CN117031566A - 一种地磁异常数据集的构建方法及系统 - Google Patents
一种地磁异常数据集的构建方法及系统 Download PDFInfo
- Publication number
- CN117031566A CN117031566A CN202310937865.XA CN202310937865A CN117031566A CN 117031566 A CN117031566 A CN 117031566A CN 202310937865 A CN202310937865 A CN 202310937865A CN 117031566 A CN117031566 A CN 117031566A
- Authority
- CN
- China
- Prior art keywords
- geomagnetic
- data
- window
- anomaly
- reference signal
- 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
- 238000010276 construction Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000000737 periodic effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005358 geomagnetic field Effects 0.000 description 6
- 230000010287 polarization Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/40—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for measuring magnetic field characteristics of the earth
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地磁异常数据集的构建方法及系统，所述方法包括：提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；基于剩余地磁序列构建各台站地磁数据的基准信号；计算各台站每日地磁数据与基准信号的窗口加权相关度；基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。本发明可以提高地磁异常波形检测的准确率和灵敏度，以便及时发现可能的地磁异常信号，并判断其与地震发生的相关性。
Description
技术领域
本发明属于地磁异常波形检测技术领域，具体涉及一种地磁异常数据集的构建方法及系统。
背景技术
地震是由于地下应力的长期累积和变化，进而导致断层失稳的结果。这种自然现象会造成巨大的灾害，导致人员伤亡、经济损失和环境破坏，为了有效防止地震灾害的影响，人们采取了多种应对措施，其中之一就是尝试实现地震预测。其中，地震电磁法作为一种重要的预测手段，在地震前兆异常观测中发挥了重要作用，并被认为是可能首先取得地震预测突破性进展的主要方法之一。
电磁法地震预测的流程是在各台站设置仪器，观测覆盖区域的电磁数据，从中提取异常，其中，地磁场数据的异常在反映地震活动方面具有较高的敏感性。地磁异常是一种重要的震前异常信号，利用地磁异常进行地震预测，是一种被动式、非侵入式、低成本的探测方法。通过监测、分析地磁异常信号，可以反映出地下应力场的变化情况，从而为地震预测提供有价值的信息。因此，提取和分析地磁异常信号，是研究地震预警预报及其它空间电磁异常现象的基础。
由于受到太阳活动、大气扰动、人为噪声等的干扰，地磁异常信号往往难以从背景噪声中识别出来。为了抑制外源场信号的影响，并突出震源区域的异常扰动信号，学者们提出了多种方法进行地磁异常信息的提取和分析。例如地磁垂直强度极化法、主成分分析、梯度定向法和分形分析法等。
