CN116955976B - 基于深度学习和北斗定位的地震地表形变分析方法及装置 - Google Patents
基于深度学习和北斗定位的地震地表形变分析方法及装置 Download PDFInfo
- Publication number
- CN116955976B CN116955976B CN202311213403.XA CN202311213403A CN116955976B CN 116955976 B CN116955976 B CN 116955976B CN 202311213403 A CN202311213403 A CN 202311213403A CN 116955976 B CN116955976 B CN 116955976B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- coordinate
- station
- beidou
- coordinate 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000008030 elimination Effects 0.000 claims abstract description 32
- 238000003379 elimination reaction Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 230000007812 deficiency Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100033538 Clusterin-associated protein 1 Human genes 0.000 description 1
- 101000945057 Danio rerio Clusterin-associated protein 1 homolog Proteins 0.000 description 1
- 101000945060 Homo sapiens Clusterin-associated protein 1 Proteins 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 241000219053 Rumex Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Abstract
本发明提供了一种基于深度学习和北斗定位的地震地表形变分析方法及装置,涉及地震地表形变数据分析技术领域,包括:获取目标区域内每个北斗地震台站的原始观测数据,并构建待处理坐标时间序列;通过第一神经网络模型,对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理得到目标坐标时间序列;基于目标坐标时间序列拟合预先构建的北斗地震台站速度计算模型的参数值;利用每个北斗地震台站的速度结果和台站特征信息对第二神经网络进行训练,以得到地表形变分析模型。本发明可以实现粗差剔除和缺失值插补的自动化处理,还可以利用训练得到的地表形变分析模型实现预测速度结果的高效拟合解算,具备高效便利、易于实现、自动化程度高、实用性强等特点。
Description
技术领域
本发明涉及地震地表形变数据分析技术领域,尤其是涉及一种基于深度学习和北斗定位的地震地表形变分析方法及装置。
背景技术
我国位于欧亚大陆东部,地处亚欧板块交界处,同时我国还处于青藏高原隆起带,由于板块运动的影响,我国地震活动频繁。我国建设了大量的北斗观测台站,例如国家和各省建设的北斗连续运行基准站、中国地壳运动监测网络,这些观测台站提供了持续的、丰富的北斗数据,随着北斗观测台站的持续建设和时间的推移,将带来海量的北斗数据积累,可作为地震事件影响的地表形变特征、板块运动模式和断层活动规律等研究提供数据基础。
目前,利用北斗数据分析地表形变需要经过北斗高精度数据处理、坐标时间序列分析、台站速度计算、速度场计算、应变率场计算和地表形变特征分析等流程。其中因北斗原始观测数据不可避免的会出现缺失、解算处理过程中也会出现粗差,并且上述数据处理方法复杂,需要人工剔除粗差、调整模型、优化参数等,无法实现高效自动化处理。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习和北斗定位的地震地表形变分析方法及装置,可以实现粗差剔除和缺失值插补的自动化处理,还可以利用训练得到的地表形变分析模型实现预测速度结果的高效拟合解算,具备高效便利、易于实现、自动化程度高、实用性强等特点。
第一方面,本发明实施例提供了一种基于深度学习和北斗定位的地震地表形变分析方法,包括:
获取目标区域内每个北斗地震台站的原始观测数据,并基于所述原始观测数据构建待处理坐标时间序列;
通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列;其中,所述目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;
基于所述目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值;其中,所述参数值包括每个所述北斗地震台站的速度结果;
利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,所述地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,所述预测速度结果用于解算所述待预测经纬网格点处的地表形变特征。
在一种实施方式中,基于所述原始观测数据构建待处理坐标时间序列,包括:
基于国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据,对每个所述北斗地震台站的所述原始观测数据进行数据处理,得到每个所述北斗地震台站对应的单日解坐标;
基于所述单日解坐标构建初始坐标时间序列;
对所述初始坐标时间序列进行去均值处理和时间归算处理,得到待处理坐标时间序列。
在一种实施方式中,所述第一神经网络为LSTM神经网络;通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列,包括:
利用滑动多窗口将所述待处理坐标时间序列划分为多个子序列组;其中,所述子序列组中包含的子序列数量与所述滑动多窗口的窗口数量一致;
通过所述LSTM神经网络,基于所述子序列组对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列;
判断所述更新后坐标时间序列是否满足预设条件;
如果否,则利用所述滑动多窗口将所述更新后坐标时间序列重新划分为多个所述子序列组,并继续通过所述LSTM神经网络,基于重新划分的所述子序列组对所述待处理坐标时间序列进行所述粗差剔除处理和所述缺失值插补处理,直至所述更新后坐标时间序列满足所述预设条件,得到目标坐标时间序列。
在一种实施方式中,所述滑动多窗口为滑动三窗口,所述子序列组中包含第一子序列、第二子序列和第三子序列;通过所述LSTM神经网络,基于所述子序列组对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列,包括:
将所述第一子序列和所述第三子序列作为所述LSTM神经网络的输入,以使所述LSTM神经网络预测所述第二子序列中每个所述时间信息对应的预测坐标信息;
基于所述第二子序列中每个所述时间信息对应的所述观测坐标信息和所述预测坐标信息,确定所述LSTM神经网络的目标损失值;
基于所述预测坐标信息对所述待处理坐标时间序列进行缺失值插补处理;以及,基于所述预测坐标信息和目标损失值对所述待处理坐标时间序列进行粗差剔除处理,得到更新后坐标时间序列。
在一种实施方式中,基于所述预测坐标信息对所述待处理坐标时间序列进行缺失值插补处理,包括:
如果所述待处理坐标时间序列中不包含所述时间信息对应的所述观测坐标信息,则将所述时间信息对应的所述预测坐标信息补充至所述待处理坐标时间序列中,以实现对所述待处理坐标时间序列进行缺失值插补处理;
基于所述预测坐标信息和目标损失值对所述待处理坐标时间序列进行粗差剔除处理,包括:
将所述时间信息对应的所述观测坐标信息和所述预测坐标信息之间的差值绝对值,与所述目标损失值进行比对;
基于比对结果确定所述时间信息对应的粗差剔除标志;
如果所述粗差剔除标志的值为1,则将所述时间信息和所述时间信息对应的所述观测坐标信息从所述待处理坐标时间序列中剔除;如果所述粗差剔除标志的值为0,则保留所述时间信息和所述时间信息对应的所述观测坐标信息,以实现对所述待处理坐标时间序列进行粗差剔除处理。
在一种实施方式中,判断所述更新后坐标时间序列是否满足所述预设条件,包括:
如果所述更新后坐标时间序列中,每个所述时间信息对应的所述粗差剔除标志的值均为0,则确定所述更新后坐标时间序列满足所述预设条件。
在一种实施方式中,利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型,包括:
将每个所述北斗地震台站的台站特征信息作为所述第二神经网络的输入,将每个所述北斗地震台站的所述速度结果作为训练标签,对第二神经网络进行训练;其中,所述速度结果包括水平速度、水平运动方向、垂直速度、垂直运动方向,所述台站特征信息包括台站类型、台站经度、台站纬度、台站高程、台站所在I级板块、台站所在II级板块、开始时间、结束时间和是否存在地震断裂带;
将训练得到的所述第二神经网络作为地表形变分析模型。
在一种实施方式中,所述方法还包括:
获取待预测经纬网格点处的网格点特征信息;
通过所述地表形变分析模型,基于所述网格点特征信息确定所述待预测经纬网格点处的预测速度结果;
基于所述预测速度结果确定所述待预测经纬网格点处的地表形变特征。
第二方面,本发明实施例还提供一种基于深度学习和北斗定位的地震地表形变分析装置,包括:
数据获取模块,用于获取目标区域内每个北斗地震台站的原始观测数据,并基于所述原始观测数据构建待处理坐标时间序列;
坐标时间序列处理模块,用于通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列;其中,所述目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;
速度拟合模块,用于基于所述目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值;其中,所述参数值包括每个所述北斗地震台站的速度结果;
模型训练模块,用于利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,所述地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,所述预测速度结果用于解算所述待预测经纬网格点处的地表形变特征。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于深度学习和北斗定位的地震地表形变分析方法及装置,获取目标区域内每个北斗地震台站的原始观测数据,并基于原始观测数据构建待处理坐标时间序列;然后通过第一神经网络模型,对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列,目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;再基于目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值,参数值包括每个北斗地震台站的速度结果;最后利用每个北斗地震台站的速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,预测速度结果用于解算待预测经纬网格点处的地表形变特征。上述方法充分利用第一神经网络可以有效处理台站坐标缺失问题,实现缺失值插补、粗差探测和剔除的自动化处理,充分利用第二神经网络可以削弱因台站系数等因素引起的速度拟合精度损失,实现预测速度结果的高效拟合解算,最终实现应变场率计算和形变特征分析,本发明实施例具备高效便利、易于实现、自动化程度高、实用性强等特点。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
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基于深度学习和北斗定位的地震地表形变分析方法的流程示意图;
图2为本发明实施例提供的另一种基于深度学习和北斗定位的地震地表形变分析方法的流程示意图;
图3为本发明实施例提供的一种基于深度学习和北斗定位的地震地表形变分析装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
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,下面将结合实施例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。
目前,因北斗原始观测数据不可避免的会出现缺失、解算处理过程中也会出现粗差,而且现有北斗数据分析地表形变过程中涉及的数据处理方法复杂,需要人工剔除粗差、调整模型、优化参数等,无法实现高效自动化处理,基于此,本发明实施提供了一种基于深度学习和北斗定位的地震地表形变分析方法及装置,可以实现粗差剔除和缺失值插补的自动化处理,还可以利用训练得到的地表形变分析模型实现预测速度结果的高效拟合解算,具备高效便利、易于实现、自动化程度高、实用性强等特点。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于深度学习和北斗定位的地震地表形变分析方法进行详细介绍,参见图1所示的一种基于深度学习和北斗定位的地震地表形变分析方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取目标区域内每个北斗地震台站的原始观测数据,并基于原始观测数据构建待处理坐标时间序列。
在一种实施方式中,可以以自然天为单位定期获取广域范围(也即目标区域)的所有北斗地震台站原始观测数据,另外还可以获取国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据、广播星历数据,以结合上述数据对北斗地震台站原始观测数据进行数据处理,得到台站毫米级高精度单日解坐标(简称单日解坐标),并使用单日解坐标构建得到初始坐标时间序列,对初始坐标时间序列进行去均值处理和时间归算处理,即可得到待处理坐标时间序列。
步骤S104,通过第一神经网络模型,对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列。
其中,目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系,第一神经网络为LSTM(Long Short-Term Memory,时间循环神经网络)。
在一种实施方式中,可以使用滑动多窗口(诸如,滑动三窗口)将待处理坐标时间序列划分为子序列,并利用子序列进行LSTM神经网络训练,以得到训练过程中LSTM神经网络输出的预测坐标信息以及LSTM神经网络的目标损失值,即可利用预测坐标信息对待处理坐标时间序列进行缺失值插补处理,以及利用预测坐标信息和目标损失值对待处理坐标时间序列进行粗差剔除处理,判断粗差剔除处理和缺失值插补处理后的坐标时间序列是否满足预设条件,如果不满足则重复上述过程,直至得到满足预设条件的目标坐标时间序列。
步骤S106,基于目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值。
其中,参数值包括每个北斗地震台站的速度结果,还可以包括截距、周期项的振幅、角频率和相位等参数。
在一种实施方式中,可以利用最小二乘法,基于目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值。
步骤S108,利用每个北斗地震台站的速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型。
其中,地表形变分析模型也可称之为速度场模型,地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,预测速度结果用于解算待预测经纬网格点处的地表形变特征。
在一种实施方式中,速度结果作为训练标签,台站特征信息作为第二神经网络的输入,对第二神经网络进行训练,将训练得到的第二神经网络作为地表形变分析模型,在后续应用过程中,可以将待预测经纬网格点的特征信息输入至地表形变分析模型,地表形变分析模型即可输出相应的预测速度结果,进而在预测速度结果的基础上进行应变场率计算和形变特征分析。
本发明实施例提供的基于深度学习和北斗定位的地震地表形变分析方法,充分利用第一神经网络可以有效处理台站坐标缺失问题,实现缺失值插补、粗差探测和剔除的自动化处理,充分利用第二神经网络可以削弱因台站系数等因素引起的速度拟合精度损失,实现预测速度结果的高效拟合解算,最终实现应变场率计算和形变特征分析,本发明实施例具备高效便利、易于实现、自动化程度高、实用性强等特点。
为便于对上述实施例进行理解,本发明实施例提供了一种基于深度学习和北斗定位的地震地表形变分析方法的具体实施方式。
对于前述步骤S102,本发明实施例提供了一种获取目标区域内每个北斗地震台站的原始观测数据,并基于原始观测数据构建待处理坐标时间序列的实施方式,参见如下步骤A1至步骤A4:
步骤A1,获取每个北斗地震台站的原始观测数据、国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据。
在一种实施方式中,以自然天为单位定期获取广域范围的所有北斗地震台站原始观测数据、国际参考框架站点原始观测数据、精密轨道/钟差产品数据、广播星历数据,利用分布式数据库存储管理各类观测数据,实现各类观测数据根据年、年积日、台站编码、经纬度、产品代码、广播星历代码等信息的高效提取。
步骤A2,基于国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据,对每个北斗地震台站的原始观测数据进行数据处理,得到每个北斗地震台站对应的单日解坐标。
在一种实施方式中,使用国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据,每天定期对广域范围的所有北斗地震台站的原始观测数进行自动化数据处理,处理流程依次为:数据预处理、轨道积分、模型改正和误差处理、基线构建和线性化、参数估计、双差整周模糊度解算、自由网平差、约束网平差,经过上述自动化数据处理流程即可得到台站毫米级单日解坐标,,其中/>为坐标序号,/>分别为单日解的年、年积日、东坐标、北坐标和高坐标。
步骤A3,基于单日解坐标构建初始坐标时间序列。
步骤A4,对初始坐标时间序列进行去均值处理和时间归算处理,得到待处理坐标时间序列。
在一例中,可以按照如下公式进行去均值处理:
;其中,/>为/>的某一个方向(也即观测位置信息),/>为序列中所有非缺失坐标的总数;
在一例中,可以按照如下公式进行时间归算处理:
;其中,/>为时间归算后的坐标时间。
对于前述步骤S104,本发明实施例提供了一种通过第一神经网络模型,对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列的实施方式,参见如下步骤B1至步骤B4:
步骤B1,利用滑动多窗口将待处理坐标时间序列划分为多个子序列组;其中,子序列组中包含的子序列数量与滑动多窗口的窗口数量一致,示例性的,滑动多窗口为滑动三窗口,则在每次移动该滑动三窗口时,将得到三个子序列,也即子序列组中包含第一子序列、第二子序列/>和第三子序列/>,诸如:
;
;
;
其中,为滑动三窗口的起始位置,/>为窗口长度。
利用上述方法,可以得到总长度为n的待处理坐标时间序列对应的子序列矩阵:
。
步骤B2,通过LSTM神经网络,基于子序列组对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列。在具体实现时,可以参见如下(1)至(3):
