CN115032693B - 一种强震的前震自动识别方法及装置 - Google Patents
一种强震的前震自动识别方法及装置 Download PDFInfo
- Publication number
- CN115032693B CN115032693B CN202210811296.XA CN202210811296A CN115032693B CN 115032693 B CN115032693 B CN 115032693B CN 202210811296 A CN202210811296 A CN 202210811296A CN 115032693 B CN115032693 B CN 115032693B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- seismic
- waveform
- magnitude
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 208000035126 Facies Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (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
本发明提供了一种强震的前震自动识别方法及装置,其中该方法包括:对滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;根据地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将三分量地震事件波形输入到震级预测神经网络中进行单台震级估算得到震级;根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。本发明通过对滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件及其相应的波形,然后利用震级预测神经网络自动估计所有地震事件的震级,并基于此发出相应的报警信号,不仅大大加快了地震震级的估算效率,还提高了地震震级估算的准确性。
Description
技术领域
本发明涉及地震前兆监测技术领域,特别是涉及一种强震的前震自动识别方法及装置。
背景技术
前震活动识别与分析多年来一直是国内外地震学界关注的热点,也是难点之一。有效地识别前震,不但能极大推动地震预测的实用化进程,同时对加深强震孕育机理的认识有重要意义。上世纪90年代,据文献不完全统计,我国>5.5级以上的浅源地震,在震前30天以内震中区范围(0.5°×0.5°)出现前震的概率为40%。随着地震台网不断加密,仪器水平不断提升,对前震的监测能力也不断增强,因此通过一些有效的技术手段识别前震并探索其规律,从而预测主震的发生,是非常有应用前景的课题。
一般而言,对于一个区域发生的强震是否具有前震序列,可从强震背景、地震活动时空尺度上集中、初动一致性几个方面来加以判定,所谓强震背景即该地区在历史上发生过强震,时空尺度集中指在短时间内在某一空间点位附近小震集中发生,初动一致性则是指这些集中发生的地震的初动方向高度一致,从而其震源机制也很可能是相似的。在多年强震监测实践中,人们总结了一些前震发生的规律,确定了如下经验判定准则,可以对一部分强震的前震活动进行有效判别:例如时空尺度集中的判断指标是指在不超过5km的空间尺度、不超过24小时内发生不少于10次1级以上地震,地震初动一致性是指这些地震的P波初动符号一致性不低于70%,等等。
不难看出,高效准确地获取地震的发震时刻、震中位置、震级以及P波初动极性是上述经验准则能否发挥作用的关键。目前各省、市地震局、监测中心主要通过人工处理地震数据的方式获取上述信息,往往需要耗费大量人力物力。多年来尽管人们也开发了一些自动地震数据处理技术,但这些技术的共同缺陷是缺乏普适性和灵活性,即往往只能适用于少数地区和特定数据类型。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种强震的前震自动识别方法及装置。
为实现上述目的,本发明提供了如下方案:
一种强震的前震自动识别方法,包括:
获取位于强震风险区域的地震台站所接收的实时地震波形;
对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;
截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰程度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;
根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
优选的,所述对所述实时地震波形进行滤波处理得到滤波后的实时地震波形,包括:
对所述实时地震波形进行小波分解得到多个小波系数;
根据所述实时地震波形的分解层数构建自调节小波阈值;
根据所述自调节小波阈值构建小波系数去噪模型;
利用所述小波系数去噪模型对所述实时地震波形进行滤波得到滤波后的实时地震波形。
优选的,所述根据所述实时地震波形的分解层数构建自调节小波阈值,包括:
利用每个分解层数下的小波系数计算噪声方差;
利用所述噪声方差构建自调节小波阈值;其中,所述自调节小波阈值为:
优选的,所述根据所述自调节小波阈值构建小波系数去噪模型,包括:
采用公式:
优选的,所述DiTingMag模型是以三分量地震事件波形为输入,以地震震级大小输出进行训练得到的;其中,DiTingMag模型在训练过程中的损失函数为:
L=(Y-Y′)2
式中,Y为人工标定的震级,Y′为DiTingMag预测的震级。
优选的,所述根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号,包括:
当大于或者等于预设震级的地震事件个数达到报警阈值时,启动一级报警;当Pg到时和Sg到时之差集中在预设区间的个数达到或超过报警阈值时,启动二级报警;当Pg波的初动极性同为向上或向下的比例达到或超过报警阈值时,启动三级报警。
本发明还提供了一种强震的前震自动识别系统,包括:
地震波形获取模块,用于获取位于强震风险区域的地震台站所接收的实时地震波形;
滤波模块,用于对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
地震检测模块,用于对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;
