CN114722642A - 一种地震后物理参数变化的预测方法及系统 - Google Patents

一种地震后物理参数变化的预测方法及系统 Download PDF

Info

Publication number
CN114722642A
CN114722642A CN202210643606.1A CN202210643606A CN114722642A CN 114722642 A CN114722642 A CN 114722642A CN 202210643606 A CN202210643606 A CN 202210643606A CN 114722642 A CN114722642 A CN 114722642A
Authority
CN
China
Prior art keywords
earthquake
surface temperature
atmospheric
monitoring area
target monitoring
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
CN202210643606.1A
Other languages
English (en)
Other versions
CN114722642B (zh
Inventor
江楠
郭奥
许艳
徐天河
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210643606.1A priority Critical patent/CN114722642B/zh
Publication of CN114722642A publication Critical patent/CN114722642A/zh
Application granted granted Critical
Publication of CN114722642B publication Critical patent/CN114722642B/zh
Priority to US18/206,631 priority patent/US11880014B2/en
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
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G01V9/005—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00 by thermal methods, e.g. after generation of heat by chemical reactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Hydrology & Water Resources (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及预测目的的数据处理技术领域，公开了一种地震后物理参数变化的预测方法及系统；方法包括：获取历史时间段内，目标监测区域地震发生后的大气可降水量；对历史时间段内采集的大气可降水量，进行精度验证；获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；基于历史地表温度热异常数据和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。为地震后的次生灾害预测和灾后重建工作提供参考价值。