(1)将第一子序列和第三子序列作为LSTM神经网络的输入,以使LSTM神经网络预测第二子序列中每个时间信息对应的预测坐标信息。
在一种实施方式中,上述矩阵中的每一行作为一次训练数据,每一行也即一个子序列组,每一行的第1列和第3列对应的观测坐标信息为训练LSTM神经网络的输入数据,并通过LSTM神经网络预测第2列对应的预测坐标信息,矩阵中的第2列为预测坐标信息对应的真值数据(也即观测坐标信息),因此上述矩阵共需要进行次训练。
(2)基于第二子序列中每个时间信息对应的观测坐标信息和预测坐标信息,确定LSTM神经网络的目标损失值。
在一种实施方式中,每次训练均对应一个LSTM神经网络神经元,其损失值使用预测坐标信息/>和观测坐标信息/>的差的平方和,LSTM神经网络整体损失值/>为个神经元损失值的均值,优化算法使用Adam优化算法,学习率设定为0.01。损失函数如下所示:
;
;
其中,为每个LSTM神经网络神经元的损失值,/>为目标损失值。
(3)基于预测坐标信息对待处理坐标时间序列进行缺失值插补处理;以及,基于预测坐标信息和目标损失值对待处理坐标时间序列进行粗差剔除处理,得到更新后坐标时间序列。
在一种实施方式中,缺失值插补处理的过程如下所示:如果待处理坐标时间序列中不包含时间信息对应的观测坐标信息,则将时间信息对应的预测坐标信息补充至待处理坐标时间序列中,以实现对待处理坐标时间序列进行缺失值插补处理。在具体实现时,如果待处理坐标时间序列缺失某个时间信息对应的观测坐标信息,则在此次迭代过程中将不会对该时间信息进行粗差剔除处理,并将LSTM神经网络输出的预测坐标信息直接补充至待处理坐标时间序列,作为该时间信息对应的坐标信息。
在一种实施方式中,粗差剔除处理的过程如下所示,包括(a)至(c):
(a)将时间信息对应的观测坐标信息和预测坐标信息之间的差值绝对值,与目标损失值进行比对。
(b)基于比对结果确定时间信息对应的粗差剔除标志。在一种实施方式中,训练的收敛后认为本次LSTM神经网络训练结束,计算待处理坐标时间序列的粗差剔除标志/>。在具体实现时,可以按照如下公式确定粗差剔除标志:
。
(c)如果粗差剔除标志的值为1,则将时间信息和时间信息对应的观测坐标信息从待处理坐标时间序列中剔除;如果粗差剔除标志的值为0,则保留时间信息和时间信息对应的观测坐标信息,以实现对待处理坐标时间序列进行粗差剔除处理。在一种实施方式中,保留值为0的观测坐标信息,并剔除/>值为1的观测坐标信息。
步骤B3,判断更新后坐标时间序列是否满足预设条件。在一种实施方式中,如果更新后坐标时间序列中,每个时间信息对应的粗差剔除标志的值均为0,则确定更新后坐标时间序列满足预设条件;反之,如果存在粗差剔除标志的值为1的情况,则确定更新后坐标时间序列不满足预设条件。
步骤B4,如果否,则利用滑动多窗口将更新后坐标时间序列重新划分为多个子序列组,并继续通过LSTM神经网络,基于重新划分的子序列组对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,直至更新后坐标时间序列满足预设条件,得到目标坐标时间序列。在一种实施方式中,在更新后坐标时间序列不满足预设条件的情况下,将重复前述步骤B1至步骤B3,直至更新后坐标时间序列中,每个时间信息对应的粗差剔除标志的值均为0,将此时的更新后坐标时间序列作为最终的目标坐标时间序列。
上述方法完成了原始坐标时间序列的粗差剔除和缺失值插补,其中滑动三窗口方法使用前后窗口数据预测中间窗口数据,能同时顾及双边信息,获得更优的预测模型。
对于前述步骤S106,本发明实施例提供了一种基于目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值的实施方式,具体的:使用步骤S104中生成的目标坐标时间序列,顾及年周期、半年周期和季度周期等,建立顾及多周期项的北斗地震台站速度计算模型,该北斗地震台站速度计算模型能够更好的表达北斗地震台站水平和垂直运动,北斗地震台站速度计算模型如下所示:
;
其中,为/>时刻的模型坐标值(也即,上述观测坐标信息或预测坐标信息),/>为截距,/>为线性速度(也即,速度结果),/>和/>、/>、/>和/>分别为第/>个周期项的振幅、角频率和相位,年周期的角频率为/>,半年周期的角频率为/>,季度周期的角频率为/>,为随机误差。
在具体实现时,利用目标坐标时间序列对上述北斗地震台站速度计算模型中的截距、线性速度、第个周期项的振幅、角频率和相位进行拟合。具体的:令/>,/>为真实坐标,经线性化得/>,其中/>为线性化后的系数矩阵,/>为残差向量,/>为截距、线性速度、周期项参数等待估计参数的矩阵,根据最小二乘准则/>,其中为单位权矩阵,可得/>,最后从矩阵/>中获取速度结果/>。
对于前述步骤S108,本发明实施例提供了一种利用每个北斗地震台站的速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型的实施方式,参见如下步骤C1至步骤C2:
步骤C1,将每个北斗地震台站的台站特征信息作为第二神经网络的输入,将每个北斗地震台站的速度结果作为训练标签,对第二神经网络进行训练。
在一种实施方式中,可以根据区域经纬度边界信息选取区域内所有北斗地震台站的速度结果和台站特征信息。其中,速度结果包括水平速度、水平运动方向、垂直速度、垂直运动方向,台站特征信息包括台站类型、台站经度/>、台站纬度/>、台站高程/>、台站所在I级板块P1、台站所在II级板块P2、开始时间/>、结束时间/>和是否存在地震断裂带/>。
在一例中,取值为1~3,依次代表基岩站、土层站;
在一例中,P1取值为1~6,依次代表亚欧板块、太平洋板块、美洲板块、非洲板块、印度洋板块和南极洲板块;
在一例中,P2取值为0~21,依次代表非中国Ⅱ级板块、塔里木、燕山、中朝、中蒙、鄂尔多斯、华北、鲁东黄海、天山、准噶尔、阿拉善、阿尔泰、拉萨、芜塘、巴颜喀拉、柴达木、祁连、川滇、滇西南、华南、南海;
在一例中,其中S为台站与地震锻炼带距离;
在一例中,经度、纬度/>、高程/>为台站的三维坐标,开始时间/>、结束时间/>为计算台站速度时使用的原始观测数据的起始和结束时间,并经过时间归算。
进一步的,构建深度神经网络,确定隐藏层为4层,每层神经元个数分别为19、7、7、7,每层之间均使用全连接,激活函数均设置为ReLU函数,损失值为模型预测值和真值间差的平方和,学习率设为0.013,优化算法使用Adam优化算法。
进一步的,将区域内所有台站划分为训练集和测试集,比例为9:1,利用上述模型进行训练,当损失值收敛后认为训练结束。
上述方法完成了区域内速度场模型的建立,利用深度神经网络,可以削弱因台站稀疏、数据质量等因素带来的速度场精度损失,获得更恰当的速度场模型。
步骤C2,将训练得到的第二神经网络作为地表形变分析模型。
