CN116643308A - 一种利用相似地震预测地震台站异常数据的方法及系统 - Google Patents
一种利用相似地震预测地震台站异常数据的方法及系统 Download PDFInfo
- Publication number
- CN116643308A CN116643308A CN202310624463.4A CN202310624463A CN116643308A CN 116643308 A CN116643308 A CN 116643308A CN 202310624463 A CN202310624463 A CN 202310624463A CN 116643308 A CN116643308 A CN 116643308A
- Authority
- CN
- China
- Prior art keywords
- seismic
- abnormal
- station
- similar
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000007477 logistic regression Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000551 statistical hypothesis test Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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
本发明提供的利用相似地震预测地震台站异常数据的方法及系统，涉及灾害预警领域；方法包括：获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成地震数据模板；判断预设区域内记录相似地震事件的若干待检测地震台站中的异常台站；对异常地震台站的异常记录进行原因分类，获得异常分类数据；采用逻辑回归算法根据异常地震台站的地震数据模板和对应的异常分类数据训练异常记录预测模型；采用所述模型预测异常地震台站异常记录的异常原因。本发明先通过相似地震事件判定异常地震台站，再根据异常地震台站训练异常预测模型对异常地震台站异常记录进行预测，达到快速纠正异常地震台站的目的。
Description
技术领域
本发明涉及灾害预警技术领域，具体涉及一种利用相似地震预测地震台站异常数据的方法及系统。
背景技术
在地震台站记录到的地震事件中，有些地震事件的波形具有很高的相似度，现有技术称这类具有很高相似度的地震事件为相似地震事件。由于地震台站所记录到的波形是地震事件的时源函数、地震波传播路径和地震计仪器响应三者耦合的结果，波形的相似性表明地震的震源机制类似、空间位置接近。现有技术中，相似地震事件是研究地球内部介质随时间变化十分有效的一种手段。
为加强地震监测预报预警能力，需建立多学科地震监测系统，对地震观测台站实行统一规划管理从而建立高质量地震监测台网。通过地震台站获取完整、连续、可靠的地震观测数据，一方面为区域内地震中短期预测提供基础资料、为中期与短临地震预报以及震后趋势判定工作提供可靠的科学依据，另一方面为区域内防震减灾服务、为提高区域内地震预测预报能力服务，为地球科学研究提供基础观测资料。地震台站在地震预测、震后趋势判定和地球科学研究上发挥重要作用，其数据需要准确可靠；若地震台站处于异常状态，其持续监测获取的地震数据则不能代表真实地震环境数据，不能提供可靠的数据支持，因此需要确保地震台站处于正常工作状态。
基于相似地震事件作为研究地球内部介质随时间变化的真实性和高效性，研究人员考虑采用地震台在记录相似地震事件时具有高度相似的波形特征，从而衡量地震台站的记录能力。即，以地震台站记录相似地震事件能力的优劣评估地震台站记录天然地震数据质量的高低。
发明内容
本发明目的在于提供一种利用相似地震预测地震台站异常数据的方法及系统，先通过相似地震事件识别异常地震台站，根据异常地震台站及异常原因对应的异常分类数据训练异常记录预测模型，进而根据异常记录预测模型预测异常地震台站的异常原因；方案通过对异常地震台站异常原因的预测，快速纠正异常地震台站的异常，恢复至正常监测状态。
为达成上述目的，本发明提出如下技术方案：一种利用相似地震预测地震台站异常数据的方法，包括：
获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；
获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；
对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；
获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；
采用异常记录预测模型预测异常地震台站异常记录的异常原因。
进一步的，所述获取相似地震事件，包括：
采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；
对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小；
筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。
进一步的，所述判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的过程，包括：
采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；
判断计算的第二互相关系数与第二相关阈值的大小；
筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
进一步的，还包括：对根据相似地震事件判断的异常地震台站进行能量校验；
所述能量校验，包括：
获取异常地震台站记录相似地震事件的波形数据；