Description

一种地震后物理参数变化的预测方法及系统
技术领域
本发明涉及预测目的的数据处理技术领域，特别是涉及一种地震后物理参数变化的预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
地震作为普遍的自然灾害之一，具有突发性强、破坏性大、连锁强的特点，给人们生产生活以及社会经济发展都带来了不容小觑的影响。而震后极容易引发泥石流、滑坡、暴雨等与降水有关的次生灾害。而在这些与降水有关的极端天气和灾害中，大气可降水量与降水密切相关。
同时，地震过程中会引发各种物理和化学变化，尤其为能量释放造成的震中地区地表温度的显著变化。大气可降水量主要与温度有关，随温度的变化而变化，温度升高，空气容纳水分的能力以克劳修斯-克拉佩伦速率增加。
目前，针对地震过程中大气可降水量的研究甚少，大多数是利用地表温度探测地震前的热异常来研究地震预测，亦或者是仅对地震过程中水汽和地表温度两者之一的研究，并没有将两者互相结合来探测震后气象参量异常。
然而，缺少结合地表温度热异常对震后水汽的研究，忽视了震后是在震中位置极大可能发生次生灾害的时间点，这非常不利于灾后救援与重建工作。
发明内容
为了解决现有技术的不足，本发明提供了一种地震后物理参数变化的预测方法及系统；采用北斗卫星导航系统反演地震后震中及附近地区大气可降水量，并进一步分析大气可降水量与地表温度热异常关系。
第一方面，本发明提供了一种地震后物理参数变化的预测方法；
一种地震后物理参数变化的预测方法，包括：
获取历史时间段内，目标监测区域地震发生后的大气可降水量；
对历史时间段内采集的大气可降水量，进行精度验证；
获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
第二方面，本发明提供了一种地震后物理参数变化的预测系统；
一种地震后物理参数变化的预测系统，包括：
第一获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的大气可降水量；
精度验证模块，其被配置为：对历史时间段内采集的大气可降水量，进行精度验证；
第二获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
时间差确定模块，其被配置为：基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
预测输出模块，其被配置为：当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
与现有技术相比，本发明的有益效果是：
本发明提出了一种利用北斗卫星导航系统(BDS)技术反演地震后震中及附近地区大气可降水量(PWV)并进一步分析其与地表温度热异常关系的方法。该方法可以真正获得BDS反演的地震后震中地区大气可降水量，并与无线电探空仪(RS)和再分析资料(ERA5)数据对比验证精度，证明北斗卫星导航系统反演水汽技术的精度，从而为采用BDS反演的大气可降水量(BDS-PWV)来体现震后水汽变化具有信服性和参考价值。其次，结合地表温度产品，从两个时间序列尺度提取地震引发的热异常，一方面为在地震过程中地表温度对比，另一方面为基于10年背景场数据的多年同期同地区地表温度对比。最后，结合采用BDS反演的大气可降水量BDS-PWV变化与地震后震中位置地表温度热异常变化，获取大气可降水量与热异常的延迟间隔，从而为将来该区域地震发生后的次生灾害预测和灾后重建工作提供参考价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的方法流程图；
图2(a)-图2(b)为实施例一的RTKLIB获取的ZTD值与IGS发布的ZTD产品拟合图；
图3(a)-图3(c)为实施例一的三次地震多源数据的PWV时间序列图；
图4(a)-图4(f)为实施例一的反演获取的PWV与RS-PWV及ERA5-PWV精度验证。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
地震是由于地壳在地球构造力的作用下发生突然破裂和错位而引起的振动，导致能量迅速释放，引起许多物理和化学变化。震后又极容易发生泥石流、滑坡、暴雨等与降水有关的次生灾害，对灾后救援和重建工作产生很大影响。而在这些与降水有关的极端天气和灾害中，水汽发挥着必不可少的作用。水汽在生物圈中通过降水、地表蒸发、地表径流、水汽输送等参与地表系统与大气之间的水循环，在物质交换和能量传递过程中起着重要作用。作为一种中性气体，水汽虽然在大气中含量较少，但变化迅速，极为活跃，存在固、液、气三种相态，与众多天气变化密切相关。同时，在震中区域地表温度的变化是经常探测到的，水蒸气容易受到温度影响。因此探究震后大气可降水量变化对次生灾害应对和震后重建有非常重要的意义。大气可降水量是指测站上空整个空气柱中的水分全部凝结成雨、雪降落后形成的降水量。北斗卫星导航系统(BeiDou Navigation Satellite System)简称BDS。
常用的大气可降水量观测技术有无线电探空技术、星载辐射计微波辐射计、无线电掩星技术，雷达和地基GNSS (Global Navigation Satellite System)观测(包括BDS)。GPS气象学的提出为气象研究提供了一种新的高精度技术。BDS于2020年6月完成全球组网，成功标志着中国卫星导航系统走向独立自主。高性能、高精度、高可靠的BDS建设，既是对北斗系统的完善，更是为世界卫星导航发展贡献了中国智慧。北斗气象学是最早应用于BDS的重要领域之一，现已成为北斗全面应用的新局面。其反演大气可降水量具有高精度、全天候、低成本等优点。卫星信号在穿过大气层时会发生信号折射，其中就包含对流层延迟，即卫星信号在穿过高度为50km以下的未被电离的中性大气层时所发生的延迟，使传播路径发生弯曲、传播速度发生变化。天顶对流层延迟(Total zenith delay, ZTD)由天顶干延迟(Zenith hydrostatic delay, ZHD)和湿延迟(Zenith wet delay, ZWD)组成，干延迟虽在对流层总延迟中占比大但相对稳定，湿延迟虽占比小，但由于水分含量多且非常活跃，使得其具有变化迅速的特点，可从中提取出大气可降水量。天顶对流层延迟ZTD通过BDS系统处理获得，ZHD利用对流层经典模型获得，两者相减可获得湿延迟ZWD，结合水汽转换系数可求得大气可降水量，结果为BDS大气可降水量，记为BDS-PWV。
结合当前的研究，大部分都是将重点放在地震前的地震预测与监测，少有研究对地震发生后的物理参量和现象进行研究。据统计，地震引发的山体崩塌、滑坡和泥石流是目前造成人员伤亡最多、最严重的地震后次生灾害，5.0级左右的地震就可以诱发滑坡和泥石流，震级越大，诱发面积也越大。同时，震后极容易发生强降水，地壳积聚的能量不断释放，使得地表温度升高，促进水分蒸发进入到空气中，从而在地面横截面形成了很强的上升气流，空气柱的水汽越来越多，凝结后形成降水。这些与降水有关的次生灾害极大地影响了灾后救援和重建工作。目前，大多数研究是对地震前水汽的研究，亦或是对震前热异常的研究，少有对地震后水汽和地表温度的探讨，也缺乏将大气可降水量和基于不同时间序列的地表温度热异常结合起来进一步分析前后关系。虽然GNSS技术在地震相关水汽中有较多的研究工作，但利用BDS研究地震后的水汽变化特性还鲜有研究。