在前述实施例的基础上,在确定地表形变分析模型之后,可利用地表形变分析模型进行北斗速度场计算、北斗应变率场计算和地表形变分析,具体可参见如下步骤D1至步骤D3:
步骤D1,获取待预测经纬网格点处的网格点特征信息;
步骤D2,通过地表形变分析模型,基于网格点特征信息确定待预测经纬网格点处的预测速度结果;
步骤D3,基于预测速度结果确定待预测经纬网格点处的地表形变特征。
在实际应用中,使用步骤S108构建的地表形变分析模型(也可称之为速度场模型),计算区域内经纬网格点的速度,形成速度场,根据位移和应变的微分关系计算应变率场,得到主应变、面应变、剪应变等结果,结合速度场、位移结果,可进行位移、坡度和坡向、沉降和隆升、拉张和挤压等特征分析。
综上所述,地震后地表形变分析可以在地震发生后及时为减灾救灾、抢险救援提供支撑数据。另外,深度学习已经在众多领域实现了突破应用,北斗数据也在持续增长,传统地震后的地表形变分析方法在效率、自动化等方面显然将愈发吃力。基于此,本发明实施例提供一种基于深度学习和北斗的地震后地表形变分析方法,更高效、自动化程度更高,并且易于实现、实用性强。本发明实施例优势:①通过构建融合LSTM神经网络的坐标时间序列预处理方法,有效处理原始坐标时间序列数据缺失和粗差,提高原始坐标时间序列的利用率,提高计算的台站速度精度;②构建顾及多周期项的北斗地震台站速度计算模型,该模型可以同时表达北斗地震台站水平和垂直运动,有利于自动化处理;③通过构建融合深度神经网络的区域速度场计算方法,可实现区域速度场的高效解算,削弱因台站稀疏、数据质量等因素带来的速度场精度损失;④无需人工参与,可实现利用原始观测数据进行地表形变分析的全流程自动化处理,提高地震事件影响的地表形变分析的效率。
为便于理解,本发明实施例还提供了基于深度学习和北斗定位的地震地表形变分析方法的另一种实施方式,参见图2所示的另一种基于深度学习和北斗定位的地震地表形变分析方法的流程示意图,该方法主要包括以下步骤S202至步骤S210:
步骤S202,定期收集原始观测数据、精密轨道/钟差、广播星历,进行北斗高精度自动化数据处理。具体的,定期收集并整理广域范围的北斗观测台站原始观测数据、精密轨道/钟差产品数据、广播星历数据,进行北斗高精度数据处理,获得北斗地震台站的毫米级坐标。
步骤S204,构建融合LSTM神经网络的坐标时间序列预处理方法,实现坐标时间序列的缺失值插补和粗差剔除。具体的,针对各北斗地震台站的坐标时间序列,利用滑动三窗口确定训练数据和测试数据,构建融合LSTM神经网络的坐标时间序列预处理方法,实现坐标时间序列的缺失值插补和粗差剔除。
步骤S206,构建估计多周期项的北斗地震台站速度计算模型,估计北斗地震台站速度结果。
步骤S208,构建融合深度学习网络的区域速度场计算方法,实现地震事件影响区域的速度场计算。具体的,利用所有北斗地震台站的速度,构建融合深度神经网络的区域速度场计算方法,实现地震事件影响区域的速度场计算。
步骤S210,计算北斗应变率场,分析地表形变特征。具体的,根据位移与应变的微分关系计算北斗应变率场,分析地表形变特征。
近年来包括LSTM神经网络和深度神经网络在内的神经网络模型在自然语言、图像识别等很多领域取得突破应用,本发明实施例认为充分利用LSTM神经网络可以有效处理台站坐标缺失问题,实现缺失值插补、粗差探测和剔除,充分利用深度神经网络可以削弱因台站稀疏等因素引起的速度场拟合精度损失,实现速度场的高效拟合解算。因此,本发明实施例提出一种基于深度学习和北斗的地震区域地表形变分析方法,本方法以传统流程的基础,融合LSTM神经网络和深度神经网络,实现坐标时间序列粗差剔除和缺失值插补,构建并训练基于LSTM的台站速度计算模型,构建并训练基于深度神经网络的区域速度场计算模型,最终实现应变率场计算和形变特征分析。该方法具备高效便利、易于实现、自动化程度高、实用性强。
在前述实施例的基础上,本发明实施例提供了一种基于深度学习和北斗定位的地震地表形变分析装置,参见图3所示的一种基于深度学习和北斗定位的地震地表形变分析装置的结构示意图,该装置主要包括以下部分:
数据获取模块302,用于获取目标区域内每个北斗地震台站的原始观测数据,并基于原始观测数据构建待处理坐标时间序列;
坐标时间序列处理模块304,用于通过第一神经网络模型,对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列;其中,目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;
速度拟合模块306,用于基于目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值;其中,参数值包括每个北斗地震台站的速度结果;
模型训练模块308,用于利用每个北斗地震台站的速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,预测速度结果用于解算待预测经纬网格点处的地表形变特征。
本发明实施例提供的基于深度学习和北斗定位的地震地表形变分析装置,充分利用第一神经网络可以有效处理台站坐标缺失问题,实现缺失值插补、粗差探测和剔除的自动化处理,充分利用第二神经网络可以削弱因台站系数等因素引起的速度拟合精度损失,实现预测速度结果的高效拟合解算,最终实现应变场率计算和形变特征分析,本发明实施例具备高效便利、易于实现、自动化程度高、实用性强等特点。
在一种实施方式中,数据获取模块302还用于:
基于国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据,对每个北斗地震台站的原始观测数据进行数据处理,得到每个北斗地震台站对应的单日解坐标;
基于单日解坐标构建初始坐标时间序列;
对初始坐标时间序列进行去均值处理和时间归算处理,得到待处理坐标时间序列。
在一种实施方式中,第一神经网络为LSTM神经网络;坐标时间序列处理模块304还用于:
利用滑动多窗口将待处理坐标时间序列划分为多个子序列组;其中,子序列组中包含的子序列数量与滑动多窗口的窗口数量一致;
通过LSTM神经网络,基于子序列组对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列;
判断更新后坐标时间序列是否满足预设条件;
如果否,则利用滑动多窗口将更新后坐标时间序列重新划分为多个子序列组,并继续通过LSTM神经网络,基于重新划分的子序列组对待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,直至更新后坐标时间序列满足预设条件,得到目标坐标时间序列。
在一种实施方式中,滑动多窗口为滑动三窗口,子序列组中包含第一子序列、第二子序列和第三子序列;坐标时间序列处理模块304还用于:
将第一子序列和第三子序列作为LSTM神经网络的输入,以使LSTM神经网络预测第二子序列中每个时间信息对应的预测坐标信息;