木拉提江·阿不来提等在《利用垂直强度极化法分析喀什观测站地磁秒数据异常》中使用垂直强度极化法定量研究极化值异常幅值与震中距、异常幅值与对应地震震级、异常持续时间与震级、震中距与震级之间的关系，但是极化法在震前异常检测中存在局限性，主要表现在两方面：一是受台站观测资料质量和台站布设间距影响，异常信号通常只出现在震中附近单一台站上；二是难以排除数据干扰因素，异常信号的可靠性难以判断。Ismaguilov在使用梯度定向法对日本伊豆震群进行震中定位时，发现该方法对台站与方位角位置选择敏感，需要综合多组台阵方位角迁移方向才能确定未来震中方向。此外，上述方法都需要对观测数据进行复杂的信号处理技术，可能会导致原始数据中某些地震信息特征丢失。而且，在很多情况下，并不能将地磁信号异常与地震发生建立起有效联系。因此，在使用这些方法进行地震预测时仍存在较大不确定性，影响了对地磁数据逐一进行和分析的能力。
发明内容
有鉴于此，本发明提出了一种地磁异常数据集的构建方法即系统，用于解决地磁异常波形检测的准确率和灵敏度不佳的问题。
本发明第一方面，公开一种地磁异常数据集的构建方法，所述方法包括：
提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；
基于剩余地磁序列构建各台站地磁数据的基准信号；
计算各台站每日地磁数据与基准信号的窗口加权相关度；
基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
在以上技术方案的基础上，优选的，采用奇异谱分析方法提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量。
在以上技术方案的基础上，优选的，所述基于剩余地磁序列构建各台站地磁数据的基准信号具体包括：
对每半小时的剩余地磁序列数据取均值作为当日的基准信号；
取每日基准信号的均值，并进行去噪、平滑处理，得到各台站的基准信号。
在以上技术方案的基础上，优选的，所述计算各台站每日地磁数据与基准信号的窗口加权相关度具体包括：
将每日地磁数据划分成多个时间窗口下的数据；
计算每个时间窗口下待测地磁数据与基准信号的窗内相关度；
分别为每个时间窗口赋予不同的权重，并对各个窗内相关度加权求和，得到窗口加权相关度。
在以上技术方案的基础上，优选的，计算窗口加权相关度的公式为：
其中，ωi为第i个时间窗口的权重，K为所划分的时间窗口的总数，xj为当前滑动窗口中基准信号的第j个数据点，yj为当前滑动窗口中需要识别的地磁数据，j＝1,2,...,N，N为当前窗口中的数据点总数。
在以上技术方案的基础上，优选的，所述基于窗口加权相关度的大小提取地磁异常波形具体包括：
计算每日的窗口加权相关度并取均值，通过相似度的变化，基于3Sigmma设置动态阈值，提取超出动态阈值范围的异常波形。
在以上技术方案的基础上，优选的，所述地磁异常数据集用于训练机器学习模型，以实现对地磁异常信号的特征提取与分类识别。
本发明第二方面，公开一种地磁异常数据集的构建系统，所述系统包括：
分量去除模块：用于提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；
基准信号构建模块：用于基于剩余地磁序列构建各台站地磁数据的基准信号；
相关度计算模块：用于计算各台站每日地磁数据与基准信号的窗口加权相关度；
数据集建立模块：用于基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明通过去除各台站地磁垂直分量预处理分钟数据的线性趋势分量，可以突出地磁场变化中可能存在的异常波动或突变现象为后续的异常数据识别以及台站基准信号的构建奠定基础；通过时间窗口加权法计算地磁数据与基准信号之间的相似性，根据相似度大小判断是否存在异常信号，从而实现对地磁垂直分量异常波形的有效检测和识别，以便及时发现可能的地磁异常信号，并判断其与地震发生的相关性，并通过该方法构建地磁异常数据集；
2)本发明提出的窗口加权相关度不仅关注到了波形趋势变化，还可以捕捉幅值波动明显区别于基准信号的异常波形，并考虑到了不同时间段下地磁资料数据的差异，可以提高地磁异常波形检测的准确率和灵敏度；
3)本发明通过寻找可能与地震发生有关的地磁异常波形，分析与地震的潜在关联性，以此构建的地磁异常数据集可以用于机器学习，以实现对地磁异常的特征提取与分类识别，为通过地磁异常实现地震预测提供了便利，并且为震磁关系的进一步分析提供了有效的数据支持。
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为本发明的地磁异常数据集的构建方法流程图；