术语解释：
PWV，大气可降水量，Precipitable Water Vapor；
BDS,北斗卫星导航系统，BeiDou Navigation Satellite System；
LST，地表温度，Land Surface Temperature；
ZTD，天顶对流层延迟，Zenith Tropospheric Delay；
RS ，无线电探空仪，Radiosonde；
ERA5，第五代欧洲中期天气预报中心再分析资料，The fifth generation ECMWFatmospheric reanalysis of the global climate；
本实施例提供了一种地震后物理参数变化的预测方法；
如图1所示，一种地震后物理参数变化的预测方法，包括：
S101：获取历史时间段内，目标监测区域地震发生后的大气可降水量；
S102：对历史时间段内采集的大气可降水量，进行精度验证；
S103：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
S104：基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
S105：当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
进一步地，S101：获取历史时间段内，目标监测区域地震发生后的大气可降水量；具体包括：
S1011：采用北斗卫星导航系统，获取地震发生后目标监测区域的大气可降水量BDS-PWV；
S1012：基于无线电探空方式，获取地震发生后目标监测区域的大气可降水量RS-PWV；
S1013：基于ERA5再分析资料，获取地震发生后目标监测区域的大气可降水量ERA5-PWV。
进一步地，所述S1011：采用北斗卫星导航系统，获取地震发生后目标监测区域的大气可降水量BDS-PWV；具体包括：
S1011-1：根据北斗卫星导航系统观测数据，获取地震发生后目标监测区域的天顶对流层延迟ZTD；
S1011-2：利用Saastamoinen对流层经典改正模型和姚宜斌大气加权平均温度模型，最终获得大气可降水量 BDS-PWV。
进一步地，所述利用Saastamoinen对流层经典改正模型和姚宜斌大气加权平均温度模型，最终获得大气可降水量 BDS-PWV；具体包括：
ZTD由ZHD和ZWD组成，ZHD采用Saastamoinen经典对流层模型，输入纬度、气压和高度计算得出：
Figure 205816DEST_PATH_IMAGE001
(1)
Figure 490167DEST_PATH_IMAGE002
(2)
其中，
Figure 840377DEST_PATH_IMAGE003
是测站气压；
Figure 868376DEST_PATH_IMAGE004
是
Figure 987642DEST_PATH_IMAGE005
和
Figure 177315DEST_PATH_IMAGE006
的函数，
Figure 519215DEST_PATH_IMAGE005
是测站弧度制纬度，
Figure 23009DEST_PATH_IMAGE006
是大地高。
ZWD含有大量水汽而变化迅速，用间接方法获取，如下式：
Figure 324677DEST_PATH_IMAGE007
(3)
PWV定义为测站上方空气柱中水汽全部凝结成雨、雪降落后形成的降水量，表示为ZWD的函数：
Figure 622934DEST_PATH_IMAGE008
(4)
其中，
Figure 947737DEST_PATH_IMAGE009
为水汽转换系数，由公式(5)计算得出：
Figure 317538DEST_PATH_IMAGE010
(5)
其中，
Figure 644352DEST_PATH_IMAGE011
；
Figure 441407DEST_PATH_IMAGE012
是水汽比常数；
Figure 253505DEST_PATH_IMAGE013
和
Figure 426997DEST_PATH_IMAGE014
是大气折射率常数，分别为
Figure 109782DEST_PATH_IMAGE015
和
Figure 77738DEST_PATH_IMAGE016
；
Figure 111553DEST_PATH_IMAGE017
是大气加权平均温度。
采用姚宜斌提出的全球纬度相关的大气加权平均温度模型，选择研究区所在纬度范围内的模型公式：
Figure 823158DEST_PATH_IMAGE018
(6)
其中，
Figure 124564DEST_PATH_IMAGE019
是地表温度。
最终获取的PWV记为BDS-PWV，其中BDS表示北斗卫星导航系统。
图2(a)-图2(b)为实施例一的RTKLIB获取的ZTD值与IGS发布的ZTD产品拟合图。
进一步地，所述S1012：基于无线电探空方式，获取地震发生后目标监测区域的大气可降水量RS-PWV；具体包括：
无线电探空资料是通过在每日的0点和12点释放探空气球获取各种气象数据值。
虽然精度高，但该方法结果的时间分辨率低。探空资料获取的PWV记为RS-PWV，RS表示无线电探空。
进一步地，所述S1013：基于ERA5再分析资料，获取地震发生后目标监测区域的大气可降水量ERA5-PWV；具体包括：
采用ERA5再分析资料的空气柱水汽(Total column water vapor, TCWV)，提取震中目标区域的水汽含量。
获取的PWV记为ERA5-PWV，ERA5表示第五代欧洲中期天气预报中心再分析资料。
进一步地，S102：对历史时间段内采集的大气可降水量，进行精度验证；具体包括：
S1021：对采用北斗卫星导航系统获取的大气可降水量BDS-PWV、基于无线电探空方式获取的大气可降水量RS-PWV和基于ERA5再分析资料获取的大气可降水量ERA5-PWV进行高程统一；
S1022：计算采用北斗卫星导航系统获取的大气可降水量BDS-PWV与基于无线电探空方式获取的大气可降水量RS-PWV的第一差值；
S1023：计算采用北斗卫星导航系统获取的大气可降水量BDS-PWV与基于ERA5再分析资料获取的大气可降水量ERA5-PWV的第二差值；
S1024：如果第一差值和第二差值均在设定的范围内，则表示采用北斗卫星导航系统获取的大气可降水量反演的大气可降水量BDS-PWV精度验证通过；否则表示精度验证不通过。
进一步地，所述S1021：对采用北斗卫星导航系统获取的大气可降水量BDS-PWV、基于无线电探空方式获取的大气可降水量RS-PWV和基于ERA5再分析资料获取的大气可降水量ERA5-PWV进行高程统一；具体包括：
S1021-1：将ERA5数据的坐标系统由位势统一到BDS坐标系统大地高下；具体包含：
S1021-11：将位势转换为位势高，公式如下：
Figure 263421DEST_PATH_IMAGE020
其中，GPH为位势高；GH为位势；
Figure 784532DEST_PATH_IMAGE021
为重力加速度；
S1021-12：将位势高转换为正高，公式如下：
Figure 34248DEST_PATH_IMAGE022
Figure 957205DEST_PATH_IMAGE023
Figure 266963DEST_PATH_IMAGE024
其中，
Figure 275370DEST_PATH_IMAGE025
是正高；
Figure 328777DEST_PATH_IMAGE026
是纬度为
Figure 604775DEST_PATH_IMAGE027
时地球的有效半径；
Figure 85435DEST_PATH_IMAGE028
= 9.806665；
Figure 315559DEST_PATH_IMAGE029
为旋转椭球表面的正常重力值；
S1021-13：采用EGM2008模型计算大地水准面差距N。在MATLAB中使用geoidegm2008grid.mat功能，输入纬度、经度，选择EGM2008即可获得大地水准面差距N。
S1021-14：将正高系统转换到大地高系统下，公式如下：
Figure 172657DEST_PATH_IMAGE030
其中，
Figure 804627DEST_PATH_IMAGE031
为大地高。
S1021-2：将RS数据的坐标系统由位势高统一到BDS坐标系统大地高下；具体包含：
S1021-21：将位势高转换为正高，公式如下：
Figure 456188DEST_PATH_IMAGE032
Figure 439187DEST_PATH_IMAGE033
Figure 834397DEST_PATH_IMAGE034
其中，
Figure 813549DEST_PATH_IMAGE035
是正高；
Figure 901590DEST_PATH_IMAGE036
是纬度为
Figure 106307DEST_PATH_IMAGE037
时地球的有效半径；
Figure 305207DEST_PATH_IMAGE038
= 9.806665；
Figure 646189DEST_PATH_IMAGE039
为旋转椭球表面的正常重力值；
S1021-22：采用EGM2008模型计算大地水准面差距N。在MATLAB中使用geoidegm2008grid.mat功能，输入纬度、经度，选择EGM2008即可获得大地水准面差距N。
S1021-23：将正高系统转换到大地高系统下，公式如下：
Figure 905132DEST_PATH_IMAGE040
其中，
Figure 597145DEST_PATH_IMAGE041
为大地高。
S1021-3：多源数据(RS和ERA5)的PWV高程统一，获取到皆高程统一到大地高系统下的PWV，公式如下：
Figure 334157DEST_PATH_IMAGE042
其中，
Figure 293760DEST_PATH_IMAGE043
为高程统一后PWV；
Figure 723605DEST_PATH_IMAGE044
为原始PWV；
Figure 637334DEST_PATH_IMAGE045
为站点GNSS的大地高；
Figure 178037DEST_PATH_IMAGE046
为RS或ERA5对应的大地高；
最终获取高程统一的BDS-PWV、RS-PWV和ERA5-PWV。
进一步地，所述S103：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；具体是采用MODIS (Moderate Resolution Imaging Spectroradiometer)传感器提取地震发生后目标监测区域的地表温度热异常数据。
进一步地，所述S103：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；具体包括：
S1031：对地震过程中的地表温度值进行前后时间序列对比，得到第一对比结果；
S1032：将地震发生后地震当天的地表温度与过去十年同一时间点同一地理位置的地表温度值进行对比，得到第二对比结果；
S1033：将第一对比结果和第二对比结果取并集，得出地表温度热异常结果。
应理解地，基于MODIS11A1(MODIS/Terra LST/E Daily L3 Global 1 km SINGrid)单日地表温度L3 (三级产品)全球网格数据，利用地表温度在目标区域从两个时间序列来探测震后热异常，一方面为在地震过程中的地表温度对比，另一方面为基于十年背景场的同期同地的地表温度对比。
进一步地，所述S1031：对地震过程中的地表温度值进行前后时间序列对比，得到第一对比结果；具体包括：
针对地震发生过程中前后N天内的地表温度前后对比，从而获取震后地表温度较震前和发震时的差异；得出设定时间范围的地表温度热异常结果，N为正整数。
进一步地，所述S1032：将地震发生后地震当天的地表温度与过去十年同一时间点同一地理位置的地表温度值进行对比，得到第二对比结果；具体包括：
将地震发生后地震当天的地表温度，与对过去十年的地表温度值建立背景场进行多年同期对比，将ALICE指标作为热异常指标，得到地表温度热异常结果。
例如第i年5月6日地震，那么我们以十年每年5月6日的地表温度值建立背景场，再以此来对比第i年5月6日这一天的异常；具体包括：
将地震发生后的地表温度和基于10年背景场与地震同期同地的地表温度进行对比，突出时空域上的异常，提取空间热异常时间点，将ALICE (Absolutely Llocal Indexof Change of the Environment)指数作为热异常指标：
Figure 94357DEST_PATH_IMAGE049
(7)
其中，
Figure 760962DEST_PATH_IMAGE050
是指地震时期的LST值；
Figure 839776DEST_PATH_IMAGE051
为多年平均LST值；
Figure 773972DEST_PATH_IMAGE052
是多年地表温度的标准差。
进一步地，所述S104：基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；具体包括：
S1041：获取每一年大气可降水量峰值与地表温度热异常峰值之间的时间差；
S1042：对所有年份的时间差求平均值，得到平均时间差，将平均时间差作为大气可降水量峰值与地表温度热异常峰值之间的时间延迟。
BDS-PWV具有升高变化时，有极大可能发生降水相关的次生灾害。而在PWV变化之前往往伴随有LST热异常出现，因此可以通过先捕获LST热异常现象，再根据PWV峰值与热异常出现两者之间的时间延迟判定PWV突增至峰值的时间点，从而采取相关措施来预防次生灾害的发生，从而达到预测的目的。BDS-PWV峰值变化和热异常出现的前后时间延迟。热异常出现分别为：1. LST在地震发生后的增加现象；2. 以ALICE指数作为指标的高值。
结合北斗卫星导航系统监测的大气可降水量的变化与地震后震中位置地表温度热异常的变化，获取大气可降水量与热异常的延迟信息，从而为将来该区域地震发生后的次生灾害预测和灾后重建工作提供参考价值。
本发明基于北斗卫星导航系统观测数据和地表温度产品，提出了一种利用北斗卫星导航系统技术反演地震后震中及附近地区大气可降水量并进一步分析其与地表温度热异常关系的方法。