基于第二子序列中每个时间信息对应的观测坐标信息和预测坐标信息,确定LSTM神经网络的目标损失值;
基于预测坐标信息对待处理坐标时间序列进行缺失值插补处理;以及,基于预测坐标信息和目标损失值对待处理坐标时间序列进行粗差剔除处理,得到更新后坐标时间序列。
在一种实施方式中,坐标时间序列处理模块304还用于:
如果待处理坐标时间序列中不包含时间信息对应的观测坐标信息,则将时间信息对应的预测坐标信息补充至待处理坐标时间序列中,以实现对待处理坐标时间序列进行缺失值插补处理;
基于预测坐标信息和目标损失值对待处理坐标时间序列进行粗差剔除处理,包括:
将时间信息对应的观测坐标信息和预测坐标信息之间的差值绝对值,与目标损失值进行比对;
基于比对结果确定时间信息对应的粗差剔除标志;
如果粗差剔除标志的值为1,则将时间信息和时间信息对应的观测坐标信息从待处理坐标时间序列中剔除;如果粗差剔除标志的值为0,则保留时间信息和时间信息对应的观测坐标信息,以实现对待处理坐标时间序列进行粗差剔除处理。
在一种实施方式中,坐标时间序列处理模块304还用于:
如果更新后坐标时间序列中,每个时间信息对应的粗差剔除标志的值均为0,则确定更新后坐标时间序列满足预设条件。
在一种实施方式中,模型训练模块308还用于:
将每个北斗地震台站的台站特征信息作为第二神经网络的输入,将每个北斗地震台站的速度结果作为训练标签,对第二神经网络进行训练;其中,速度结果包括水平速度、水平运动方向、垂直速度、垂直运动方向,台站特征信息包括台站类型、台站经度、台站纬度、台站高程、台站所在I级板块、台站所在II级板块、开始时间、结束时间和是否存在地震断裂带;
将训练得到的第二神经网络作为地表形变分析模型。
在一种实施方式中,还包括形变分析模块,用于:
获取待预测经纬网格点处的网格点特征信息;
通过地表形变分析模型,基于网格点特征信息确定待预测经纬网格点处的预测速度结果;
基于预测速度结果确定待预测经纬网格点处的地表形变特征。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图4为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口43(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42可以是ISA总线、PCI总线或EISA总线等。所述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4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41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40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40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40可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,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41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,包括:
获取目标区域内每个北斗地震台站的原始观测数据,并基于所述原始观测数据构建待处理坐标时间序列;
通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列;其中,所述目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;
基于所述目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值;其中,所述参数值包括每个所述北斗地震台站的速度结果;
利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,所述地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,所述预测速度结果用于解算所述待预测经纬网格点处的地表形变特征。
2.根据权利要求1所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,基于所述原始观测数据构建待处理坐标时间序列,包括:
基于国际参考框架站点原始观测数据、精密轨道数据、钟差产品数据和广播星历数据,对每个所述北斗地震台站的所述原始观测数据进行数据处理,得到每个所述北斗地震台站对应的单日解坐标;
基于所述单日解坐标构建初始坐标时间序列;
对所述初始坐标时间序列进行去均值处理和时间归算处理,得到待处理坐标时间序列。
3.根据权利要求1所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,所述第一神经网络为LSTM神经网络;通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列,包括:
利用滑动多窗口将所述待处理坐标时间序列划分为多个子序列组;其中,所述子序列组中包含的子序列数量与所述滑动多窗口的窗口数量一致;
通过所述LSTM神经网络,基于所述子序列组对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列;
判断所述更新后坐标时间序列是否满足预设条件;
如果否,则利用所述滑动多窗口将所述更新后坐标时间序列重新划分为多个所述子序列组,并继续通过所述LSTM神经网络,基于重新划分的所述子序列组对所述待处理坐标时间序列进行所述粗差剔除处理和所述缺失值插补处理,直至所述更新后坐标时间序列满足所述预设条件,得到目标坐标时间序列。
4.根据权利要求3所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,所述滑动多窗口为滑动三窗口,所述子序列组中包含第一子序列、第二子序列和第三子序列;通过所述LSTM神经网络,基于所述子序列组对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到更新后坐标时间序列,包括:
将所述第一子序列和所述第三子序列作为所述LSTM神经网络的输入,以使所述LSTM神经网络预测所述第二子序列中每个所述时间信息对应的预测坐标信息;
基于所述第二子序列中每个所述时间信息对应的所述观测坐标信息和所述预测坐标信息,确定所述LSTM神经网络的目标损失值;
基于所述预测坐标信息对所述待处理坐标时间序列进行缺失值插补处理;以及,基于所述预测坐标信息和目标损失值对所述待处理坐标时间序列进行粗差剔除处理,得到更新后坐标时间序列。