对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；
采用统计假设检验方法计算振幅比例因子方差的置信区间；
当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
进一步的，还包括：
根据异常地震台站异常记录的真实异常分类数据，校准异常记录预测模型。
本发明第二方面在于公开一种利用相似地震预测地震台站异常数据的系统，该系统包括：
获取生成模块，用于获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；
获取判断模块，用于获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；
分类模块，用于对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；
模型训练模块，用于获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；
预测模块，用于采用异常记录预测模型预测异常地震台站异常记录的异常原因。
进一步的，所述获取判断模块获取相似地震事件的执行单元，包括：
第一计算单元，用于采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；
第一判断单元，用于对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小；
第一筛选单元，用于筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。
进一步的，所述获取判断模块判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的执行单元，包括：
第二计算单元，用于采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；
第二判断单元，用于判断计算的第二互相关系数与第二相关阈值的大小；
第二筛选单元，用于筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
进一步的，还包括：
能量校验模块，用于对根据相似地震事件判断的异常地震台站进行能量校验；
所述能量校验模块的执行单元，包括：
获取单元，用于获取异常地震台站记录相似地震事件的波形数据；
第三计算单元，用于对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；
第四计算单元，用于采用统计假设检验方法计算振幅比例因子方差的置信区间；
校验单元，用于当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
本发明第三方面公开一种电子设备，包括至少一个处理器；所述处理器与存储器耦合，所述存储器用于存储一条或多条计算指令，其中，所述一条或多条计算机指令被所述处理器运行时执行以实现上述的利用相似地震预测地震台站异常数据的方法的步骤。
由以上技术方案可知，本发明的技术方案获得了如下有益效果：
本发明公开的利用相似地震预测地震台站异常数据的方法及系统，其方法包括：获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；对异常地震台站的异常记录进行原因分类，获得异常分类数据；获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型；采用所述模型预测异常地震台站异常记录的异常原因。本发明先通过相似地震事件判定异常地震台站，再根据异常地震台站训练异常预测模型对异常地震台站异常记录进行预测，达到快速纠正异常地震台站、提高地震台站工作效率的目的。
本发明通过相似地震事件快速识别异常地震台站，通过对异常地震台站的异常分析数据训练异常记录预测模型，快速的对区域内任一异常地震台站的异常记录进行原因预测的方法，不限于地震台站所监测的时间范围，适用范围广。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不表示按照真实参照物比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本申请实施例公开的预测地震台站异常数据的方法流程图；
图2为本申请实施例公开的获取相似地震事件流程图；
图3为本申请实施例公开的判断异常地震台站流程图；
图4为本申请实施例公开的能量校验流程图；
图5为根据本申请实施例的一种电子设备的示意图；
图6为本申请实施例公开的预测地震台站异常数据的系统框架图。
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，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需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。除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件，并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
基于地震台站能获取完整、连续、可靠的地震观测数据，在地震预报、震后趋势判定和地球科学研究中发挥重要作用，其数据可靠性需要得到保证；相似地震事件表明地震的震源机制类似、空间位置接近，其在地震孕育、发生和震后恢复过程中的应用，证明该事件是一种研究地球内部介质随时间变化的有效手段。故，本发明提出一种利用相似地震预测地震台站异常数据的方法及系统，利用相似地震事件判断异常地震台站，再通过对异常地震台站进行异常分析预测异常原因。
下面结合附图所示的具体实施例，对本发明公开的利用相似地震预测地震台站异常数据的方法及系统作进一步具体介绍。
