CN114896351A - 地震危险概率预测方法和装置 - Google Patents

地震危险概率预测方法和装置 Download PDF

Info

Publication number
CN114896351A
CN114896351A CN202210064495.9A CN202210064495A CN114896351A CN 114896351 A CN114896351 A CN 114896351A CN 202210064495 A CN202210064495 A CN 202210064495A CN 114896351 A CN114896351 A CN 114896351A
Authority
CN
China
Prior art keywords
probability
earthquake
abnormal
precursor
data
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
Application number
CN202210064495.9A
Other languages
English (en)
Inventor
钟骏
邓世广
周志华
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.)
CHINA EARTHQUAKE NETWORKS CENTER
Original Assignee
CHINA EARTHQUAKE NETWORKS CENTER
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 CHINA EARTHQUAKE NETWORKS CENTER filed Critical CHINA EARTHQUAKE NETWORKS CENTER
Priority to CN202210064495.9A priority Critical patent/CN114896351A/zh
Publication of CN114896351A publication Critical patent/CN114896351A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种地震危险概率预测方法和装置，包括：获取目标区域的地震目录和前兆异常参数；该目标区域预先被划分为多个网格区域；根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。该方法通过地球物理观测设备以及地球化学观测设备的观测数据中的异常数据自动化预测地震危险概率，并且通过将目标区域划分网格的方式分别确定每个网格区域的地震危险概率的预测结果，从而提升地震危险概率预测结果的准确率。

Description

地震危险概率预测方法和装置
技术领域
本发明涉及地震预测技术领域，尤其是涉及一种地震危险概率预测方法和装置。
背景技术
目前的地震危险概率预测方法，主要基于测震学、地壳形变、地磁、地下流体、重力等多种单项预测方法给出的短期或年度预测意见，结合区域背景发震概率和预测方法的历史预测效能，采用贝叶斯定理和综合概率方法，计算得到基于多种单项预测方法的短期或年度地震危险概率预测结果。
传统的地震危险概率预测中，通过人为对测震学、地壳形变、地磁、地下流体、重力等多种单项预测方法给出的地震危险概率短期或年度预测。由于人为主观因素的介入，现有地震危险概率预测方式无法客观体现不同预测方法中各个异常数据的真实预测能力，导致最终的地震危险概率预测结果准确率偏低。进一步的，传统的地震危险概率预测忽略了某些地区存在多震或少震特点，从而造成背景发震概率发生概率结果不真实，进一步导致最终的地震危险概率预测结果准确率偏低。
发明内容
本发明的目的在于提供一种地震危险概率预测方法和装置，以提升地震危险概率预测结果的准确率。
第一方面，本发明实施例提供了一种地震危险概率预测方法，其中，包括：获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域；根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，根据该前兆异常参数以及该背景发震概率，确定该每个网格的地震危险概率预测结果的步骤包括：根据前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率；根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率，计算该每个网格的地震危险概率预测结果。
结合第一方面至第一方面的第一种可能的实施方式任一项的地震危险概率预测方法，本发明实施例提供了第一方面的第二种可能的实施方式，其中，该前兆异常参数包括：该异常数据的R值、该异常数据的经纬度、该异常数据的起始时间和结束时间、该异常数据的预设预测半径以及该异常数据的预设预报天数。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，该异常数据的R值基于下述公式计算得到：
Figure BDA0003479739640000021
其中，a表示报对的地震次数；b表示应预报的地震总次数；c表示预报占用的时间；d表示预报研究的总时间。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率的步骤包括：根据前兆异常参数，确定该异常数据出现的概率；根据该异常数据出现的概率以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该根据前兆异常参数，确定该异常数据出现的概率的步骤包括：根据前兆异常参数，确定该异常数据持续的时间以及该异常数据持续的年份时间；根据该异常数据持续的时间以及该异常数据持续的年份时间，确定该异常数据出现的概率。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该根据该异常数据持续的时间以及该异常数据持续的年份时间，确定该异常数据出现的概率的步骤包括：通过下述公式计算该异常数据出现的概率：
Figure BDA0003479739640000031
其中，P’表示该异常数据出现的概率；T1表示该异常数据持续的时间；T2表示该异常数据持续的年份时间。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，根据该前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率的步骤包括：通过下述贝叶斯公式计算该每个网格的该前兆异常参数中单个异常数据的地震危险概率：
Figure BDA0003479739640000032
其中，P(A|B)表示该单个异常数据的地震危险概率；P(B|A)表示为发生地震且预测准确的概率；P(A)为表示该背景发震概率；P(B)为预测时间内该异常数据出现的概率。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率，计算该每个网格的地震危险概率预测结果的步骤包括：通过下述综合概率公式计算该异常数据出现的概率：P＝1-(1-P1)×(1-P2)……(1-Pn)；其中，P表示该每个网格的地震危险概率；P1,P2……Pn表示该每个网格内1至n个该单个异常数据的地震危险概率。
第二方面，本发明实施例提供了一种地震危险概率预测装置，其中，包括：数据获取模块，用于获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域；背景发震概率计算模块，用于根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；地震危险概率计算模块，用于根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。
本发明实施例带来了以下有益效果：
本发明提供的一种地震危险概率预测方法和装置，其中，包括：获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域；根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。该方法通过地球物理观测设备以及地球化学观测设备的观测数据中的异常数据自动化预测地震危险概率，并且通过将目标区域划分网格的方式分别确定每个网格区域的地震危险概率的预测结果，从而提升地震危险概率预测结果的准确率。
本实施例公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、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具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例提供的一种地震危险概率预测方法的流程示意图；
图2为本发明实施例提供的另一种地震危险概率预测方法的流程示意图；
图3为本发明实施例提供了一种地震危险概率预测效果示意图；
图4为本发明实施例提供了一种地震危险概率预测装置的结构示意图；
图5为本发明实施例提供了一种电子设备结构示意图。
图标：41-数据获取模块；42-背景发震概率计算模块；43-地震危险概率计算模块；51-存储器；52-处理器；53-总线；54-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
现有的地震危险概率预测中，通过人为对测震学、地壳形变、地磁、地下流体、重力等多种单项预测方法给出的地震危险概率短期或年度预测。由于人为主观因素的介入，现有地震危险概率预测方式无法客观体现不同预测方法中各个异常数据的真实预测能力，导致最终的地震危险概率预测结果准确率偏低。进一步的，传统的地震危险概率预测忽略了某些地区存在多震或少震特点，从而造成背景发震概率发生概率结果不真实，进一步导致最终的地震危险概率预测结果准确率偏低。