5.根据权利要求4所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,基于所述预测坐标信息对所述待处理坐标时间序列进行缺失值插补处理,包括:
如果所述待处理坐标时间序列中不包含所述时间信息对应的所述观测坐标信息,则将所述时间信息对应的所述预测坐标信息补充至所述待处理坐标时间序列中,以实现对所述待处理坐标时间序列进行缺失值插补处理;
基于所述预测坐标信息和目标损失值对所述待处理坐标时间序列进行粗差剔除处理,包括:
将所述时间信息对应的所述观测坐标信息和所述预测坐标信息之间的差值绝对值,与所述目标损失值进行比对;
基于比对结果确定所述时间信息对应的粗差剔除标志;
如果所述粗差剔除标志的值为1,则将所述时间信息和所述时间信息对应的所述观测坐标信息从所述待处理坐标时间序列中剔除;如果所述粗差剔除标志的值为0,则保留所述时间信息和所述时间信息对应的所述观测坐标信息,以实现对所述待处理坐标时间序列进行粗差剔除处理。
6.根据权利要求5所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,判断所述更新后坐标时间序列是否满足所述预设条件,包括:
如果所述更新后坐标时间序列中,每个所述时间信息对应的所述粗差剔除标志的值均为0,则确定所述更新后坐标时间序列满足所述预设条件。
7.根据权利要求1所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型,包括:
将每个所述北斗地震台站的台站特征信息作为所述第二神经网络的输入,将每个所述北斗地震台站的所述速度结果作为训练标签,对第二神经网络进行训练;其中,所述速度结果包括水平速度、水平运动方向、垂直速度、垂直运动方向,所述台站特征信息包括台站类型、台站经度、台站纬度、台站高程、台站所在I级板块、台站所在II级板块、开始时间、结束时间和是否存在地震断裂带;
将训练得到的所述第二神经网络作为地表形变分析模型。
8.根据权利要求1所述的基于深度学习和北斗定位的地震地表形变分析方法,其特征在于,所述方法还包括:
获取待预测经纬网格点处的网格点特征信息;
通过所述地表形变分析模型,基于所述网格点特征信息确定所述待预测经纬网格点处的预测速度结果;
基于所述预测速度结果确定所述待预测经纬网格点处的地表形变特征。
9.一种基于深度学习和北斗定位的地震地表形变分析装置,其特征在于,包括:
数据获取模块,用于获取目标区域内每个北斗地震台站的原始观测数据,并基于所述原始观测数据构建待处理坐标时间序列;
坐标时间序列处理模块,用于通过第一神经网络模型,对所述待处理坐标时间序列进行粗差剔除处理和缺失值插补处理,得到目标坐标时间序列;其中,所述目标坐标时间序列包括时间信息与观测坐标信息之间的对应关系;
速度拟合模块,用于基于所述目标坐标时间序列,拟合预先构建的北斗地震台站速度计算模型的参数值;其中,所述参数值包括每个所述北斗地震台站的速度结果;
模型训练模块,用于利用每个所述北斗地震台站的所述速度结果和台站特征信息,对第二神经网络进行训练,以得到地表形变分析模型;其中,所述地表形变分析模型用于预测待预测经纬网格点处的预测速度结果,所述预测速度结果用于解算所述待预测经纬网格点处的地表形变特征。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213403.XA CN116955976B (zh) | 2023-09-20 | 2023-09-20 | 基于深度学习和北斗定位的地震地表形变分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213403.XA CN116955976B (zh) | 2023-09-20 | 2023-09-20 | 基于深度学习和北斗定位的地震地表形变分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116955976A CN116955976A (zh) | 2023-10-27 |
CN116955976B true CN116955976B (zh) | 2023-11-28 |
Family
ID=88449625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213403.XA Active CN116955976B (zh) | 2023-09-20 | 2023-09-20 | 基于深度学习和北斗定位的地震地表形变分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955976B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293550A (zh) * | 2013-05-23 | 2013-09-11 | 武汉大学 | 利用单频gnss接收机的实时高精度地震形变监测方法 |
KR101700044B1 (ko) * | 2015-10-02 | 2017-01-25 | 창원대학교 산학협력단 | 복수의 gps 수신기 및 음향 측심기를 이용한 3차원 수중 지형정보 측량 시스템 및 방법 |
CN106767664A (zh) * | 2016-11-29 | 2017-05-31 | 中南安全环境技术研究院股份有限公司 | 基于北斗系统的大跨径桥梁形变实时监测方法 |
CN109521444A (zh) * | 2018-10-22 | 2019-03-26 | 长安大学 | 一种地壳运动gps水平速度场自适应最小二乘拟合推估算法 |
JP2019066411A (ja) * | 2017-10-04 | 2019-04-25 | 一般社団法人地震予兆研究センター | 地震予兆情報処理システム |
CN110687587A (zh) * | 2019-09-17 | 2020-01-14 | 南京信大气象科学技术研究院有限公司 | 一种基于多源遥感数据和监测站点数据的中长期地震预警系统 |
CN115759409A (zh) * | 2022-11-07 | 2023-03-07 | 合肥工业大学 | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 |
-
2023
- 2023-09-20 CN CN202311213403.XA patent/CN116955976B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293550A (zh) * | 2013-05-23 | 2013-09-11 | 武汉大学 | 利用单频gnss接收机的实时高精度地震形变监测方法 |