Pg波形截取模块,用于截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰程度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
震级估算模块,用于根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;
报警模块,用于根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种强震的前震自动识别方法及装置,与现有技术相比,本发明通过对滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件及其相应的波形,然后利用DiTingMag震级预测神经网络自动估计所有地震事件的震级,并基于此发出相应的报警信号,不仅大大加快了地震震级的估算效率,还提高了地震震级估算的准确性。
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为本发明提供的实施例中的一种强震的前震自动识别方法流程图;
图2为本发明提供的实施例中的DiTingMag震级预测神经网络原理图。
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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种强震的前震自动识别方法及装置以解决震源机制解反演效率低的问题。
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。
请参阅图1,一种强震的前震自动识别方法,包括:
步骤1:获取位于强震风险区域的地震台站所接收的实时地震波形;
在实际应用中,实时地震监测数据是指从地震数据采集器、实时数据流服务器等渠道读取的实时数据。
步骤2:对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
进一步的,步骤2包括:
步骤2.1:对所述实时地震波形进行小波分解得到多个小波系数;
步骤2.2:根据所述实时地震波形的分解层数构建自调节小波阈值;
小波阈值的取值对最后去噪效果有着重要影响,小波阈值应该能够最大程度上分离噪声。然而随着小波分解层数增加,噪声所在的小波系数区域应该逐渐减小,因为在较高层次分解的小波系数大部分都是来自原始地震信号。因此本发明基于分解层数构建了自调节小波阈值,其具体过程如下:
在本发明实施例中,步骤2.2包括:
利用每个分解层数下的小波系数计算噪声方差;
利用所述噪声方差构建自调节小波阈值;其中,所述自调节小波阈值为:
根据所述自调节小波阈值构建小波系数去噪模型;其中,本发明中的小波系数去噪模型为:
利用所述小波系数去噪模型对所述实时地震波形进行滤波得到滤波后的实时地震波形。
本发明利用小波系数去噪模型,对每一分解尺度下的小波系数进行自调节阈值变换,可以很好的抑制不同分解层数下的地震噪声,还原真实的地震信号。
需要说明的是,本发明在对获取实时地震监测数据进行滤波之后,还需要对接收的实时地震监测数据包进行预处理,得到通用地震数据格式,如MiniSeed格式的数据文件,同时还需要对地震监测数据进行去趋势、去均值等基本数据处理。
步骤3:对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;具体的,地震事件的类别包括是和否;所述地震事件的震相类别包括Pg波、Sg波和噪声,其中Pg、Sg震相是指最先到达的P和S震相。
需要说明的是,本发明保留地震台80km范围内的地震事件,是通过对地震事件计算相应的Sg-Pg到时差,保留Sg-Pg<10s的地震事件得到的,其原理简述如下:
对于发生在地震台站附近的只有Pg、Sg震相的极近震事件,其震中距可以根据以下公式计算:
步骤4:截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰程度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
在实际应用中,本发明对震中距80km以内事件所对应的波形,按Pg到时前1.5s,后1.5s截取垂向分量的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰程度。
需要说明的是,本发明可以利用初动极性识别模型来对Pg波形的初动极性进行识别。进一步的,本发明的初动极性识别模型是以Pg到时前1.5s,后1.5s截取垂向分量的Pg波形为输入,以初动方向及清晰度类别为输出进行训练得到的;所述P波初动极性包括初动向上、向下,所述清晰度包括“清晰”、“平缓”、“不清晰”。其中,该神经网络模型在训练过程中的损失函数为:
式中,为二值化编码的标签,i=1,2分别表示初动向上和向下两个类别;为二值化编码的标签,i=1,2,3分别表示初动清晰、介于清晰和平缓之间、初动平缓三个类别;Y′i为初动波形属于对应类i的真实概率,Yi为神经网络最后一层的sigmoid函数计算得到的概率值,Yi为输入波形的属于类i的预测概率值,zi为神经网络每个侧输出最后一层的输出张量([m,5]),m为输入数据个数。
步骤5:根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;所述单台震级为一个浮点数值及方差估计。
本发明将地震震级预测看成深度学习里的回归问题,其数学原理实际是对目标函数进行最优化,通过反复比较当前网络的预测值与我们期望的目标值的差异,不断调整每一层的权重和偏差等超参数,使得差值最小化。衡量预测值与期望值差异的方程被称为损失函数(或目标函数)。该网络可以用于根据地震波形和振幅估算其对应的震级大小。
如图2所示,DiTingMag的基本组件可分为主干网络和估算网络。其中主干网络由卷积层、残差模块和池化层组成,训练中加入dropout层来防止过拟合;其中估算网络由全连接网络组成。在训练中,利用人工测定的震级标签输出进行监督。
进一步的,所述DiTingMag模型是以三分量地震事件波形为输入,以地震震级大小输出进行训练得到的;其中,DiTingMag模型在训练过程中的损失函数为:
L=(Y-Y′)2
式中,Y为人工标定的震级,Y′为DiTingMag预测的震级。
步骤6:根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
进一步的,步骤6包括:
当大于或者等于预设震级的地震事件个数达到报警阈值时,启动一级报警;当Pg到时和Sg到时之差集中在预设区间的个数达到或超过报警阈值时,启动二级报警;当Pg波的初动极性同为向上或向下的比例达到或超过报警阈值时,启动三级报警。