结合图1所示，实施例公开的利用相似地震预测地震台站异常数据的方法，具体包括如下步骤：
步骤S102，获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；地震模板数据包括地震事件的波形数据和地震台站数据；
步骤S104，获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；
基于相似地震事件的波形具有很高的相似度，因此处于同一地震带上的地震台站应当能同步监测、且波形相似，本步骤即利用相似地震事件进行异常地震台站的筛选；一方面可通过地震台站记录的高度相似的波形数据判断地震事件是否属于相似地震事件，另一方面可通过地震台站对明确为相似地震事件的记录情况来反应地震台站的数据记录质量，进而反应地震台站是否处于正常工作状态。
具体的，通过地震台站记录的高度相似的波形数据判断地震事件是否属于相似地震事件的过程可包括图2所示的如下步骤：步骤S202，采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；步骤S204，对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小，第一相关阈值如可设置为0.9；步骤S206，筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。可选的，可通过计算地震台站对应的各通道记录的波形数据的互相关系数实现两地震台站相似地震事件的确定。
作为一可选的实施方式，获取相似地震事件还可以为，根据CENC地震目录，查阅已知相似地震事件；即，直接利用已知相似地震事件进行异常地震台站的筛选。
结合图3所示，根据相似地震事件进一步判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的过程，包括如下步骤：步骤S302，采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；步骤S304，判断计算的第二互相关系数与第二相关阈值的大小，第二相关阈值也可以设置为0.9；步骤S306，筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
步骤S106，对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；
对于地震仪标定信号干扰可表现为对一地震事件，地震台站的任一通道均未记录到地震波形，地震台站未损坏，并且通过观察原始波形发现此异常地震台站地震仪标定信号之前可以观测到明显的波动信号，标定后地震事件的波形记录不明显。对于仪器自噪声干扰可表现为异常地震台站的原始波形记录中只有振幅变化不大的噪声记录，未记录到地震信号，说明该台站的地震计在该期间未能正常工作，记录的仅为仪器的自身噪声。对于仪器质心对中信号干扰可表现为地震台站的任一通道均记录到地震波形，但在地震信号之前有振幅较强的长周期干扰，通过对地震台站波形记录分析，这类明显的长周期干扰符合仪器质心对中信号特征。区域长周期干扰可表现为地震台站记录的两次地震事件水平分量相关性很低，且存在周期性PSD峰值，符合区域长周期干扰信号特征。
本步骤旨在于将不同异常地震台站异常记录的原因进行归类分析，即获得异常分类数据；任一分类下，包括多个异常地震台站的波形记录。
作为一可选的实施方式，异常分类数据还可以包括精度指标干扰，精度指标干扰为在进行异常地震台站数据处理过程中，选择的相关阈值过低，当其低于常见相似地震判断的相关阈值时，会造成一定概率的漏检情况，即部分异常台站没有被检测出。该异常分类可通过数据处理的方式进行调整。
步骤S108，获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；
步骤S110，采用异常记录预测模型预测异常地震台站异常记录的异常原因。
通过将异常地震台站的地震数据模板与异常分类数据进行匹配，得到带有分类标签的地震数据模板，构成训练数据集；然后使用逻辑回归算法训练数据集，在训练过程中，采用机器学习中的网格搜索方法选择合适的逻辑回归算法超参数，得到泛化性能最佳的模型参数，最后将训练得到基于逻辑回归的异常记录预测模型用于对待分析异常原因的异常地震台站处理。
作为一可选的实施方式，实施例公开的利用相似地震预测地震台站异常数据的方法，还包括步骤S1042，对根据相似地震事件判断的异常地震台站进行能量校验；即通过能量校验的方式进一步确定异常地震台站是确认异常地震台站，否则需要对异常地震台站进行深入研究。具体的，能量校验过程如图4所示，包括如下步骤：步骤S402，获取异常地震台站记录相似地震事件的波形数据；步骤S404，对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；步骤S406，采用统计假设检验方法计算振幅比例因子方差的置信区间；步骤S408，当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
作为一可选的实施方式，当异常地震台站振幅比例因子的方差落入振幅比例因子方差的置信区间内，则记录异常地震台站为待定异常台站；方案根据预设区域内记录的其他相似地震事件对待定异常台站重复进行能量校验，直至存在一个相似地震事件下校验为异常地震台站，否则待定异常台站重新记为正常地震台站。
作为一可选的实施方式，利用相似地震预测地震台站异常数据的方法还包括步骤S112，根据异常地震台站异常记录的真实异常分类数据，校准异常记录预测模型。即，对预测后的异常地震台站的异常原因进行数据分析，获得异常地震台站的真实异常分类数据；将预测后的异常地震台站的地震数据模板和真实异常分类数据添加至异常记录预测模型的训练集中，进一步通过逻辑回归算法重新训练异常记录预测模型，达到异常记录预测模型校准和更新的技术效果。
可选的，在地震台网上用四种颜色区分异常地震台站，其颜色区分标识预测的异常分类，即对异常地震台站的异常分类进行可视化管理，进而在进行地震分析时有选择的获取处于正常工作状态的地震台站。另外，对任一标注颜色的异常地震台站，记录其异常发生时间、异常波形记录、异常校准时间，以便进行数据追溯。
上述实施例公开的利用相似地震预测地震台站异常数据的方法，通过相似地震事件快速识别异常地震台站，通过对异常地震台站的异常分析数据训练异常记录预测模型，快速的对区域内任一异常地震台站的异常记录进行原因预测，能够大范围适用于各地区地震台站的数据异常分析支持，并且能够不限于地震台站记录时间的限制，快速分析异常原因，提高地震台站进行故障分析的效率。
本申请的实施例中，还提供一种电子设备，该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器运行所述计算机程序时实现上述实施例公开的利用相似地震预测地震台站异常数据的方法。以运行在计算机上的电子设备为例，如图5所示，该电子设备可以包括一个或多个(图中仅示出一个)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子设备的结构造成限定。
上述程序可以运行在处理器中，或者也可以存储在存储器中，即计算机可读介质中，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体，如调制的数据信号和载波。这些计算机程序也可装载到计算机或其他可编程数据处理
设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应于不同的方法步骤可以通过不同的模块来实现。
在本实施例中，就提供了这样一种装置或系统，该系统可以称为一种利用相似地震预测地震台站异常数据的系统，该系统如图6所示，包括：获取生成模块，用于获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；获取判断模块，用于获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；分类模块，用于对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；模型训练模块，用于获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；预测模块，用于采用异常记录预测模型预测异常地震台站异常记录的异常原因。
该系统用于实现上述实施例公开的利用相似地震预测地震台站异常数据的方法的步骤，已经进行说明的，在此不再赘述。
例如，所述获取判断模块获取相似地震事件的执行单元，包括：第一计算单元，用于采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；第一判断单元，用于对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小；第一筛选单元，用于筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。
又例如，所述获取判断模块判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的执行单元，包括：第二计算单元，用于采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；第二判断单元，用于判断计算的第二互相关系数与第二相关阈值的大小；第二筛选单元，用于筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
又例如，利用相似地震预测地震台站异常数据的系统，还包括：能量校验模块，用于对根据相似地震事件判断的异常地震台站进行能量校验；所述能量校验模块的执行单元，包括：获取单元，用于获取异常地震台站记录相似地震事件的波形数据；第三计算单元，用于对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；第四计算单元，用于采用统计假设检验方法计算振幅比例因子方差的置信区间；校验单元，用于当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
又例如，利用相似地震预测地震台站异常数据的系统，还包括：校准模块。用于根据异常地震台站异常记录的真实异常分类数据，校准异常记录预测模型。
本申请上述实施例公开的利用相似地震预测地震台站异常数据的方法及系统，一方面利用相似地震事件进行异常地震台站识别，实现将相似地震事件应用在地震台站数据质量分析中，能够高效识别异常地震台站；另一方面采用逻辑回归算法训练异常地震台站异常记录的预测模型，应用时能够以校准精准度获取地震台站的异常分类，为纠正异常地震台站异常提供方向，最终实现提高地震台站工作效率的目的。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种利用相似地震预测地震台站异常数据的方法，其特征在于，包括：
获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成地震数据模板；
获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；
对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；
获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；
采用异常记录预测模型预测异常地震台站异常记录的异常原因。
2.根据权利要求1所述的利用相似地震预测地震台站异常数据的方法，其特征在于，所述获取相似地震事件，包括：
采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；
对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小；
筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。
3.根据权利要求1所述的利用相似地震预测地震台站异常数据的方法，其特征在于，所述判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的过程，包括：
采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；
判断计算的第二互相关系数与第二相关阈值的大小；
筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
4.根据权利要求1所述的利用相似地震预测地震台站异常数据的方法，其特征在于，还包括：
对根据相似地震事件判断的异常地震台站进行能量校验；
所述能量校验，包括：
获取异常地震台站记录相似地震事件的波形数据；
对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；
采用统计假设检验方法计算振幅比例因子方差的置信区间；
当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
5.根据权利要求1所述的利用相似地震预测地震台站异常数据的方法，其特征在于，还包括：
根据异常地震台站异常记录的真实异常分类数据，校准异常记录预测模型。
6.一种利用相似地震预测地震台站异常数据的系统，其特征在于，包括：
获取生成模块，用于获取地震台站监测若干地震事件的震相，根据地震台站及获取的各地震事件的震相分别生成一地震数据模板；
获取判断模块，用于获取相似地震事件，判断预设区域内记录相似地震事件的若干待检测地震台站中的异常地震台站；
分类模块，用于对异常地震台站的异常记录进行原因分类，获得异常分类数据；其中，异常分类数据包括地震仪标定信号干扰、仪器自噪声干扰、仪器质心对中信号干扰、区域长周期干扰；
模型训练模块，用于获取异常地震台站的地震数据模板和对应的异常分类数据，采用逻辑回归算法训练异常记录预测模型，并通过网格搜索方法选择逻辑回归超参数；
预测模块，用于采用异常记录预测模型预测异常地震台站异常记录的异常原因。
7.根据权利要求6所述的利用相似地震预测地震台站异常数据的系统，其特征在于，所述获取判断模块获取相似地震事件的执行单元，包括：
第一计算单元，用于采用时间域波形互相关方法，两两计算地震台站监测任一地震事件的地震数据模板的第一互相关系数；
第一判断单元，用于对任两个计算第一互相关系数的地震台站，判断其第一互相关系数与第一相关阈值的大小；
第一筛选单元，用于筛选第一互相关系数不低于第一相关阈值的任两个地震台站，所述地震台站监测的地震事件即为相似地震事件。
8.根据权利要求6所述的利用相似地震预测地震台站异常数据的系统，其特征在于，所述获取判断模块判断预设区域内记录相似地震事件的若干地震台站中的异常地震台站的执行单元，包括：
第二计算单元，用于采用时间域波形互相关方法，计算待检测地震台站监测相似地震事件的地震数据模板的第二互相关系数；
第二判断单元，用于判断计算的第二互相关系数与第二相关阈值的大小；
第二筛选单元，用于筛选第二互相关系数低于第二相关阈值的地震台站，所述筛选的地震台站即为异常地震台站。
9.根据权利要求6所述的利用相似地震预测地震台站异常数据的系统，其特征在于，还包括：
能量校验模块，用于对根据相似地震事件判断的异常地震台站进行能量校验；
所述能量校验模块的执行单元，包括：
获取单元，用于获取异常地震台站记录相似地震事件的波形数据；
第三计算单元，用于对所述波形数据预处理后，通过滑动窗口算法计算异常地震台站各通道波形数据的振幅比例因子和各通道振幅比例因子的方差；其中，预处理包括依次进行的去均值、去线性趋势、0.01～0.05Hz带通滤波和归一化处理；
第四计算单元，用于采用统计假设检验方法计算振幅比例因子方差的置信区间；
校验单元，用于当异常地震台站振幅比例因子的方差未落入在振幅比例因子方差的置信区间内，校验该异常地震台站为确认异常地震台站。
10.一种电子设备，其特征在于，包括至少一个处理器；所述处理器与存储器耦合，所述存储器用于存储一条或多条计算指令，其中，所述一条或多条计算机指令被所述处理器运行时执行以实现权利要求1～5中任一项所述的利用相似地震预测地震台站异常数据的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624463.4A CN116643308A (zh) | 2023-05-30 | 2023-05-30 | 一种利用相似地震预测地震台站异常数据的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624463.4A CN116643308A (zh) | 2023-05-30 | 2023-05-30 | 一种利用相似地震预测地震台站异常数据的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116643308A true CN116643308A (zh) | 2023-08-25 |
Family
ID=87615032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310624463.4A Pending CN116643308A (zh) | 2023-05-30 | 2023-05-30 | 一种利用相似地震预测地震台站异常数据的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643308A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872474A (zh) * | 2024-03-12 | 2024-04-12 | 山东省地震局 | 地震预警台网波形数据质量分析方法和系统 |
| CN118519197A (zh) * | 2024-05-16 | 2024-08-20 | 中国地震局地球物理研究所 | 一种用于宽频带地震台阵仪器响应参数的评价方法 |
-
2023
- 2023-05-30 CN CN202310624463.4A patent/CN116643308A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872474A (zh) * | 2024-03-12 | 2024-04-12 | 山东省地震局 | 地震预警台网波形数据质量分析方法和系统 |
| CN117872474B (zh) * | 2024-03-12 | 2024-05-17 | 山东省地震局 | 地震预警台网波形数据质量分析方法和系统 |
| CN118519197A (zh) * | 2024-05-16 | 2024-08-20 | 中国地震局地球物理研究所 | 一种用于宽频带地震台阵仪器响应参数的评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116643308A (zh) | 一种利用相似地震预测地震台站异常数据的方法及系统 | |
| Giglioni et al. | Autoencoders for unsupervised real‐time bridge health assessment | |
| Worden et al. | Novelty detection in a changing environment: regression and interpolation approaches | |
| CN104240455B (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
| Yanwei et al. | Deep learning for P-wave arrival picking in earthquake early warning | |
| Liguori et al. | Outlier detection for the evaluation of the measurement uncertainty of environmental acoustic noise | |
| Boškoski et al. | Bearing fault prognostics based on signal complexity and Gaussian process models | |
| CN112782762A (zh) | 一种基于深度学习的地震震级判定方法 | |
| CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
| CN116805061A (zh) | 基于光纤传感的泄漏事件判断方法 | |
| Hsu et al. | Two novel approaches to reduce false alarm due to non‐earthquake events for on‐site earthquake early warning system | |
| CN113050189B (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
| Liguori et al. | Towards the evaluation of the measurement uncertainty of environmental acoustic noise | |
| Winder et al. | QuakeMigrate: a modular, open-source python package for automatic earthquake detection and location | |
| CN117031566A (zh) | 一种地磁异常数据集的构建方法及系统 | |
| CN113590663A (zh) | 一种环境检测方法及系统 | |
| CN116432007B (zh) | 基于空域特征和机器学习的光纤预警模式识别方法 | |
| D’Angelo et al. | A new picking algorithm based on the variance piecewise constant models | |
| CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| Zhu et al. | Threshold-based earthquake early warning for high-speed railways using deep learning | |
| CN115456040A (zh) | 一种基于卷积神经网络的p波捡拾算法 | |
| Sugan et al. | Machine learning versus manual earthquake location workflow: testing LOC-FLOW on an unusually productive microseismic sequence in northeastern Italy | |
| Ren et al. | Classification of tectonic and nontectonic earthquakes by an integrated learning algorithm | |
| Chai et al. | Automatic waveform quality control for surface waves using machine learning |
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 |