本发明基于陆态网北斗卫星导航系统观测数据和MOD11A1单日地表温度格网产品，针对在某地区发生的三次地震提出了一种利用北斗卫星导航系统技术反演震后震中及附近地区大气可降水量并进一步分析其与地表温度热异常关系的方法。其中，将北斗卫星导航系统技术反演的大气可降水量与RS及ERA5数据进行比对，验证了BDS-PWV精度良好，可用来描述地震后水汽变化。本发明属于北斗卫星导航系统与遥感交叉的大气水汽研究范畴。
随机选择三个发生过地震的区域，分别利用距离三个地震震中位置最近的北斗卫星导航系统的观测数据，按照反演流程获取BDS-PWV。
根据图3(a)-图3(c)，第一区域、第二区域和第三区域地震后的所有大气可降水量数据都出现了异常增加的情况。在第一区域地震爆发时，BDS-PWV、RS-PWV和ERA5-PWV均处于最小值，在此之后便出现了PWV上升的变化，呈上升趋势，并在大地震发生后3天由于5月7日的余震从而达到峰值（BDS-PWV约14mm，RS和ERA5约为11mm）。余震进一步促进能量释放，水汽不断碰撞和聚集，形成可降水。BDS-PWV在第二区域地震发生三天后出现了急剧的上升，最高可达6mm，是整个地震过程中的最高值，同时，相比于RS-PWV和ERA5-PWV，BDS-PWV的变化明显要明显很多。对于第三区域地震，三个数据源的PWV都在12月18日达到最大值（地震发生在12月13日23时，持续到第二天凌晨2时），其中BDS和ERA5的PWV约为8.2mm，RS探测结果基本达到10mm，然后又急剧下降。
上述分析表明，地震后存在大气可降水量异常，主要表现为先增加随后减少的趋势。地震导致岩石在构造应力作用下孔隙裂缝开闭，释放出大量地热能，如热气和热水。热效应的产生，加速震中上空水分的蒸发和水汽的运动，这也是地震过程中大气可降水量异常变化的原因。
BDS-PWV的坐标系统为大地高，探空资料的坐标系统为位势高，而ERA5再分析资料则为位势。高程统一到大地高后，进行精度验证。
相关系数和误差如图4(a)-图4(f)所示。第一区域地震的BDS-PWV与RS-PWV和ERA5-PWV非常接近，RMSE分别为1.28mm和1.78mm。在第二区域地震中，BDS-PWV与RS-PWV和ERA5-PWV的RMSE分别为1.06mm和0.7mm。第三区域地震的RMSE则为1.34mm和0.97mm。从以上分析可以看出，北斗卫星导航系统反演大气可降水量与其他两个数据源结果的RMSE均小于2mm，其反演的准确性和可靠性非常高，能够为地震过程的气象研究提供有效大气可降水量参考。
通过分析三个地震所对应的地表温度在地震过程中的变化，可以看出，第一区域地震爆发当天（ST 呈现大面积最大值为-6~-2
Figure 280040DEST_PATH_IMAGE053
，比地震前三天高约12~16
Figure 433940DEST_PATH_IMAGE053
。对于第二区域地震，震中位置 LST 有向西递增的趋势，稳定在-10~6
Figure 254129DEST_PATH_IMAGE053
，但在震后5天之内又开始逐渐下降，随后直到2月20日，LST恢复到震前水平。第三区域地震中，LST在震中及周边地区上升并持续了3天。从整个过程来看，在地震发生的当天或次日，LST都比前几天高。三次地震后的LST都比震前存在一个明显上升，并在高值处维持了三天左右，然后又下降到正常水平，其原因可能为地震过程中释放的能量在震后几天逐渐消散。
其次，本发明又采用RST (Robust satellite technique，卫星鲁棒分析技术) 算法，基于十年背景场数据来突出多年同地震时期、同地震位置的空间热异常。将ALICE指数作为热异常指标。
第一区域地震过程的ALICE指数显示，某月6日和7日震中及周边地区出现严重的热异常，最大值为1.5，基于十年背景场出现了地表温度热异常；虽然8日至10日有云层覆盖缺失数据，但从11日开始，异常强度逐渐减弱。
第二区域地震过程中的ALICE指数在某月13日至15日均为1以上，随后恢复正常（0±0.5），说明某年发生该地震时的LST比过去十年同范围区域的LST都高，存在热异常现象。
第三区域地震后，震中及附近地区的ALICE指数上升至1，震后LST高于多年LST，基于10年数据的热异常相当明显。
总之，地震后ALICE指数有所上升，地表温度热异常高于往年同期。此后几乎没有任何变化。
以上分别从地震发生过程中LST前后对比和基于十年背景数据的多年同期同地LST对比两个方面提取了地震热异常，发现地震能够引起地表温度热异常。
第一区域震中区最大LST在某月6日，同时PWV开始增加，次日达到第一个峰值，达到最大PWV峰值是在某月9日。
对于第二区域地震，最高LST是在发震当天测得，BDS-PWV 在某月16日达到最大。
第三区域地震于某月13日23:00 发生，余震一直持续到次日凌晨2时，LST 在震中及周边地区在15日最高，而在某月18日BDS-PWV达到峰值，比LST最大值晚3天。
综上所述，实验所选取的3次地震发生后 LST 和 BDS-PWV变化之间存在延迟，即大气可降水量变化紧随地表温度变化之后。BDS-PWV变化与地表温度热异常存在一定的关系，大气可降水量峰值出现晚于地表温度升高3天。
参考背景数据发现，震中地表温度热异常越严重，BDS-PWV越高；否则，地表温度异常较弱或没有异常，则在震中没有BDS-PWV的突出异常变化。
地震诱发地表和地下热异常，引发更多的热能释放反应，促进水汽活跃，特别是水汽向上运动过程中的蒸发、输送和积聚，大量PWV沉积在大气中，超过一定程度可以产生降水。通过北斗卫星导航系统技术反演发现，震后PWV会增加，与地表温度热异常存在延迟关系。基于这一发现，本发明认为这对震后与降水相关的次生灾害的预测预防和震后重建具有重要意义。
对待研究区域，就按照上述流程结合当前待研究区域的历史地震数据，得出BDS-PWV峰值和热异常出现的结果，最终获得延迟时间；基于延迟时间，为以后当前待研究区域再次发生地震时通过提前检测到热异常，在加以历史延迟时间计算出PWV峰值时间点，预测次生灾害。
本发明利用北斗卫星导航系统反演震后震中位置的PWV，并结合地表温度热异常进一步探求其与PWV关系。
本发明北斗卫星导航系统反演获得震后震中及附近地区PWV并进一步分析其与地表温度热异常关系，为震后与降水相关的次生灾害的预测监测和震后重建工作提供参考。
实施例二
本实施例提供了一种地震后物理参数变化的预测系统；
一种地震后物理参数变化的预测系统，包括：
第一获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的大气可降水量；
精度验证模块，其被配置为：对历史时间段内采集的大气可降水量，进行精度验证；
第二获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
时间差确定模块，其被配置为：基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
预测输出模块，其被配置为：当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
此处需要说明的是，上述第一获取模块、精度验证模块、第二获取模块、时间差确定模块和预测输出模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
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 (10)

1.一种地震后物理参数变化的预测方法，其特征是，包括：
获取历史时间段内，目标监测区域地震发生后的大气可降水量；
对历史时间段内采集的大气可降水量，进行精度验证；
获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
2.如权利要求1所述的一种地震后物理参数变化的预测方法，其特征是，获取历史时间段内，目标监测区域地震发生后的大气可降水量；具体包括：
采用北斗卫星导航系统，获取地震发生后目标监测区域的大气可降水量；
基于无线电探空方式，获取地震发生后目标监测区域的大气可降水量；
基于ERA5再分析资料，获取地震发生后目标监测区域的大气可降水量。
3.如权利要求2所述的一种地震后物理参数变化的预测方法，其特征是，采用北斗卫星导航系统，获取地震发生后目标监测区域的大气可降水量；具体包括：
根据北斗卫星导航系统观测数据，获取地震发生后目标监测区域的天顶对流层延迟；利用对流层经典改正模型和姚宜斌大气加权平均温度模型，最终获得大气可降水量。
4.如权利要求1所述的一种地震后物理参数变化的预测方法，其特征是，对历史时间段内采集的大气可降水量，进行精度验证；具体包括：
对采用北斗卫星导航系统获取的大气可降水量、基于无线电探空方式获取的大气可降水量和基于ERA5再分析资料获取的大气可降水量进行高程统一；
计算采用北斗卫星导航系统获取的大气可降水量与基于无线电探空方式获取的大气可降水量的第一差值；
计算采用北斗卫星导航系统获取的大气可降水量与基于ERA5再分析资料获取的大气可降水量的第二差值；
如果第一差值和第二差值均在设定的范围内，则表示采用北斗卫星导航系统获取的大气可降水量反演的大气可降水量精度验证通过；否则表示精度验证不通过。
5.如权利要求1所述的一种地震后物理参数变化的预测方法，其特征是，获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；具体是采用MODIS传感器提取地震发生后目标监测区域的地表温度热异常数据。
6.如权利要求1所述的一种地震后物理参数变化的预测方法，其特征是，获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；具体包括：
对地震过程中的地表温度值进行前后时间序列对比，得到第一对比结果；
将地震发生后地震当天的地表温度与过去十年同一时间点同一地理位置的地表温度值进行对比，得到第二对比结果；
将第一对比结果和第二对比结果取并集，得出地表温度热异常结果。
7.如权利要求6所述的一种地震后物理参数变化的预测方法，其特征是，对地震过程中的地表温度值进行前后时间序列对比，得到第一对比结果；具体包括：
针对地震发生过程中前后N天内的地表温度前后对比，从而获取震后地表温度较震前和发震时的差异；得出设定时间范围的地表温度热异常结果，N为正整数。
8.如权利要求6所述的一种地震后物理参数变化的预测方法，其特征是，将地震发生后地震当天的地表温度与过去十年同一时间点同一地理位置的地表温度值进行对比，得到第二对比结果；具体包括：
将地震发生后地震当天的地表温度，与对过去十年的地表温度值建立背景场进行多年同期对比，将ALICE指标作为热异常指标，得到地表温度热异常结果。
9.如权利要求1所述的一种地震后物理参数变化的预测方法，其特征是，基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；具体包括：
获取每一年大气可降水量峰值与地表温度热异常峰值之间的时间差；
对所有年份的时间差求平均值，得到平均时间差，将平均时间差作为大气可降水量峰值与地表温度热异常峰值之间的时间延迟。
10.一种地震后物理参数变化的预测系统，其特征是，包括：
第一获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的大气可降水量；
精度验证模块，其被配置为：对历史时间段内采集的大气可降水量，进行精度验证；
第二获取模块，其被配置为：获取历史时间段内，目标监测区域地震发生后的地表温度热异常数据；
时间差确定模块，其被配置为：基于历史地表温度热异常数据，和通过精度验证的历史大气可降水量，确定大气可降水量峰值与地表温度热异常峰值之间的时间差；
预测输出模块，其被配置为：当目标监测区域再次发生地震时，检测目标监测区域的地表温度热异常峰值对应的时间点；将时间点加上时间差得到大气可降水量峰值的预测时间点，将预测时间点作为次生灾害发生的时间点输出。
CN202210643606.1A 2022-06-09 2022-06-09 一种地震后物理参数变化的预测方法及系统 Active CN114722642B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210643606.1A CN114722642B (zh) 2022-06-09 2022-06-09 一种地震后物理参数变化的预测方法及系统
US18/206,631 US11880014B2 (en) 2022-06-09 2023-06-07 Prediction method and system for changes of physical parameters after earthquakes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210643606.1A CN114722642B (zh) 2022-06-09 2022-06-09 一种地震后物理参数变化的预测方法及系统

