实践证明该方法对地震预测是精确的、且具有时效性。
下面再举一实际应用中的具体实施例：
在目标区域布设了地震监测点；监测获取的地震前兆数据包括但不限于地声、电磁扰动、地磁场、地下电阻率、应力应变、GPS形变、同位素变化、地下流体变化等。地震监测点布设方式可采用固定监测点，也可采用流动监测点。监测点的布设密度取决于临震的精度要求，精度越高，监测点布设密度越高。固定的地震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。地震特征数据的特征值包括幅值、振铃计数、主频率成分等。地震特征异常数据为特征值的异常变化，特征值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，以及基于主成分分析方法、分形维数分析方法、滑动四分位分析方法等分析方法识别出来的特征值异常变化。
请参考图3，为一种实施例中五个地震监测点的地震前兆异常数据曲线图，其中，(a)、(b)、(c)、(d)和(e)分别是MX、JZG、SP、PW和QC五个地震监测点经过归一化后的地震前兆异常数据，横坐标为日期，纵坐标为异常程度，值越小，异常越严重。使用LCT算法对任意两个地震监测点的地震前兆异常数据进行计算，获取两个地震监测点的LCT异常数据。请参考图4，为使用LCT算法五个地震监测点两两监测点地震前兆异常数据之间的异常值计算结果示意图，对五个地震监测点两两监测点的地震前兆异常数据之间的异常值计算获取十组结果数据。
LCT算法的异常计算使用了局部相关跟踪方法(Local Correlation Tracking,LCT)，它是对常规线性相关方法的改进。此方法的不同点在于，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。对于任意一个待分析的时间序列X来说，它在t时刻的局部协方差矩阵就能够由下式来表示：
Figure DEST_PATH_IMAGE013
；
Figure DEST_PATH_IMAGE014
；
将两个待分析的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。接下来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
Figure 128820DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE016
为：
Figure 989329DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE018
；
其中，它们各自最大的特征值对应的特征向量为ux和uy。它们各自的“主特征向量”矩阵UX和UY为：
Figure 781704DEST_PATH_IMAGE019
；
Figure DEST_PATH_IMAGE020
；
然后，分别将ux右乘UY、将uy右乘UX，得到UT Yux和UT Xuy。上述右乘的操作可以理解为投影的概念，也就是说，UT Yux和UT Xuy是ux和uy在由UY和UX构成的空间span(UY)和span(UX)的投影，因此它们之间各自的夹角可以表示为：
Figure 293326DEST_PATH_IMAGE021
；
Figure DEST_PATH_IMAGE022
；
假如两个时间序列X,Y存在LCT相关性，ux和span(UY)夹角θ1、uy和span(UX)的夹角θ2就都会接近零，即它们所对应的│cosθ1│和│cosθ2│就会接近1，如下式所示：
Figure 145744DEST_PATH_IMAGE023
；
Figure DEST_PATH_IMAGE024
；
下面对LCT异常数据定量的评定，具体包括：
分别计算两两地震监测点之间过去一天的天异常值，此异常值分布在[0,1]区间，且越小代表异常程度越严重。
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0.08，即前两个等级的地震监测点成对的数量。
将所有计算得到的LCT异常结果的各个等级地震监测点分布比例作为样本集合进行机器学习算法训练。训练的标签为震级，即地震的严重程度，训练输出是预测的地震震级。
确定异常位置为两地震监测点连线中点，确定震中。
请参考图5，为一种实施例中LCT异常数据以前划分的示例图，展示了对于一段时间内的LCT异常数据划分。对于每一天内的LCT异常分数，取中位数作为当天的LCT异常分数。针对异常分数高低，确认异常程度等级。
计算LCT异常分数后，统计异常值小于0.08的台站对数量，以此为依据做出临震预测。若此数量小于10，则预测下一天无震，否则预测有震。然后绘制地区异常情况分布图，以此预测震中高风险地区。统计各异常地震监测点比例，输入训练好的模型中，输出震级预测结果。
请参考图6，为一种实施例中LCT异常数据分布图，展示了区域内所有地震监测点对计算出的LCT异常分数及地理分布。颜色越深的点，表示的LCT异常越严重。对最高级别异常点进行统计，如果超出临界值，就做出临震预测，否则预测无震。同时，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地震监测点对数量所占比例，高异常等级地震监测点占比越高，震级预测也越高。
本申请公开的地震预报方法创新性地提出了基于地震前兆监测数据和前兆异常相关性分析的地震预测方法，本方法的临震预测准确率高，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，能长期持续性地观测地磁信号，并以天为单位持续性地计算和公布预测结果。
本申请一实施例公开的地震预报系统，首先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;然后依据每个地震监测点的地震前兆监测数据获取相对应的地震前兆特征数据；再依据每个地震监测点的地震前兆特征数据获取相对应的地震特征异常数据；最后根据LCT算法分别对每两个地震监测点的地震特征异常数据进行LCT异常数据的计算，以用于依据LCT异常数据进行地震预报。由于通过对地震特征异常数据进行LCT异常数据的计算，进而构建出地震前兆监测数据的变化和地震监测点相互之间的相关性和变异性，帮助判断监测区域中的地震风险，实践证明该方法对地震预测是精确的、且具有时效性。
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。
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 (10)

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;
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包括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；
依据每个所述地震监测点的所述地震前兆特征数据，获取相对应所述地震监测点的地震特征异常数据；所述地震特征异常数据用于表征所述地震前兆特征数据的波动性；
根据LCT算法分别对每两个所述地震监测点的所述地震特征异常数据进行计算，以获取LCT异常数据；
依据所述LCT异常数据进行地震预报。
2.如权利要求1所述的方法，其特征在于，所述根据LCT算法分别对每两个所述地震监测点的所述地震特征异常数据进行计算，以获取所述LCT异常数据,包括：
对两个所述地震监测点的所述地震特征异常数据分别构建时间序列X和时间序列Y，通过奇异值分解获取时间序列X和时间序列Y的局部协方差矩阵
Figure 861080DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
，用公式表示为：
Figure 43800DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
；
其中，U_X是局部协方差矩阵
Figure 682592DEST_PATH_IMAGE005
的左奇异向量矩阵，V_XT是
Figure 608959DEST_PATH_IMAGE005
的右奇异向量矩阵，U_Y是局部协方差矩阵
Figure DEST_PATH_IMAGE006
的左奇异向量矩阵，V_YT是
Figure 564277DEST_PATH_IMAGE006
的右奇异向量矩阵，Σ为相应的奇异值矩阵；
时间序列X和时间序列Y的最大特征值分别对应特征向量为ux和特征向量为uy，则时间序列X和时间序列Y的主特征向量矩阵UX和主特征向量为UY表示为：
Figure 917898DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
；
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为预设的一个参数；k表示选取的较大的特征向量的个数，k为预设的一个参数；
将ux右乘UY,并将uy右乘UX，得到UT Yux和UT Xuy；其中，UT Yux是表示特征向量为ux在由主特征向量矩阵UX构成的空间span（UY）的投影，UT Xuy是表示特征向量为uy在由主特征向量为UY构成的空间span（UX）的投影，则它们之间各自的夹角表示为：
Figure 637461DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
；
其中，θ1为特征向量为ux与UT Yux的夹角，θ2为特征向量为uy与UT Xuy的夹角；
再依据│cosθ1│值或│cosθ2│值获取所述LCT异常数据；其中，LCT异常数据是│cosθ1│值或│cosθ2│值在时间轴上的变化曲线。
3.如权利要求2所述的方法，其特征在于，所述依据LCT异常数据进行地震预报，包括：
对每个所述LCT异常数据进行统计分析，以获取异常统计分析结果；
依据所述异常统计分析结果进行地震预报。
4.如权利要求3所述的方法，其特征在于，所述对每个所述LCT异常数据进行统计分析，包括：
对单位时间内的所述LCT异常数据取中间值作为该单位时间内的LCT异常分数；所述LCT异常分数用于反应所述LCT异常数据在该单位时间段的异常程度等级；
将每个所述LCT异常分数作为所述异常统计分析结果。
5.如权利要求4所述的方法，其特征在于，所述依据所述异常统计分析结果进行地震预报，包括：
对所述LCT异常分数的取值范围按预发生地震的级数进行区间划分，以获取地震级数分布区间；依据获取的所述LCT异常分数所在的所述地震级数分布区间进行预发生地震的地震级数预报；
和/或，依据在相同所述地震级数分布区间内的每个所述LCT异常分数所对应的每个所述地震监测点所在的地理位置，进行预发生地震的地理位置预报；
和/或，当所述LCT异常分数大于一预预设的地震临界值时，则将所述LCT异常分数对应的LCT异常数据的获取日期延续一预设的预测缓冲时间的日期作为预发生地震的地震时间。
6.如权利要求1所述的方法，其特征在于，所述统计值特性包括幅值、振铃计数、主频率成份和/或周期性。
7.如权利要求1所述的方法，其特征在于，所述地震特征异常数据包括在所述预设时间段内所述地震前兆特征数据的增大、减少、向上脉冲、向下脉冲和/或波动规律的变化；
和/或，所述地震特征异常数据包括基于主成分分析方法、分形维数分析方法和/或滑动四分位分析方法分析所述地震前兆特征数据识别出来的特征值异常变化。
8.一种地震预报方法，其特征在于，包括：
在预监测区域设定至少两个地震监测点；
获取每个所述地震监测点在相同预设时间段内的地震前兆监测数据；
采用如权利要求1-7任一项所述的监测数据处理方法分析所述地震前兆监测数据。
9.一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1-8中任一项所述的方法。
10.一种地震预报系统，其特征在于，包括：
至少两个设定在预监测区域内的地震监测点，所述地震监测点用于监测并获取相同预设时间段内的地震前兆监测数据；
前兆特征获取模块，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包括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；所述统计值特性包括幅值、振铃计数、主频率成份和/或周期性；
特征异常数据获取模块，用于依据每个所述地震监测点的所述地震前兆特征数据，获取相对应所述地震监测点的地震特征异常数据；所述地震特征异常数据用于反应所述地震前兆特征数据的波动性；所述地震特征异常数据包括在所述预设时间段内所述地震前兆特征数据的增大、减少、向上脉冲、向下脉冲和/或波动规律的变化；所述地震特征异常数据还包括基于主成分分析方法、分形维数分析方法和/或滑动四分位分析方法分析所述地震前兆特征数据识别出来的特征值异常变化；
LCT异常数据获取模块，用于应用LCT算法分别对每两个所述地震监测点的所述地震特征异常数据进行计算，以获取所述LCT异常数据；
结果输出模块，用于依据所述LCT异常数据进行地震预报。
CN202111561323.4A 2021-12-20 2021-12-20 用于地震预报的监测数据处理方法、地震预报方法和系统 Active CN114236604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111561323.4A CN114236604B (zh) 2021-12-20 2021-12-20 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
CN202111561323.4A CN114236604B (zh) 2021-12-20 2021-12-20 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
CN114236604A true CN114236604A (zh) 2022-03-25
CN114236604B CN114236604B (zh) 2022-09-20

Family

ID=80759241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111561323.4A Active CN114236604B (zh) 2021-12-20 2021-12-20 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) CN114236604B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024078277A1 (zh) * 2022-10-11 2024-04-18 中国石油天然气股份有限公司 一种断层带内部结构的地震预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267763A (ja) * 2001-03-13 2002-09-18 Kiyoshi Wadatsumi 地震予知システム
CN108845348A (zh) * 2018-07-10 2018-11-20 北京大学深圳研究生院 用于地震预报的前兆数据处理方法、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
WO2019232791A1 (zh) * 2018-06-08 2019-12-12 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
CN111679315A (zh) * 2020-06-29 2020-09-18 核工业航测遥感中心 基于土壤氡地震前兆异常识别及地震预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267763A (ja) * 2001-03-13 2002-09-18 Kiyoshi Wadatsumi 地震予知システム
WO2019232791A1 (zh) * 2018-06-08 2019-12-12 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
CN108845348A (zh) * 2018-07-10 2018-11-20 北京大学深圳研究生院 用于地震预报的前兆数据处理方法、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
CN111679315A (zh) * 2020-06-29 2020-09-18 核工业航测遥感中心 基于土壤氡地震前兆异常识别及地震预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
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》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024078277A1 (zh) * 2022-10-11 2024-04-18 中国石油天然气股份有限公司 一种断层带内部结构的地震预测方法及系统

Also Published As

Publication number Publication date
CN114236604B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Bodin et al. Seismic tomography with the reversible jump algorithm
US10519766B2 (en) Reservoir modelling with multiple point statistics from a non-stationary training image
CN104749624B (zh) 一种地震岩相识别及其不确定性定量评价同步实现方法
CN112446559B (zh) 一种基于深度学习的大范围地面沉降时空预测方法和系统
CN109800954B (zh) 基于测井数据的储层评价方法
CN116665067B (zh) 基于图神经网络的找矿靶区优选系统及其方法
Chen et al. Global-search distributed-gauss-newton optimization method and its integration with the randomized-maximum-likelihood method for uncertainty quantification of reservoir performance
Steinberg et al. Estimation of seismic moment tensors using variational inference machine learning
CN109490985A (zh) 一种地球物理勘测系统和方法
CN117077554B (zh) 一种基于ConvGRU的三维咸潮预报方法
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
Wu et al. Augmenting seismic data using generative adversarial network for low-cost mems sensors
Naprstek et al. Convolutional neural networks applied to the interpretation of lineaments in aeromagnetic data
Kovitz et al. Spatial statistics of clustered data
CN112100906B (zh) 数据驱动的大尺度密度建模方法、计算设备及存储介质
Fuentes et al. Spatio-temporal seismicity prediction in Chile using a multi-column ConvLSTM
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
Fojtíková et al. Quantifying capability of a local seismic network in terms of locations and focal mechanism solutions of weak earthquakes
Phelps et al. Exploring viable geologic interpretations of gravity models using distance-based global sensitivity analysis and kernel methods
GB2583906A (en) Method of estimating a mineral content of a geological structure
Sorkhabi et al. Investigating the efficiency of deep learning methods in estimating GPS geodetic velocity
Fenwick et al. Using metric space methods to analyse reservoir uncertainty
Lomax et al. High-precision, absolute earthquake location using source-specific station terms and inter-event waveform similarity
Lin Predicting ionospheric precursors before large earthquakes using neural network computing and the potential development of an earthquake early warning system
Siddiquee et al. Septor: Seismic depth estimation using hierarchical neural networks

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