图2为某地磁台磁通门磁力仪去除线性趋势分量前后的波形示例，(a)为四川省某地磁台磁通门磁力仪2021年的预处理分钟数据(实线)及其线性趋势分量(虚线)；(b)为预处理分钟数据在去除线性趋势分量之后的波形；
图3为部分台站的基准信号示意图；
图4为4组相关系数与窗口加权相关度对地磁异常的识别度对比示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种地磁异常数据集的构建方法，所述方法包括：
S1、提取并去除各台站地磁垂直分量预处理分钟数据中的线性趋势分量，得到剩余地磁序列。
地磁场是地球内部磁性岩石及分布在地球内部和外部电流体系产生的各种磁场成分的叠加，反映了地球内外部物理过程的变化。地磁场的分布和变化有较强的规律性，但由于受到各种随机因素的干扰，导致地磁数据中存在噪声和异常值。为了提取出地磁数据中反映地震前兆信息的异常信号，去除地磁信号的线性趋势，突出其周期性变化，需要对原始数据进行合理有效的预处理。
本发明采用奇异谱分析(SSA)方法提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量，剩余序列包含了地磁场变化的主要模式和周期成分，以及地磁场变化中可能存在的异常波动或突变现象，该部分可以将地磁数据的局部异常波动展现出来，为后续的异常数据识别以及台站基准信号的构建奠定基础。
S2、基于剩余地磁序列构建各台站地磁数据的基准信号。
地磁日变异常是对基准信号的非随机的偏离，而震前垂直分量日变化异常主要表现在幅度和相位上的变化。为了提取可能与地震相关的地磁日变异常数据，同时关注波形相位及幅值的变化，本发明从相似性的角度出发，构建地磁数据的基准信号，提取可能的震前地磁异常数据。
具体的，对每半小时的剩余地磁序列数据取均值作为当日的基准信号，取每日基准信号的均值，并进行去噪、平滑处理以抑制噪声干扰，提高信噪比及平滑度，得到各台站的基准信号。
S3、计算各台站每日地磁数据与基准信号的窗口加权相关度。
在基于相似性的方法进行异常分析过程中发现，常规的使用相关系数度量异常时，只关注到了地磁数据波形趋势的变化，忽略了高峰和低谷的绝对振幅，幅值波动明显区别于基准信号的异常波形常常被忽略，因此，本申请设计了一种对地磁数据的偏移平移、幅度缩放、压缩和拉伸敏感的相似度计算方法。
具体包的，将每日地磁数据划分成多个时间窗口下的数据，计算每个时间窗口下待测地磁数据与基准信号的窗内相关度，分别为每个时间窗口赋予不同的权重，并对各个窗内相关度加权求和，得到窗口加权相关度。
比如，由于地磁资料中，白天的噪声约为2nT，夜晚噪声约为1.2nT，可以将一天划分成白天和夜晚两个时段，这个样就对应2个时间窗口，分别计算白天和夜晚的窗内相关度，再分别对白天和夜晚两个时间窗口赋予不同的权重，加权求和即得到窗口加权相关度。
计算窗口加权相关度的公式为：
其中，ωi为第i个时间窗口的权重，K为所划分的时间窗口的总数，xj为当前滑动窗口中基准信号的第j个数据点，yj为当前滑动窗口中需要识别的地磁数据，j＝1,2,...,N，N为当前窗口中的数据点总数。
具有如下性质：
(1)Pw≤1；
(2)Pw(X,Y)＝Pw(Y,X)；
(3)Pw(X,X)＝1。
其中，X、Y为任意元素或数据集；
由于该相关度计算方法对地磁数据的偏移平移、幅度缩放、压缩和拉伸敏感，可以更准确捕捉到异常信号，与相关系数相比，窗口加权相关度对地磁异常波形有更高的识别率。窗口加权相关度Pw的取值范围为[-1,1]，越接近1，是异常的可能性越小。
S4、基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
计算每日的窗口加权相关度并取均值，通过相似度的变化，基于3Sigmma设置动态阈值，提取超出动态阈值范围的异常波形，组成地磁异常数据集。
本发明的地磁异常数据集用于训练机器学习模型，可以提高地磁异常波形检测的准确率和灵敏度，实现对地磁异常信号的特征提取与分类识别，以便及时发现可能的地磁异常信号，并判断其与地震发生的相关性。
下面结合具体实例验证本发明所提出方法的有效性。
以四川省某地磁台磁通门磁力仪2021年的地磁垂直分量预处理分钟数据为例，使用SSA提取其线性趋势并予以去除，如图2所示，(a)为四川省某地磁台磁通门磁力仪2021年的预处理分钟数据(实线)及其线性趋势分量(虚线)；(b)为预处理分钟数据在去除线性趋势分量之后的波形。