在实际应用中,本发明以24小时为一个周期,对在此期间记录的所有80km震中距以内的事件,统计其震级、Sg-Pg到时差、Pg波初动极性的分布情况,根据统计数是否超过相应的阈值决定是否启动报警机制;
具体的,本发明设置了三级报警机制,如满足震级阈值的事件个数达到报警阈值,启动一级报警,如Sg-Pg差集中在某一区间的个数达到或超过报警阈值,启动二级报警,如P波初动极性符号一致性(即同为向上或向下的比例)达到或超过报警阈值,启动三级报警。
本发明通过对滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件及其相应的波形,然后利用DiTingMag震级预测神经网络自动估计所有地震事件的震级,并基于此发出相应的报警信号,不仅大大加快了地震震级的估算效率,还提高了地震震级估算的准确性。
本发明还提供了一种强震的前震自动识别系统,包括:
地震波形获取模块,用于获取位于强震风险区域的地震台站所接收的实时地震波形;
滤波模块,用于对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
地震检测模块,用于对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;
Pg波形截取模块,用于截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰程度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
震级估算模块,用于根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;
报警模块,用于根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种强震的前震自动识别方法及装置,与现有技术相比,本发明通过对滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件及其相应的波形,然后利用DiTingMag震级预测神经网络自动估计所有地震事件的震级,并基于此发出相应的报警信号,不仅大大加快了地震震级的估算效率,还提高了地震震级估算的准确性。
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。对于实施例公开的方法而言,由于其与实施例公开的装置相对应,所以描述的比较简单,相关之处参见装置部分说明即可。
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 (4)
1.一种强震的前震自动识别方法,其特征在于,包括:
获取位于强震风险区域的地震台站所接收的实时地震波形;
对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
其中,对所述实时地震波形进行滤波处理得到滤波后的实时地震波形,包括:
对所述实时地震波形进行小波分解得到多个小波系数;
根据所述实时地震波形的分解层数构建自调节小波阈值;
所述根据所述实时地震波形的分解层数构建自调节小波阈值,包括:
利用每个分解层数下的小波系数计算噪声方差;
利用所述噪声方差构建自调节小波阈值;其中,所述自调节小波阈值为:
根据所述自调节小波阈值构建小波系数去噪模型;
其中,根据所述自调节小波阈值构建小波系数去噪模型,包括:
采用公式:
利用所述小波系数去噪模型对所述实时地震波形进行滤波得到滤波后的实时地震波形;
对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;
截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;
根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
2.根据权利要求1所述的一种强震的前震自动识别方法,其特征在于,所述DiTingMag模型是以三分量地震事件波形为输入,以地震震级大小输出进行训练得到的;其中,DiTingMag模型在训练过程中的损失函数为:
L=(Y-Y')2
式中,Y为人工标定的震级,Y'为DiTingMag预测的震级。
3.根据权利要求1所述的一种强震的前震自动识别方法,其特征在于,所述根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号,包括:
当大于或者等于预设震级的地震事件个数达到报警阈值时,启动一级报警;当Pg到时和Sg到时之差集中在预设区间的个数达到或超过报警阈值时,启动二级报警;当Pg波的初动极性同为向上或向下的比例达到或超过报警阈值时,启动三级报警。
4.一种强震的前震自动识别系统,其特征在于,包括:
地震波形获取模块,用于获取位于强震风险区域的地震台站所接收的实时地震波形;
滤波模块,用于对所述实时地震波形进行滤波处理得到滤波后的实时地震波形;
其中,对所述实时地震波形进行滤波处理得到滤波后的实时地震波形,包括:
对所述实时地震波形进行小波分解得到多个小波系数;
根据所述实时地震波形的分解层数构建自调节小波阈值;
所述根据所述实时地震波形的分解层数构建自调节小波阈值,包括:
利用每个分解层数下的小波系数计算噪声方差;
利用所述噪声方差构建自调节小波阈值;其中,所述自调节小波阈值为:
根据所述自调节小波阈值构建小波系数去噪模型;
其中,根据所述自调节小波阈值构建小波系数去噪模型,包括:
采用公式:
利用所述小波系数去噪模型对所述实时地震波形进行滤波得到滤波后的实时地震波形;
地震检测模块,用于对所述滤波后的实时地震波形进行地震检测得到地震台站在80km范围内发生的地震事件;
Pg波形截取模块,用于截取出所述地震事件所对应的Pg波形,并对所述Pg波形的初动极性进行识别得到Pg波的初动极性符号和清晰度;所述Pg波初动极性符号包括初动向上、初动向下和不确定;所述清晰度包括“清晰”、“平缓”和“不清晰”;
震级估算模块,用于根据所述地震事件所对应的Pg到时和Sg到时截取三分量地震事件波形,并将所述三分量地震事件波形输入到DiTingMag震级预测神经网络中进行单台震级估算得到震级;
报警模块,用于根据Pg到时和Sg到时之差、震级和Pg波的初动极性发出相应的报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811296.XA CN115032693B (zh) | 2022-07-11 | 2022-07-11 | 一种强震的前震自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811296.XA CN115032693B (zh) | 2022-07-11 | 2022-07-11 | 一种强震的前震自动识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115032693A CN115032693A (zh) | 2022-09-09 |