基于此，本发明实施例提供了一种地震危险概率预测方法和装置，该技术可以缓解上述技术问题，该技术可以提升地震危险概率预测结果的准确率。为便于对本发明实施例进行理解，首先对本发明实施例所公开的一种地震危险概率预测方法进行详细介绍。
实施例1
如图1所示，为本发明实施例提供的一种地震危险概率预测方法的流程示意图。
如图1所见，该方法包括以下步骤：
步骤S101：获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域。
在本实施例中，该目标区域为我国领土区域，其中包括：新疆北部、内蒙古北部等边境附近区域以及台湾地区。
进一步的，该地球物理观测设备以及地球化学观测设备包括：监测站里有各种观测手段(形变、电磁、地下流体)的仪器。地震预报工作主要依赖于不同观测手段(例如地下流体中观测的水位、水温，等)的数据，每个时间序列有自己的正常动态特征，当出现不符合正常动态特征的变化时，就称为该异常数据。
在实际的操作中，该目标区域预先被划分为0.5°×0.5°的多个网格区域。
步骤S102：根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率。
在本实施例中，通常认为，一次地震发生后，立即发生下一次地震的可能性较小，但随着时间的增长，发生下一次地震的可能性在增加(可以理解为，地震的发生意味着地壳积累的弹性应变能量得到了释放；地震未发生，则能量在一直积累，积累的越多，发生地震的可能性越大)。
假定某地区的地震复发间隔概率密度函数为f(T)，自上次地震发生以来的离逝时间为Te，若从上次地震至Te时刻没有目标震级以上的地震发生，那么在Te至Te+ΔT之间发生地震的概率为：
Figure BDA0003479739640000071
传统的地震危险性概率分析模型假设地震的发生服从泊松分布，从上次地震发生以来的离逝时间Te内发生k次地震的概率为：
Figure BDA0003479739640000072
其中，k为地震发生次数，λ为单位时间(或单位面积)内随机事件的平均发生率，对于地震事件而言，使用归一化值
Figure BDA0003479739640000073
作为λ，其中
Figure BDA0003479739640000074
为研究区内地震复发间隔的中位数，这样能够消除不同断裂段或不同震级范围地震复发间隔的绝对差别。在地震离逝时间Te内发生地震等价于不发生地震(k＝0)的反事件。离逝时间内不发生地震(k＝0)的概率计算相对简单：
Figure BDA0003479739640000075
因此，在离逝时间Te范围内发生地震(k≥1)的概率为：
Figure BDA0003479739640000081
实际工作中面临的情况是，已知某区域离逝时间内尚未发生目标震级以上的地震，计算得到未来一定时间范围内发生预设目标震级以上地震的概率(即背景发震概率)，因此：
Figure BDA0003479739640000082
其中，预设目标震级在大陆地区默认为五级或五级以上地震；在台湾默认为七级或七级以上地震。
步骤S103：根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。
在本实施例中，由于前兆异常参数包含多个异常数据。从而通过前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率。然后，通过对该每个网格的该前兆异常参数中单个异常数据的地震危险概率进行综合概率计算，从而得到每个网格的地震危险概率预测结果。
本发明实施例提供的一种地震危险概率预测方法，其中，包括：获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域；根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。该方法通过地球物理观测设备以及地球化学观测设备的观测数据中的异常数据自动化预测地震危险概率，并且通过将目标区域划分网格的方式分别确定每个网格区域的地震危险概率的预测结果，从而提升地震危险概率预测结果的准确率。
实施例2
在图1所示方法的基础上，本发明还提供了另一种地震危险概率预测方法。图2为本发明实施例提供的另一种地震危险概率预测方法的流程示意图，如图2所见，该方法包括以下步骤：
步骤S201:获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域。
在其中一种实施方式中，该前兆异常参数包括：该异常数据的R值、该异常数据的经纬度、该异常数据的起始时间和结束时间、该异常数据的预设预测半径以及该异常数据的预设预报天数。
其中，该异常数据的R值基于下述公式计算得到：
Figure BDA0003479739640000091
其中，a表示报对的地震次数；b表示应预报的地震总次数；c表示预报占用的时间；d表示预报研究的总时间。
这里，R值评分实质上反映的是异常与地震的相关程度。异常的报准率越高，时间占有率越低，其R值就会越高。因此，当一个R值较高的异常出现时，发生地震的可能性在增大，即高概率；当一个R值较低的异常出现或未出现异常时，发生地震的可能性较小，即低概率。根据异常的有效震例确定异常的预测范围，当预测区域出现重合，表明发生地震的概率更高。因此，基于R值评分的地震危险概率能够更加客观准确的表达不同预测方法中异常的地震预测结果。
步骤S202:根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率。
其中，计算的数据来源于该地震目录，其包括了地震的一些信息，如时间、经纬度、震级、震源深度等。通过挑选某一段时间内的地震，利用泊松分布模型可以计算得到背景发震概率。
步骤S203：根据前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率。
在本实施例中，首先根据前兆异常参数，确定该异常数据出现的概率。然后，根据该异常数据出现的概率以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率。
在其中一种实施方式中，该根据前兆异常参数，确定该异常数据出现的概率的步骤包括：首先，根据前兆异常参数，确定该异常数据持续的时间以及该异常数据持续的年份时间。然后，根据该异常数据持续的时间以及该异常数据持续的年份时间，确定该异常数据出现的概率。
这里，通过下述公式计算该异常数据出现的概率：
Figure BDA0003479739640000101
其中，P’表示该异常数据出现的概率；T1表示该异常数据持续的时间；T2表示该异常数据持续的年份时间。
进一步的，根据该前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率的步骤包括：通过下述贝叶斯公式计算该每个网格的该前兆异常参数中单个异常数据的地震危险概率：
Figure BDA0003479739640000102
其中，P(A|B)表示该单个异常数据的地震危险概率；P(B|A)表示为发生地震且预测准确的概率；P(A)为表示该背景发震概率；P(B)为预测时间内该异常数据出现的概率。该P(B|A)表示为发生地震且预测准确的概率即为上述该异常数据的R值。
步骤S204：根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率，计算该每个网格的地震危险概率预测结果。
在本实施例中，通过下述综合概率公式计算该异常数据出现的概率：
P＝1-(1-P1)×(1-P2)……(1-Pn)
其中，P表示该每个网格的地震危险概率；P1,P2……Pn表示该每个网格内1至n个该单个异常数据的地震危险概率。
为了便于理解，图3为本发明实施例提供了一种地震危险概率预测效果示意图，如图3所见，以2021年的地下流体异常R值评分的地震危险概率为例，结果显示，在云南和四川等高概率附近地区，发生了多次5级以上地震。特别是，2021年的漾濞地震，发生在高概率地区最显著的地方。而如青海和西藏等低概率地区也发生了一些5级以上地震，主要与该区域地震监测能力较弱，无异常有关。
本发明实施例提供的一种地震危险概率预测方法，其中，包括：获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域；根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率；根据前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率；根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率，计算该每个网格的地震危险概率预测结果。该方法通过地球物理观测设备以及地球化学观测设备的观测数据中的异常数据自动化预测地震危险概率，并且通过将目标区域划分网格的方式分别确定每个网格区域中单个异常数据的地震危险概率，最后根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率的预测结果，进一步提升地震危险概率预测结果的准确率。
实施例3
本发明实施例还提供一种地震危险概率预测装置，如图4示，为本发明实施例提供了一种地震危险概率预测装置的结构示意图，包括：
数据获取模块41，用于获取目标区域的地震目录和前兆异常参数；其中，该前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；该目标区域预先被划分为多个网格区域。
背景发震概率计算模块42，用于根据该地震目录，通过预设的泊松分布模型计算每个该网格区域的目标地震事件的背景发震概率。
地震危险概率计算模块43，用于根据该前兆异常参数以及该背景发震概率，确定该目标区域中每个网格区域的地震危险概率的预测结果。
其中，上述数据获取模块41、背景发震概率计算模块42以及地震危险概率计算模块43依次相连。
在其中一种实施方式中，该地震危险概率计算模块43还用于根据该前兆异常参数以及该背景发震概率，确定该每个网格的地震危险概率预测结果的步骤包括：根据前兆异常参数以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率；根据该每个网格的该前兆异常参数中单个异常数据的地震危险概率，计算该每个网格的地震危险概率预测结果。
在其中一种实施方式中，该地震危险概率计算模块43还用于根据前兆异常参数，确定该异常数据出现的概率；根据该异常数据出现的概率以及该背景发震概率，确定该每个网格的该前兆异常参数中单个异常数据的地震危险概率。
在其中一种实施方式中，该地震危险概率计算模块43还用于根据前兆异常参数，确定该异常数据持续的时间以及该异常数据持续的年份时间；根据该异常数据持续的时间以及该异常数据持续的年份时间，确定该异常数据出现的概率。
在其中一种实施方式中，该地震危险概率计算模块43还用于通过下述贝叶斯公式计算该每个网格的该前兆异常参数中单个异常数据的地震危险概率：
Figure BDA0003479739640000131
其中，P(A|B)表示该单个异常数据的地震危险概率；P(B|A)表示为发生地震且预测准确的概率；P(A)为表示该背景发震概率；P(B)为预测时间内该异常数据出现的概率。
在其中一种实施方式中，该地震危险概率计算模块43还用于通过下述综合概率公式计算该异常数据出现的概率：P＝1-(1-P1)×(1-P2)……(1-Pn)；其中，P表示该每个网格的地震危险概率；P1,P2……Pn表示该每个网格内1至n个该单个异常数据的地震危险概率。
本发明实施例提供的地震危险概率预测装置，与上述实施例提供的地震危险概率预测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例4
本实施例提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现地震危险概率预测方法的步骤。
本实施例提供了一种计算机可读存储介质，其中存储有计算机程序，该计算机程序被处理器执行时实现地震危险概率预测方法的步骤。
参见图5所示的一种电子设备的结构示意图，该电子设备包括：存储器51、处理器52，存储器51中存储有可在处理器52上运行的计算机程序，处理器执行计算机程序时实现上述地震危险概率预测方法提供的步骤。
如图5所示，该设备还包括：总线53和通信接口54，处理器52、通信接口54和存储器51通过总线53连接；处理器52用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口54(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线53可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，处理器52在接收到执行指令后，执行程序，前述本发明任一实施例揭示地震危险概率预测装置所执行的方法可以应用于处理器52中，或者由处理器52实现。处理器52可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器52中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器52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(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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发明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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器52读取存储器51中的信息，结合其硬件完成上述方法的步骤。
进一步地，本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器52调用和执行时，机器可执行指令促使处理器52实现上述地震危险概率预测方法。
本发明实施例提供的电子设备和计算机可读存储介质具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

Claims (10)

1.一种地震危险概率预测方法，其特征在于，包括：
获取目标区域的地震目录和前兆异常参数；其中，所述前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；所述目标区域预先被划分为多个网格区域；
根据所述地震目录，通过预设的泊松分布模型计算每个所述网格区域的目标地震事件的背景发震概率；
根据所述前兆异常参数以及所述背景发震概率，确定所述目标区域中每个网格区域的地震危险概率的预测结果。
2.根据权利要求1所述的地震危险概率预测方法，其特征在于，所述根据所述前兆异常参数以及所述背景发震概率，确定所述每个网格的地震危险概率预测结果的步骤包括：
根据前兆异常参数以及所述背景发震概率，确定所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率；
根据所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率，计算所述每个网格的地震危险概率预测结果。
3.根据权利要求1-2任一项所述的地震危险概率预测方法，其特征在于，所述前兆异常参数包括：所述异常数据的R值、所述异常数据的经纬度、所述异常数据的起始时间和结束时间、所述异常数据的预设预测半径以及所述异常数据的预设预报天数。
4.根据权利要求3所述的震危险概率预测方法，其特征在于，所述异常数据的R值基于下述公式计算得到：
Figure FDA0003479739630000011
其中，a表示报对的地震次数；b表示应预报的地震总次数；c表示预报占用的时间；d表示预报研究的总时间。
5.根据权利要求4所述的地震危险概率预测方法，其特征在于，根据前兆异常参数以及所述背景发震概率，确定所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率的步骤包括：
根据前兆异常参数，确定所述异常数据出现的概率；
根据所述异常数据出现的概率以及所述背景发震概率，确定所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率。
6.根据权利要求5所述的地震危险概率预测方法，其特征在于，所述根据前兆异常参数，确定所述异常数据出现的概率的步骤包括：
根据前兆异常参数，确定所述异常数据持续的时间以及所述异常数据持续的年份时间；
根据所述异常数据持续的时间以及所述异常数据持续的年份时间，确定所述异常数据出现的概率。
7.根据权利要求6所述的地震危险概率预测方法，其特征在于，所述根据所述异常数据持续的时间以及所述异常数据持续的年份时间，确定所述异常数据出现的概率的步骤包括：
通过下述公式计算所述异常数据出现的概率：
Figure FDA0003479739630000021
其中，P’表示所述异常数据出现的概率；T1表示所述异常数据持续的时间；T2表示所述异常数据持续的年份时间。
8.根据权利要求3所述的地震危险概率预测方法，其特征在于，所述根据所述前兆异常参数以及所述背景发震概率，确定所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率的步骤包括：
通过下述贝叶斯公式计算所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率：
Figure FDA0003479739630000031
其中，P(A|B)表示所述单个异常数据的地震危险概率；P(B|A)表示为发生地震且预测准确的概率；P(A)为表示所述背景发震概率；P(B)为预测时间内所述异常数据出现的概率。
9.根据权利要求2所述的地震危险概率预测方法，其特征在于，所述根据所述每个网格的所述前兆异常参数中单个异常数据的地震危险概率，计算所述每个网格的地震危险概率预测结果的步骤包括：
通过下述综合概率公式计算所述异常数据出现的概率：
P＝1-(1-P1)×(1-P2)……(1-Pn)
其中，P表示所述每个网格的地震危险概率；P1，P2……Pn表示所述每个网格内1至n个所述单个异常数据的地震危险概率。
10.一种地震危险概率预测装置，其特征在于，包括：
数据获取模块，用于获取目标区域的地震目录和前兆异常参数；其中，所述前兆异常参数为地球物理观测设备以及地球化学观测设备的观测数据中的异常数据；所述目标区域预先被划分为多个网格区域；
背景发震概率计算模块，用于根据所述地震目录，通过预设的泊松分布模型计算每个所述网格区域的目标地震事件的背景发震概率；
地震危险概率计算模块，用于根据所述前兆异常参数以及所述背景发震概率，确定所述目标区域中每个网格区域的地震危险概率的预测结果。
CN202210064495.9A 2022-01-20 2022-01-20 地震危险概率预测方法和装置 Pending CN114896351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210064495.9A CN114896351A (zh) 2022-01-20 2022-01-20 地震危险概率预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210064495.9A CN114896351A (zh) 2022-01-20 2022-01-20 地震危险概率预测方法和装置

Publications (1)

Publication Number Publication Date
CN114896351A true CN114896351A (zh) 2022-08-12

Family

ID=82714572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210064495.9A Pending CN114896351A (zh) 2022-01-20 2022-01-20 地震危险概率预测方法和装置

Country Status (1)

Country Link
CN (1) CN114896351A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314204A (zh) * 2023-11-29 2023-12-29 四川省能源地质调查研究所 一种地热高温异常区域预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314204A (zh) * 2023-11-29 2023-12-29 四川省能源地质调查研究所 一种地热高温异常区域预测方法
CN117314204B (zh) * 2023-11-29 2024-01-30 四川省能源地质调查研究所 一种地热高温异常区域预测方法

Similar Documents

Publication Publication Date Title
CN109615236A (zh) 降水预报模式检验评分方法、系统、终端及存储介质
CN102831752B (zh) 一种冰湖溃决预警方法
JP2003281664A (ja) 災害発生予測方法及び災害発生予測装置
CN110750875A (zh) 仅利用输出响应的结构动静态参数不确定性定量分析系统
Alfieri et al. The extreme runoff index for flood early warning in Europe
CN116680658B (zh) 一种基于风险评价的热浪监测站选址方法及系统
Guan et al. Development of verification methodology for extreme weather forecasts
JP2020134300A (ja) 予測方法、予測プログラム及び情報処理装置
CN114896351A (zh) 地震危险概率预测方法和装置
JP2012058062A (ja) 津波規模予測装置、方法、およびプログラム
Haver On the prediction of extreme wave crest heights
CN113313291B (zh) 一种基于初值扰动的电网风灾集合预报以及验证方法
CN103886177A (zh) 一种基于空间网格预测雷击火日发生概率的方法
CN113011747A (zh) 建筑物监测方法、装置、电子设备及存储介质
Potisomporn et al. Evaluating ERA5 reanalysis predictions of low wind speed events around the UK
CN114428986A (zh) 一种无实测风速资料地区的设计风速分析方法和装置
CN112200399A (zh) 一种地震成灾风险评估和经济损失预测方法
CN111796113B (zh) 基于角速度倒数法的边坡破坏时间确定方法及系统
Haiden et al. Statistical evaluation of ECMWF extreme wind forecasts
CN101923605A (zh) 铁路防灾风预警方法
CN114034407B (zh) 光缆管井的监测方法、装置及计算机可读存储介质
CN116540300B (zh) 概率性海啸灾害分析方法
KR102661625B1 (ko) 월파 위험도 평가 시스템 및 방법
CN117350114B (zh) 一种风机健康状态评估方法、装置和系统
CN117595260B (zh) 一种基于5g短切片的电力设备远程监控方法及系统

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