KR101700044B1 (ko) * | 2015-10-02 | 2017-01-25 | 창원대학교 산학협력단 | 복수의 gps 수신기 및 음향 측심기를 이용한 3차원 수중 지형정보 측량 시스템 및 방법 |
CN106767664A (zh) * | 2016-11-29 | 2017-05-31 | 中南安全环境技术研究院股份有限公司 | 基于北斗系统的大跨径桥梁形变实时监测方法 |
JP2019066411A (ja) * | 2017-10-04 | 2019-04-25 | 一般社団法人地震予兆研究センター | 地震予兆情報処理システム |
CN109521444A (zh) * | 2018-10-22 | 2019-03-26 | 长安大学 | 一种地壳运动gps水平速度场自适应最小二乘拟合推估算法 |
CN110687587A (zh) * | 2019-09-17 | 2020-01-14 | 南京信大气象科学技术研究院有限公司 | 一种基于多源遥感数据和监测站点数据的中长期地震预警系统 |
CN115759409A (zh) * | 2022-11-07 | 2023-03-07 | 合肥工业大学 | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 |
Non-Patent Citations (2)
Title |
---|
C ORS 系统在地表形变监测中的应用研究;王斌;《中国优秀硕士学位论文全文数据库 基础科学辑 (月刊)》(第2016年08期);全文 * |
Locating surface deformation induced by earthquakes using GPS, GLONASS and Galileo ionospheric sounding from a single station;Florian Zedek等;《Advances in Space Research》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116955976A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117876B (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
Chen et al. | A GIS-based comparative study of frequency ratio, statistical index and weights-of-evidence models in landslide susceptibility mapping | |
Briggs et al. | A data-constrained large ensemble analysis of Antarctic evolution since the Eemian | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
CN109472004B (zh) | 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统 | |
CN110298211B (zh) | 一种基于深度学习和高分辨率遥感影像的河网提取方法 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN111784017B (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
Aureli et al. | A GPU-accelerated shallow-water scheme for surface runoff simulations | |
CN112735094A (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN102254095A (zh) | 基于多维分形克里格方法的成矿异常提取方法 | |
CN111797131A (zh) | 一种基于遥感降水产品的极端降水区域频率分析方法 | |
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
CN112242060A (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
Holmlund et al. | Constraining 135 years of mass balance with historic structure-from-motion photogrammetry on Storglaciären, Sweden | |
Mondejar et al. | Estimating topsoil texture fractions by digital soil mapping-a response to the long outdated soil map in the Philippines | |
CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
Zhao et al. | Multi-scale target-specified sub-model approach for fast large-scale high-resolution 2D urban flood modelling | |
CN112767219B (zh) | 基于机器学习的震后受灾人口快速空间评估方法及系统 | |
CN116955976B (zh) | 基于深度学习和北斗定位的地震地表形变分析方法及装置 | |
Zhao et al. | Automatic extraction of yardangs using Landsat 8 and UAV images: A case study in the Qaidam Basin, China | |
CN108957594B (zh) | 一种商遥卫星轨道总云量预报修正方法及修正系统 | |
Sharma et al. | NGFS rainfall forecast verification over India using the contiguous rain area (CRA) method | |
CN115271332A (zh) | 一种旱情监测方法 |
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 |