CN115032693B true CN115032693B (zh) | 2023-02-03 |
Family
ID=83128674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811296.XA Active CN115032693B (zh) | 2022-07-11 | 2022-07-11 | 一种强震的前震自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115032693B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115569341B (zh) * | 2022-10-20 | 2023-08-25 | 河北盛世博业科技有限公司 | 一种基于虚拟现实的多人协同消防训练方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501843A (zh) * | 2016-11-03 | 2017-03-15 | 安徽锦坤电子科技有限公司 | 一种对地震震级的识别判断方法 |
CN108089225A (zh) * | 2017-12-02 | 2018-05-29 | 桂林理工大学 | 一种基于单台站初至p波的震级快速估算方法 |
CN113985479A (zh) * | 2021-10-25 | 2022-01-28 | 中国地震局地球物理研究所 | 一种基于边缘计算的地震信息处理方法与装置 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597539B (zh) * | 2016-12-28 | 2019-07-12 | 中国石油化工股份有限公司 | 针对黄土塬地区的曲波域Radon变换噪声压制方法 |
US10274620B2 (en) * | 2017-03-22 | 2019-04-30 | Stellar Solutions, Inc. | System and method for providing short-term earthquake forecasts |
-
2022
- 2022-07-11 CN CN202210811296.XA patent/CN115032693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501843A (zh) * | 2016-11-03 | 2017-03-15 | 安徽锦坤电子科技有限公司 | 一种对地震震级的识别判断方法 |
CN108089225A (zh) * | 2017-12-02 | 2018-05-29 | 桂林理工大学 | 一种基于单台站初至p波的震级快速估算方法 |
CN113985479A (zh) * | 2021-10-25 | 2022-01-28 | 中国地震局地球物理研究所 | 一种基于边缘计算的地震信息处理方法与装置 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Non-Patent Citations (1)
Title |
---|
高速铁路地震防灾系统的应急处置范围确定;马强,等;《铁道学报》;20130630;第35卷(第6期);110-115 * |
Also Published As
Publication number | Publication date |
---|---|
CN115032693A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115032693B (zh) | 一种强震的前震自动识别方法及装置 | |
CN109104694B (zh) | 一种基于手机信令的用户停留位置发现方法及系统 | |
EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
CN102163427B (zh) | 一种基于环境模型的音频异常事件检测方法 | |
CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
CN106203505B (zh) | 一种利用手机定位数据判断用户移动与停留状态的方法 | |
CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN106205606A (zh) | 一种基于语音识别的动态定位监控方法及系统 | |
CN114063153A (zh) | 一种自动反演震源机制解的方法与装置 | |
CN105160342A (zh) | 一种基于hmm-gmm的自动文字图片切分方法及系统 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN112559593A (zh) | 一种基于标签聚类的本地化差分隐私保护方法 | |
CN113823293A (zh) | 一种基于语音增强的说话人识别方法及系统 | |
CN115496097A (zh) | 一种基于小波格拉姆卷积神经网络的非视距信号识别方法 | |
CN113610188A (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN114355298B (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN111400428A (zh) | 一种知识图谱体系搭建方法 | |
CN113985479A (zh) | 一种基于边缘计算的地震信息处理方法与装置 | |
CN105352541B (zh) | 一种基于电网防灾减灾系统的变压器运行辅助监测系统及其监测方法 | |
CN112881812B (zh) | 基于机器学习编码的全闪实时定位方法及装置 | |
CN116594057B (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
CN115952410A (zh) | 一种基于深度学习的滑坡灾害检测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |