CN114298104B - 地震预警方法、装置、电子设备和计算机可读存储介质 - Google Patents
地震预警方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114298104B CN114298104B CN202111623482.2A CN202111623482A CN114298104B CN 114298104 B CN114298104 B CN 114298104B CN 202111623482 A CN202111623482 A CN 202111623482A CN 114298104 B CN114298104 B CN 114298104B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- seismic
- waveform data
- peak
- prediction
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提出一种地震预警方法、装置、电子设备和计算机可读存储介质,涉及地震预警领域。该方法通过对地震波相关数据进行预处理后,计算特征参数,并以此作为预测模型的输入,提高了预测结果的准确性,也提高了通过预测结果获取得到的地震警报级别以及地震潜在破坏区域的准确性,进而避免了后续发出的地震预警的警报信息存在一定的误报的问题。
Description
技术领域
本发明涉及地震预警领域,具体而言,涉及一种地震预警方法、装置、电子设备和计算机可读存储介质。
背景技术
地震预警是在地震发生后,基于地震发生地附近地震台站实时观测到的地震波初期信息,快速测定地震将要造成的影响,以便后续发出警报信息。
在现有技术中,根据地震波的平均周期和峰值位移与地震相关信息之间的经验回归关系进行预测,但是获得的地震相关信息的误差较大,使得依据经验回归关系确定的阈值在进行后续的进一步预测时,也存在较大的误差,进而使得后续发出的地震预警的警报信息存在一定的误报。
发明内容
有鉴于此,本发明的目的在于提供一种地震预警方法、装置、电子设备和计算机可读存储介质,以解决现有技术中,获得的地震预警结果误差较大的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供一种地震预警方法,所述方法包括:
获取地震波的三分向加速度波形数据和初始到达时刻;所述三分向加速度波形数据包括竖向加速度波形数据;
对所述竖向加速度波形数据进行预处理,得到目标波形数据;
根据所述初始到达时刻、所述三分向加速度波形数据、所述目标波形数据以及预设的时间窗长度计算特征参数;
将所述特征参数输入预设的预测模型中,得到预测结果;
根据所述预测结果获取地震警报级别以及地震潜在破坏区域;
根据所述地震警报级别以及所述地震潜在破坏区域,发出地震预警信息。
在可选的实施方式中,所述预测模型包括震级预测模型和峰值地震动预测模型,所述预测结果包括预测震级和预测峰值地震动,所述将所述特征参数输入预设的预测模型中,得到预测结果,包括:
将所述特征参数输入预设的所述震级预测模型中,得到预测震级;
将所述特征参数输入预设的所述峰值地震动预测模型中,得到预测峰值地震动。
在可选的实施方式中,所述根据所述预测结果获取地震警报级别以及地震潜在破坏区域,包括:
将所述预测震级与预设的第一阈值、所述预测峰值地震动与预设的第二阈值进行比较,根据比较结果获取所述地震警报级别;
在所述预测震级大于或等于所述第一阈值的情况下,利用距离加权插值法对所述预测峰值地震动进行计算,以获取所述地震潜在破坏区域。
在可选的实施方式中,所述对所述竖向加速度波形数据进行预处理,得到目标波形数据包括:
对所述竖向加速度波形数据进行积分,以得到竖向速度波形数据;
对所述竖向速度波形数据进行积分,并对积分结果进行滤波处理,以得到竖向位移波形数据;其中,所述目标波形数据包括所述竖向速度波形数据和所述竖向位移波形数据。
在可选的实施方式中,所述初始到达时刻根据所述竖向加速度波形数据、预设的长短时平均算法和池赤准则算法计算得到。
在可选的实施方式中,所述特征参数包括幅值类特征参数、周期类特征参数和能量类特征参数;
所述幅值类特征参数包括:峰值加速度、峰值速度、峰值位移;
所述周期类特征参数包括:平均周期、峰值比、构造参数;
所述能量类特征参数包括:速度平方积分、累积能量变化率、累积绝对速度、累积竖向绝对加速度、累积竖向绝对速度、累积竖向绝对位移、阿里亚斯烈度。
第二方面,本发明提供一种地震预警装置,所述装置包括:
获取模块,用于获取地震波的三分向加速度波形数据和初始到达时刻;所述三分向加速度波形数据包括竖向加速度波形数据;
预处理模块,用于对所述竖向加速度波形数据进行预处理,得到目标波形数据;
计算模块,用于根据所述初始到达时刻、所述三分向加速度波形数据、所述目标波形数据以及预设的时间窗长度计算特征参数;
预测模块,用于将所述特征参数输入预设的预测模型中,得到预测结果;
所述预测模块,还用于根据所述预测结果获取地震警报级别以及地震潜在破坏区域;
预警模块,用于根据所述地震警报级别以及所述地震潜在破坏区域,发出地震预警信息。
在可选的实施方式中,所述预测模型包括震级预测模型和峰值地震动预测模型,所述预测结果包括预测震级和预测峰值地震动,所述预测模块,用于:
将所述特征参数输入预设的所述震级预测模型中,得到预测震级;
将所述特征参数输入预设的所述峰值地震动预测模型中,得到预测峰值地震动。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如前述实施方式中任一项所述的地震预警方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的地震预警方法。
本发明实施例提供的地震预警方法、装置、电子设备和计算机可读存储介质,通过在获取地震波的三分向加速度波形数据和初始到达时刻后,对竖向加速度波形数据进行预处理,得到目标波形数据,再根据初始到达时刻、三分向加速度波形数据、目标波形数据以及预设的时间窗长度计算特征参数,并将特征参数输入预设的预测模型中,得到预测结果,再根据预测结果获取地震警报级别以及地震潜在破坏区域,进而根据地震警报级别以及地震潜在破坏区域,发出地震预警信息。通过对地震波相关数据进行预处理后,计算特征参数,并以此作为预测模型的输入,提高了预测结果的准确性,也提高了通过预测结果获取得到的地震警报级别以及地震潜在破坏区域的准确性,进而避免了后续发出的地震预警的警报信息存在一定的误报的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的地震预警方法的一种应用环境示意图;
图2示出了本发明实施例提供的电子设备的一种方框示意图;
图3示出了本发明实施例提供的地震预警方法的一种流程示意图;
图4示出了图3中步骤S304的子步骤的一种流程示意图;
图5示出了图3中步骤S305的子步骤的一种流程示意图;
图6示出了获取警报级别的一种示意图;
图7示出了预测效果的一种对比图;
图8示出了预测地震潜在破坏区域与实际地震潜在破坏区域的一种对比图;
图9示出了图3中步骤S302的子步骤的一种流程示意图;
图10示出了本发明实施例提供的地震预警装置的一种功能模块图。
图标:10-电子设备;20-地震监测台站;210-存储器;220-处理器;230-通信模块;401-获取模块;402-预处理模块;403-计算模块;404-预测模块;405-预警模块。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,图1为本发明实施例提供的地震预警方法的一种应用环境示意图。如图1所示,电子设备10与地震监测台站20通信连接,其中,地震监测台站20为一个或多个,电子设备10可以是个人电脑(personal computer,PC)、笔记本电脑、平板电脑、服务器、手机等,本发明对此不进行限制。
在本实施例中,通过地震监测台站20监测地震波的相关波形数据,电子设备10接收波形数据,以使电子设备10根据波形数据对地震进行预测,进而便于后续根据预测结果发出相应的警报信息。
请参照图2,图2是本发明实施例提供的电子设备的一种方框示意图。该电子设备10包括存储器210、处理器220及通信模块230。存储器210、处理器220以及通信模块230各元件之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器210用于存储程序或者数据。所述存储器210可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器220可能是一种集成电路芯片,具有信号的处理能力。该处理器220可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,该处理器用于读写存储器210中存储的数据或程序,并执行相应的功能。例如,处理器220执行存储器210存储的计算机程序时,可以实现本发明各实施例揭示的地震预警方法。
通信模块230用于通过网络建立电子设备10与地震监测台站20之间的通信连接,并用于通过网络收发数据。
应当理解的是,图2所示的结构仅为电子设备10的结构示意图,所述电子设备10还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时可以实现本发明实施例揭示的地震预警方法。
在现有技术中,根据地震波的平均周期和峰值位移与地震相关信息之间的经验回归关系进行预测,但是获得的地震相关信息的误差较大,使得依据经验回归关系确定的阈值在进行后续的进一步预测时,也存在较大的误差,进而使得后续发出的警报信息存在一定的误报。
基于上述问题,为了提高预测结果的准确性,进而避免后续发出的警报信息存在一定的误报的问题,请参阅图3,本发明实施例提供了一种地震预警方法,图3为本发明实施例提供的地震预警方法的一种流程示意图。该方法包括:
步骤301,获取地震波的三分向加速度波形数据和初始到达时刻。
可选的,地震波为P波,即地震纵波,可以理解,P波的传播速度快,因此P波总是最先到达地震监测台站20,因此,一般利用P波的数据进行处理,以获得地震波中P波的三分向加速度波形数据和初始到达时刻。三分向加速度波形数据包括:竖向加速度波形数据、东西向加速度波形数据和南北向加速度波形数据。
在本实施例中,初始到达时刻根据竖向加速度波形数据、预设的长短时平均算法和池赤准则算法计算得到;可以理解,P波中竖向加速度波形数据最先由地震监测台站20监测得到,在地震监测台站20某一时刻监测得到竖向加速度波形数据时,计算地震波到达地震监测台站20的时刻,即地震波的初始到达时刻。
其中,使用长短时平均算法算法(Short-Term to Long-TermAverage,STA/LTA)找出包含地震波P波的初始到达时刻的区间,然后在这个区间内使用池赤准则算法(Akaikeinformation criterion,AIC)找出精确的P波的初始到达时刻。
可选的,三分向加速度波形数据可以由设置于地震监测台站20的传感器直接获取得到,传感器的选择可以根据实际需要进行设置,在本发明实施例中不予以限定,例如传感器可以选择MEMS(Microelectro Mechanical Systems)传感器、压电式加速度传感器、伺服式加速度传感器等。
步骤302,对竖向加速度波形数据进行预处理,得到目标波形数据。
可选的,由于传感器在对地震波进行数据采集时,只能获取加速度波形数据,在后续计算时,需要对竖向加速度波形数据进一步预处理,以得到的竖向速度波形数据和竖向位移波形数据等目标波形数据。
步骤303,根据初始到达时刻、三分向加速度波形数据、目标波形数据以及预设的时间窗长度计算特征参数。
可选的,时间窗长度根据研究人员的经验进行设置,本发明实施例对具体的设置不予以限定,例如,时间窗长度可以设置为三秒,即获取特征参数时,选取初始到达时刻及其后三秒的波形数据进行计算。
可选的,特征参数包括幅值类特征参数、周期类特征参数和能量类特征参数;其中,幅值类特征参数包括:峰值加速度、峰值速度、峰值位移,周期类特征参数包括:平均周期、峰值比、构造参数,能量类特征参数包括:速度平方积分、累积能量变化率、累积绝对速度、累积竖向绝对加速度、累积竖向绝对速度、累积竖向绝对位移、阿里亚斯烈度。
步骤304,将特征参数输入预设的预测模型中,得到预测结果。
可选的,在本实施例中,选择支持向量机(Support Vector Machine,SVM)的机器学习方式建立预测模型。其中,核函数和训练参数的选择对预测模型的性能有重要影响,本实施例中采用高斯径向基函数(Radial Basis Function,RBF)作为预测模型的核函数,该核函数具有广泛的应用范围和良好的鲁棒性,能够保证优化问题的收敛性;与上述预测模型性能相关的训练参数包括惩罚参数(C)、容忍参数(ε)、核参数(λ),研究人员可以根据经验方法确定上述训练参数的值,本发明实施例对上述训练参数的值的设置不予以限定。
步骤305,根据预测结果获取地震警报级别以及地震潜在破坏区域。
可选的,地震警报级别表征地震可能造成的危害程度、紧急程度和发展态势等;地震潜在破坏区域表征地震到来时,可能遭受地震破坏性影响的地区。
步骤S306,根据所述地震警报级别以及所述地震潜在破坏区域,发出地震预警信息。可选的,在获得地震警报级别以及地震潜在破坏区域后,向公众发出地震预警的警报信息,以告知公众即将到来的地震的大小,和可能会遭受破坏的区域,使得公众可以根据该地震预警信息判断是否需要进行避难。
本发明实施例提供的地震预警方法,通过在获取地震波的三分向加速度波形数据和初始到达时刻后,对竖向加速度波形数据进行预处理,得到目标波形数据,再根据初始到达时刻、三分向加速度波形数据、目标波形数据以及预设的时间窗长度计算特征参数,并将特征参数输入预设的预测模型中,得到预测结果,再根据预测结果获取地震警报级别以及地震潜在破坏区域,进而根据地震警报级别以及地震潜在破坏区域,发出地震预警信息。通过对地震波相关数据进行预处理后,计算特征参数,并以此作为预测模型的输入,提高预测结果的准确性,也提高了通过预测结果获取得到的地震警报级别以及地震潜在破坏区域的准确性,进而避免了后续发出的地震预警的警报信息存在一定的误报的问题。
可选的,预测模型包括震级预测模型和峰值地震动预测模型,预测结果包括预测震级和预测峰值地震动,可以理解的是,由于不同的预测结果需要不同的预测模型根据特征参数输出,为了准确地输出预测结果,可选的,请参阅图4,图4为图3中步骤S304的子步骤的一种流程示意图。上述步骤S304包括:
步骤S3041,将特征参数输入预设的震级预测模型中,得到预测震级。
可选的,在本实施例中,该预设的震级预测模型选择支持向量机震级预测模型(Support Vector Machine-Magnitude,SVM-M),其中,输入的特征参数为三个幅值类特征参数:峰值加速度、峰值速度、峰值位移,计算方法包括:
其中,dud(t),表征竖向位移时程;vud(t),表征竖向速度时程;aud(t),表征竖向加速度时程;0,表征初始到达时刻;t,表征时间;T,表征时间窗长度;Pd,表征峰值位移;Pv,表征峰值速度;Pa,表征峰值加速度。
还需要输入三个周期类特征参数:平均周期、峰值比、构造参数,计算方法包括:
Tva=2π(Pv/Pa)
TP=τc*Pd
其中,τc,表征平均周期;Tva,表征峰值比;TP,表征构造参数。
还需要输入六个能量类特征参数:速度平方积分、累积能量变化率、累积绝对速度、累积竖向绝对加速度、累积竖向绝对速度、累积竖向绝对位移,计算方法包括:
其中,IV2,表征速度平方积分;PIv,表征累计能量变化率;CAV,表征累计绝对速度;aew(t),表征东西向加速度时程;ans(t),表征南北向加速度时程;cvaa,表征累积竖向绝对加速度;cvav,表征累积竖向绝对速度;cvad,表征累计竖向绝对位移。
步骤S3042,将特征参数输入预设的峰值地震动预测模型中,得到预测峰值地震动。
可选的,在本实施例中,该预设的峰值地震动预测模型选择支持向量机峰值地震动预测模型(Support Vector Machine-Peak Ground Velocity,SVM-PGV),其中,输入的特征参数为三个幅值类特征参数:峰值加速度、峰值速度、峰值位移,一个周期类特征参数:构造参数,六个能量类特征参数:累积绝对速度、累积竖向绝对加速度、累积竖向绝对速度、累积竖向绝对位移、阿里亚斯烈度,其中阿里亚斯烈度的计算方法包括:
其中,g,表征重力加速度;Ia,表征阿里亚斯烈度。
在地震发生后,得到地震潜在破坏区域后,并向地震潜在破坏区域发出警报可以在一定程度上减少地震造成的经济损失和人员伤亡,为了准确地获得地震警报级别和地震潜在破坏区域,可选的,请参阅图5,图5为图3中步骤S305的子步骤的一种流程示意图。上述步骤S305包括:
步骤S3051,将预测震级与预设的第一阈值、预测峰值地震动与预设的第二阈值进行比较,根据比较结果获取地震警报级别。
可选的,第一阈值的设置根据实际需要进行设置,本发明实施例对此不予以限定,例如,一般认为地震震级(Magnitude,M))在达到六级左右时,即表征地震可能造成破坏,在本实施例中,第一阈值设置为5.7级;相同的,第二阈值的设置根据实际需要进行设置,本发明实施例对此不予以限定,例如,一般认为地震峰值地震动(Peak Ground Velocity,PGV)在达到16cm/s时,即表征地震可能造成破坏,在本实施例中,第二阈值设置为9.12cm/s。
当预测震级大于第一阈值、预测峰值地震动大于第二阈值时,表征地震震级较大,并且距离地震监测台站20较近,地震警报级别为三级,会造成较重的破坏。
进一步的,可以参阅图6,图6为获取警报级别的一种示意图。图6中a为预测震级的示意图,其中误差的标准差为0.3,结合图6中a,第一阈值为竖坐标中的5.7级时,此时横坐标中编目震级,即实际地震震级为6级;图6中c为预测峰值地震动的示意图,其中误差的标准差为0.244,用log10(预测PGV(cm/S))反应预测峰值地震动,结合图6中c,第二阈值为9.12cm/s时,图6中c横坐标中的log10(预测PGV(cm/S))对应0.96,此时竖坐标中的log10(实际PGV(cm/S))对应1.204(PGV=16cm/S)。其中,地震实际震级与预测震级的误差的标准差,和地震实际峰值地震动与预测峰值地震动的误差的标准差根据实际计算得到。
可以理解,在将预测震级与预设的第一阈值、预测峰值地震动与预设的第二阈值进行比较时,图6中b可以直观地反应比较结果,进而获取地震警报级别。
当预测震级小于第一阈值、预测峰值地震动大于第二阈值时,表征地震震级较小,并且距离地震监测台站20较近,地震警报级别为二级,会造成一般的破坏。
当预测震级大于第一阈值、预测峰值地震动小于第二阈值时,表征地震震级较大,并且距离地震监测台站20较远,地震警报级别为1级,会造成较轻的破坏。
当预测震级小于第一阈值、预测峰值地震动小于第二阈值时,表征地震震级较小,并且距离地震监测台站20较远,地震警报级别为0级,基本不造成破坏。
在本实施例中,请参考图7,图7为预测效果的一种对比图。图7中a为现有技术中预测震级与实际震级的误差展示,图7中b为本实施中预测震级与实际震级的误差展示;其中,误差为预测震级与实际震级之间的差值,图7中a与图7中b中实线表征预测震级与实际震级误差为0,虚线表征预测震级与实际震级之间差值的两倍标准差的误差范围,可以看出,现有技术中的预测震级与实际震级之间的误差的标准差δ=1.581,离散性较大;而本实施例中的预测震级与实际震级之间的误差的标准差δ=0.296,离散性较小,本实施中的预测震级相较于现有技术中的预测震级更加准确。
请继续参考图7,图7中c为现有技术中预测峰值地震动与实际峰值地震动的误差展示,图7中d为本实施例中预测峰值地震动与实际峰值地震动的误差展示;其中,通过log10(预测PGV(cm/S))和log10(实际PGV(cm/S))之间的误差,来表征预测峰值地震动与实际峰值地震动之间的误差,图7中c与图7中d的实线表征log10(预测PGV(cm/S))与log10(实际PGV(cm/S))的误差为0,虚线表征log10(预测PGV(cm/S))与log10(实际PGV(cm/S))之间差值的两倍标准差的误差范围,相应的,可以看出,现有技术中的log10(预测PGV(cm/S))与log10(实际PGV(cm/S))之间的误差的标准差δ=0.295,离散性较大;而本实施例中的log10(预测PGV(cm/S))与log10(实际PGV(cm/S))之间的误差的标准差δ=0.244,离散性较小,也即本实施中的预测峰值地震动相较于现有技术中的预测峰值地震动更加准确。
步骤S3052,在预测震级大于或等于第一阈值的情况下,利用距离加权插值法对预测峰值地震动进行计算,以获取地震潜在破坏区域。
可选的,距离加权插值法可以由如下公式表示:
其中,f(x,y),表征任一实际地理位置的预测峰值地震动;f(xi,yi),表征地震监测台站20的预测峰值地震动;di,表征任一实际地理位置与地震监测台站20之间的距离;(x,y),表征任一实际地理位置,其可以是该地理位置的经纬度坐标;(xi,yi),表征地震监测台站20的地理位置,其可以是该地震监测台站20的经纬度坐标。
通过上述公式即可计算出任一实际地理位置的预测峰值地震动,在预测震级大于或等于第一阈值的情况下,当预测峰值地震动也大于或等于第二阈值时,该实际地理位置即为地震潜在破坏区域。
在本实施例中,请参考图8,图8为预测地震潜在破坏区域与实际地震潜在破坏区域的一种对比图。其中,图8中a与图8中c为由美国地质调查局提供的实际地震潜在破坏区域的地图,图8中b与图8中d为根据本发明实施例提供的地震预警方法,所获取的地震潜在破坏区域的地图。图8中黑色五角星表征地震震中,三角形表征地震检测台站,黑色三角形表征预测震级大于或等于第一阈值,和预测峰值地震动大于或等于第二阈值的地震监测台站,颜色较深的区域表征地震潜在破坏区域。由图8中a与b、c与d之间的对比可知,通过本发明实施例提供的地震预警方法,所获取的地震潜在破坏区域,与美国地质调查局提供的实际地震潜在破坏区域基本一致,具有较高的准确性。
为了准确地计算得到特征参数,在此之前,需要对竖向加速度波形数据进行预处理,可选的,请参阅图9,图9为图3中步骤S302的子步骤的一种流程示意图。上述步骤S302包括:
步骤S3021,对竖向加速度波形数据进行积分,以得到竖向速度波形数据。
步骤S3022,对竖向速度波形数据进行积分,并对积分结果进行滤波处理,以得到竖向位移波形数据。
其中,目标波形数据包括竖向速度波形数据和竖向位移波形数据。
可选的,对竖向速度波形数据进行积分后的结果为初始竖向位移波形数据,对初始竖向位移波形数据进行4阶0.075Hz巴特沃斯高通滤波,以得到后续计算时所需要的竖向位移波形数据,以此消除积分带来的低频漂移影响。其中,滤波方式在本发明实施例中不予以限定,可以根据实际需要进行设置,例如,还可以使用Butterworth带通滤波。
请参考图10,图10为本发明实施例提供的地震预警装置的一种功能模块图。该地震预警装置包括:获取模块401、预处理模块402、计算模块403、预测模块404和预警模块405。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图2所示的存储器210中或固化于该电子设备10的操作系统(Operating System,OS)中,并可由图2中的处理器220执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器210中。
获取模块401,用于获取地震波的三分向加速度波形数据和初始到达时刻;所述三分向加速度波形数据包括竖向加速度波形数据。
可以理解,该获取模块401可以执行上述步骤S301。
预处理模块402,用于对竖向加速度波形数据进行预处理,得到目标波形数据。
可以理解,该预处理模块402可以执行上述步骤S302。
计算模块403,用于根据初始到达时刻、三分向加速度波形数据、目标波形数据以及预设的时间窗长度计算特征参数。
可以理解,该计算模块403可以执行上述步骤S303。
预测模块404,用于将特征参数输入预设的预测模型中,得到预测结果。
可以理解,该预测模块404可以执行上述步骤S304。
预测模块404,还用于根据预测结果获取地震警报级别以及地震潜在破坏区域。
可以理解,该预测模块404还可以执行上述步骤S305。
预警模块405,用于根据地震警报级别以及地震潜在破坏区域,发出地震预警信息。
该预警模块405还可以执行上述步骤S306。
可选的,上述预测模块404,还用于将特征参数输入预设的震级预测模型中,得到预测震级;将特征参数输入预设的峰值地震动预测模型中,得到预测峰值地震动。
可以理解,该预测模块404还可以执行上述步骤S3041和步骤3042。
可选的,上述预测模块404,还用于将预测震级与预设的第一阈值、预测峰值地震动与预设的第二阈值进行比较,根据比较结果获取地震警报级别;在预测震级大于或等于第一阈值的情况下,利用距离加权插值法对预测峰值地震动进行计算,以获取地震潜在破坏区域。
可以理解,该预测模块404还可以执行上述步骤S3051和步骤S3052。
可选的,上述预处理模块402,还用于对竖向加速度波形数据进行积分,以得到竖向速度波形数据;对竖向速度波形数据进行积分,并对积分结果进行滤波处理,以得到竖向位移波形数据;其中,目标波形数据包括竖向速度波形数据和竖向位移波形数据。
可以理解,该预处理模块402还可以执行上述步骤S3021和S3022。
本发明实施例提供的地震预警装置,通过获取模块在获取地震波的三分向加速度波形数据和初始到达时刻后,预处理模块对竖向加速度波形数据进行预处理,得到目标波形数据,计算模块再根据初始到达时刻、三分向加速度波形数据、目标波形数据以及预设的时间窗长度计算特征参数,预测模块将特征参数输入预设的预测模型中,得到预测结果,预测模块再根据预测结果获取地震警报级别以及地震潜在破坏区域,预警模块进而根据地震警报级别以及地震潜在破坏区域,发出地震预警信息。通过对地震波相关数据进行预处理后,计算特征参数,并以此作为预测模型的输入,提高预测结果的准确性,也提高了通过预测结果获取得到的地震警报级别以及地震潜在破坏区域的准确性,进而避免了后续发出的地震预警的警报信息存在一定的误报的问题。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种地震预警方法,其特征在于,所述方法包括:
获取地震波的三分向加速度波形数据和初始到达时刻;所述三分向加速度波形数据包括竖向加速度波形数据;
对所述竖向加速度波形数据进行预处理,得到目标波形数据;
根据所述初始到达时刻、所述三分向加速度波形数据、所述目标波形数据以及预设的时间窗长度计算特征参数;
将所述特征参数输入预设的预测模型中,得到预测结果;所述预测结果包括预测震级和预测峰值地震动;根据所述预测结果获取地震警报级别以及地震潜在破坏区域,包括:将所述预测震级与预设的第一阈值、所述预测峰值地震动与预设的第二阈值进行比较,根据比较结果获取所述地震警报级别;在所述预测震级大于或等于所述第一阈值的情况下,利用距离加权插值法对所述预测峰值地震动进行计算,以获取所述地震潜在破坏区域;
其中,所述距离加权插值法可以由如下公式表示:
其中,f(x,y),表征任一实际地理位置的预测峰值地震动;f(xi,yi),表征地震监测台站的预测峰值地震动;di,表征任一实际地理位置与地震监测台站之间的距离;(x,y),表征任一实际地理位置,其可以是地理位置的经纬度坐标;(xi,yi),表征地震监测台站的地理位置,其可以是地震监测台站的经纬度坐标;
根据所述地震警报级别以及所述地震潜在破坏区域,发出地震预警信息。
2.根据权利要求1所述的方法,其特征在于,所述预测模型包括震级预测模型和峰值地震动预测模型,所述将所述特征参数输入预设的预测模型中,得到预测结果,包括:
将所述特征参数输入预设的所述震级预测模型中,得到预测震级;
将所述特征参数输入预设的所述峰值地震动预测模型中,得到预测峰值地震动。
3.根据权利要求1所述的方法,其特征在于,所述对所述竖向加速度波形数据进行预处理,得到目标波形数据包括:
对所述竖向加速度波形数据进行积分,以得到竖向速度波形数据;
对所述竖向速度波形数据进行积分,并对积分结果进行滤波处理,以得到竖向位移波形数据;其中,所述目标波形数据包括所述竖向速度波形数据和所述竖向位移波形数据。
4.根据权利要求1所述的方法,其特征在于,所述初始到达时刻根据所述竖向加速度波形数据、预设的长短时平均算法和池赤准则算法计算得到。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述特征参数包括幅值类特征参数、周期类特征参数和能量类特征参数;
所述幅值类特征参数包括:峰值加速度、峰值速度、峰值位移;
所述周期类特征参数包括:平均周期、峰值比、构造参数;
所述能量类特征参数包括:速度平方积分、累积能量变化率、累积绝对速度、累积竖向绝对加速度、累积竖向绝对速度、累积竖向绝对位移、阿里亚斯烈度。
6.一种地震预警装置,其特征在于,所述装置包括:
获取模块,用于获取地震波的三分向加速度波形数据和初始到达时刻;所述三分向加速度波形数据包括竖向加速度波形数据;
预处理模块,用于对所述竖向加速度波形数据进行预处理,得到目标波形数据;
计算模块,用于根据所述初始到达时刻、所述三分向加速度波形数据、所述目标波形数据以及预设的时间窗长度计算特征参数;
预测模块,用于将所述特征参数输入预设的预测模型中,得到预测结果;所述预测结果包括预测震级和预测峰值地震动;
所述预测模块,还用于根据所述预测结果获取地震警报级别以及地震潜在破坏区域,包括:将所述预测震级与预设的第一阈值、所述预测峰值地震动与预设的第二阈值进行比较,根据比较结果获取所述地震警报级别;在所述预测震级大于或等于所述第一阈值的情况下,利用距离加权插值法对所述预测峰值地震动进行计算,以获取所述地震潜在破坏区域;
其中,所述距离加权插值法可以由如下公式表示:
其中,f(x,y),表征任一实际地理位置的预测峰值地震动;f(xi,yi),表征地震监测台站的预测峰值地震动;di,表征任一实际地理位置与地震监测台站之间的距离;(x,y),表征任一实际地理位置,其可以是地理位置的经纬度坐标;(xi,yi),表征地震监测台站的地理位置,其可以是地震监测台站的经纬度坐标;
预警模块,用于根据所述地震警报级别以及所述地震潜在破坏区域,发出地震预警信息。
7.根据权利要求6所述的装置,其特征在于,所述预测模型包括震级预测模型和峰值地震动预测模型,所述预测结果包括预测震级和预测峰值地震动,所述预测模块,用于:
将所述特征参数输入预设的所述震级预测模型中,得到预测震级;
将所述特征参数输入预设的所述峰值地震动预测模型中,得到预测峰值地震动。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述的地震预警方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的地震预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623482.2A CN114298104B (zh) | 2021-12-28 | 2021-12-28 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623482.2A CN114298104B (zh) | 2021-12-28 | 2021-12-28 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298104A CN114298104A (zh) | 2022-04-08 |
CN114298104B true CN114298104B (zh) | 2022-09-27 |
Family
ID=80970622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111623482.2A Active CN114298104B (zh) | 2021-12-28 | 2021-12-28 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298104B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035424B (zh) * | 2022-06-07 | 2024-03-08 | 北京庚图科技有限公司 | 一种基于无人机的遥感图像地质识别检测方法、装置、电子设备及存储介质 |
CN116738245B (zh) * | 2023-06-09 | 2023-10-31 | 中国地震局地球物理研究所 | 一种基于地震p波特征参数的有限破裂模板快速匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
CN111538076A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
CN111709072A (zh) * | 2020-06-01 | 2020-09-25 | 哈尔滨工业大学 | 一种地下地震动幅值参数预测方法 |
CN112684494A (zh) * | 2020-12-22 | 2021-04-20 | 丁亮 | 一种地震预警方法 |
CN113009566A (zh) * | 2021-03-19 | 2021-06-22 | 中国地震局地球物理研究所 | 现地地震动预测模型及其构建方法 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299207B (zh) * | 2018-10-26 | 2020-10-02 | 中国地震局地球物理研究所 | 基于新媒体的中国地震动参数区划图服务系统 |
CN109375252B (zh) * | 2018-12-13 | 2020-05-05 | 中国地震局地球物理研究所 | 考虑不同发震构造最大可信地震的地震动参数评价方法 |
-
2021
- 2021-12-28 CN CN202111623482.2A patent/CN114298104B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
CN111538076A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
CN111709072A (zh) * | 2020-06-01 | 2020-09-25 | 哈尔滨工业大学 | 一种地下地震动幅值参数预测方法 |
CN112684494A (zh) * | 2020-12-22 | 2021-04-20 | 丁亮 | 一种地震预警方法 |
CN113009566A (zh) * | 2021-03-19 | 2021-06-22 | 中国地震局地球物理研究所 | 现地地震动预测模型及其构建方法 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
基于支持向量机的地震预警震级快速估算研究;朱景宝,宋晋东,李山有;《振动与冲击》;20210415;正文第1-3节 * |
基于支持向量机的现地地震预警地震动峰值预测;余聪,宋晋东,李山有;《振动与冲击》;20210208;正文第1-3节 * |
基于阈值的地震预警方法在 2016 年 8 月 24 日意大利 Mw 6.2 级地震中的应用;宋晋东,李山有,汪源,白琳娟;《地震工程与工程振动》;20171230;正文第1-2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN114298104A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298104B (zh) | 地震预警方法、装置、电子设备和计算机可读存储介质 | |
Finazzi | The earthquake network project: Toward a crowdsourced smartphone‐based earthquake early warning system | |
CN106897178B (zh) | 一种基于极限学习机的慢盘检测方法及系统 | |
US8578494B1 (en) | Security threat detection | |
CN113728325A (zh) | 实时船舶导航跟踪 | |
CN109347653B (zh) | 一种指标异常发现方法和装置 | |
US10529152B2 (en) | Detecting unauthorized physical access via wireless electronic device identifiers | |
US20160166204A1 (en) | Detecting visual impairment through normal use of a mobile device | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
JP2013530389A (ja) | 地震を検出するためのコンピュータビデオカメラの使用 | |
JP2017096737A (ja) | 被災度予測システム | |
CN110506277B (zh) | 用于构建鲁棒的深度卷积神经网络的滤波器重用机制 | |
Ibrahim et al. | Accuracy limits of embedded smart device accelerometer sensors | |
Song et al. | On-site alert-level earthquake early warning using machine-learning-based prediction equations | |
CN115546628A (zh) | 一种水利工程堤坝裂缝监测方法、装置、设备及介质 | |
CN109543538A (zh) | 获取警情对象的轨迹的方法、装置、计算机设备和存储介质 | |
CN105865611A (zh) | 一种调整光纤振动检测门限值的方法及装置 | |
KR102473709B1 (ko) | 수위 관측 데이터 기반 지진해일 검출 방법 및 시스템 | |
Yang et al. | Practical integrated navigation fault detection algorithm based on sequential hypothesis testing | |
KR102177460B1 (ko) | 사물인터넷을 기반으로 선박 접안 시 항만 시설의 손상을 예방하는 방법 및 시스템 | |
CN114120252B (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
KR20210085761A (ko) | 건물 붕괴방지 시스템 | |
CN114202224B (zh) | 用于检测生产环境中焊接质量的方法、设备、介质 | |
US20170307750A1 (en) | Waveform estimation device and waveform estimation method | |
WO2022221289A2 (en) | Systems and methods for unmanned aerial vehicle simulation testing |
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 |