Publications (2)

Publication Number Publication Date
CN114722642A true CN114722642A (zh) 2022-07-08
CN114722642B CN114722642B (zh) 2022-09-16

Family

ID=82232402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210643606.1A Active CN114722642B (zh) 2022-06-09 2022-06-09 一种地震后物理参数变化的预测方法及系统

Country Status (2)

Country Link
US (1) US11880014B2 (zh)
CN (1) CN114722642B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093161A1 (en) * 2000-12-12 2004-05-13 Hiroyuki Inubushi Apparatus and method for analyzing correlation between geophysical data and seismic data, geophysical data monitoring apparatus and method, and earthquake monitoring method
JP2011055108A (ja) * 2009-08-31 2011-03-17 Kddi Corp 災害時トラヒックの予測モデル構築システムおよび制御システム
CN105019889A (zh) * 2014-04-28 2015-11-04 中国石油化工股份有限公司 一种轻质油藏原油低温氧化速率预测及安全防范方法
CN110610595A (zh) * 2019-08-01 2019-12-24 江苏科博空间信息科技有限公司 一种基于北斗水汽反演地质灾害预警方法
CN111190219A (zh) * 2020-01-14 2020-05-22 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
CN111458768A (zh) * 2020-03-27 2020-07-28 山东大学 一种强对流天气预警方法、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201916381D0 (en) * 2019-11-11 2019-12-25 Univ Newcastle Configuration of global satellite navigation system infrastructure

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093161A1 (en) * 2000-12-12 2004-05-13 Hiroyuki Inubushi Apparatus and method for analyzing correlation between geophysical data and seismic data, geophysical data monitoring apparatus and method, and earthquake monitoring method
JP2011055108A (ja) * 2009-08-31 2011-03-17 Kddi Corp 災害時トラヒックの予測モデル構築システムおよび制御システム
CN105019889A (zh) * 2014-04-28 2015-11-04 中国石油化工股份有限公司 一种轻质油藏原油低温氧化速率预测及安全防范方法
CN110610595A (zh) * 2019-08-01 2019-12-24 江苏科博空间信息科技有限公司 一种基于北斗水汽反演地质灾害预警方法
CN111190219A (zh) * 2020-01-14 2020-05-22 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
CN111458768A (zh) * 2020-03-27 2020-07-28 山东大学 一种强对流天气预警方法、计算机设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
J. PLANINIC等: "Temporal variations of radon in soil related to earthquakes", 《APPLIED RADIATION AND ISOTOPES》 *
叶秀薇等: "卫星热红外遥感资料在地震预测中应用的现状", 《华南地震》 *
孟亚飞等: "基于卫星数据稳健分析技术统计分析新疆地区热异常与地震的关系", 《地震学报》 *
张建武等: "亮温与降水量的关系", 《高原地震》 *
王佳雯等: "中国大陆地区极端降水与温度的相关性", 《中山大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
US11880014B2 (en) 2024-01-23
CN114722642B (zh) 2022-09-16
US20230400601A1 (en) 2023-12-14

Similar Documents

Publication Publication Date Title
Jiang et al. Evaluation of the ERA5 reanalysis precipitation dataset over Chinese Mainland
Wang et al. Water vapor‐weighted mean temperature and its impact on the determination of precipitable water vapor and its linear trend
Asong et al. Evaluation of Integrated Multisatellite Retrievals for GPM (IMERG) over southern Canada against ground precipitation observations: A preliminary assessment
Yang et al. Evaluation of snow products over the Tibetan Plateau
Papayannis et al. Systematic lidar observations of Saharan dust over Europe in the frame of EARLINET (2000–2002)
Anders et al. Spatial patterns of precipitation and topography in the Himalaya
Ochoa et al. Evaluation of TRMM 3B42 precipitation estimates and WRF retrospective precipitation simulation over the Pacific–Andean region of Ecuador and Peru
Ozelkan et al. Spatial interpolation of climatic variables using land surface temperature and modified inverse distance weighting
Chang et al. Analysis of ground-measured and passive-microwave-derived snow depth variations in midwinter across the northern Great Plains
Ebrahimi et al. Effects of temporal scales and space mismatches on the TRMM 3B42 v7 precipitation product in a remote mountainous area
Zhang et al. Validation of a radiosonde‐based cloud layer detection method against a ground‐based remote sensing method at multiple ARM sites
Li et al. A new cumulative anomaly-based model for the detection of heavy precipitation using GNSS-derived tropospheric products
Shrestha et al. Bias‐adjusted satellite‐based rainfall estimates for predicting floods: N arayani B asin
Li et al. An improved model for detecting heavy precipitation using GNSS-derived zenith total delay measurements
Chernokulsky et al. Tornadoes in the Russian regions
Li et al. Detecting heavy rainfall using anomaly-based percentile thresholds of predictors derived from GNSS-PWV
Wang et al. Melt season duration and ice layer formation on the Greenland ice sheet, 2000–2004
Amekudzi et al. Validation of TRMM and FEWS satellite rainfall estimates with rain gauge measurement over Ashanti Region, Ghana
Guo et al. Analyzing correlations between GNSS retrieved precipitable water vapor and land surface temperature after earthquakes occurrence
Abbasy et al. Precipitable water vapour estimation using the permanent single GPS station in Zanjan, Iran
Chavez et al. High‐elevation monsoon precipitation processes in the Central Andes of Peru
Realini et al. An observation campaign of precipitable water vapor with multiple GPS receivers in western Java, Indonesia
Sugiartha et al. Application of GSMaP product and rain gauge data for monitoring rainfall condition of flood events in Indonesia
Means et al. Precipitable water from GPS Zenith delays using North American regional reanalysis meteorology
Dyson et al. An ERA‐Interim HAILCAST hail climatology for southern Africa

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