从图2中可以看出，经过SSA方法去除地磁数据线性趋势之后，地磁信号的周期性波动以及局部异常波动得以展现，为后续通过窗口加权相关度计算每日地磁数据与基准信号的相似度提供可能。
基于SSA方法去除各台站垂直分量预处理分钟数据线性趋势后，构建地磁数据的基准信号，部分台站的基准信号如图3所示。
设置白天与夜晚两个时间窗口，即K＝2，由于地磁资料中，白天的噪声约为2nT，夜晚噪声约为1.2nT，分别选择白天时间窗口的权重ω1＝0.375，夜晚时间窗口的权重ω2＝0.625，计算窗口加权相关度Pw。
图4为4组相关系数与窗口加权相关度对地磁异常的识别度对比示意图，图中浅色曲线代表各台站基准信号，深色曲线代表偏离基准信号的地磁异常波形，Pcorr为根据相关系数计算得出的二者波形相似度，Pw为基于本发明的窗口加同一段基准信号权相关度计算得出的相似度，图4中，(c)Pcorr＝0.87，Pw＝0.57；(d)Pcorr＝0.71，Pw＝0.39；(e)Pcorr＝0.72，Pw＝0.45；(f)Pcorr＝0.64，Pw＝0.34。
通过对2016年四川省某地磁台磁通门磁力仪的每日预处理分钟数据进行人工标注，判断对基准信号的偏离程度，共发现42处异常波形信号，基于此，比较不同异常检测方法对地磁异常信号的识别准确率及召回率，如表1所示。
表1不同方法检测地磁异常的准确率及召回率
| Method | Precision | Recall |
| 3sigmma | 0.095 | 0.056 |
| KNN | 0.238 | 0.270 |
| LOF | 0.048 | 0.333 |
| COF | 0.214 | 0.243 |
| DBSCAN | 0.333 | 0.169 |
| Isolation Forest | 0.310 | 0.302 |
| Euclidean Distance | 0.595 | 0.455 |
| Correlation Coefficient | 0.690 | 0.763 |
| 窗口加权相关度 | 0.976 | 0.911 |
其中，准确率表示正确分类为正的信号占全部预测为正的比例；召回率表示实际为正的样本中被预测为正样本的比例；KNN为K-Nearest Neighbors；LOF为Local OutlierFactor；COF为Connectivity Outliers Factor；DBSCA为Density-Based SpatialClustering of Applications with Noise。
在传统异常检测方法中，比如基于概率、临近度以及聚类的异常检测方法，异常数据的确定都是由空间中的数据点之间的距离所决定的。而使用距离度量地磁异常，存在以下缺陷：(1)不能辨别波形相似性；(2)不能反映趋势动态变化程度的相似性；(3)对于具有固定顺序的地磁数据，不能考虑到时间维度的连续性。基于窗口加权相关度的地磁异常波形检测方法很好的解决了上述局限，通过表1可以看出，配合均方误差同时对地磁数据进行分析提取，窗口加权相关度对地磁异常波形的识别准确率达到0.976。该方法提取的异常也包含了地磁日变幅逐日比异常，可以更有效地识别地磁异常，对地磁异常波形信号有较高的识别精度。
根据Rikitake统计的地震电磁异常震级(M)-震中距(D)公式：
其中，Dmax为电磁发射前兆的最大可探测距离，M为震级。
计算三级以上地震的地电磁信号传播的最大距离，构建地震与该次地震可观测到地磁信号的台站相对应的地震目录，通过对比该地震目录实现对地磁异常信号的选择。
各种地磁方法均表明：在震前数天到三个月，存在地震磁扰动异常。因此，一般认为在目标地震前90天内出现的地磁异常扰动数据与该地震发生有较大的关联性，是可能的震磁异常，具有更进一步分析的价值，该类数据记标签为1，否则不认为是震磁异常，标记为-1。对各地磁台站的记录数据，进行奇异谱分析并去除线性趋势后，构建各台站基准信号，在基准信号的基础上构建允许的上下偏差基准，计算窗口加权相关度并取均值，通过相似度的变化，基于3Sigmma设置动态阈值，对异常进行检测提取，得到数据集GAW，每个数据样本记录了当天的地磁Z分量预处理分钟数据。
本发明通过寻找可能与地震发生有关的地磁异常波形，分析与地震的潜在关联性，为通过地磁异常实现地震预测提供了可能，并且为震磁关系的进一步分析提供了有效的数据支持。
与上述方法实施例相对应，本发明还提出一种地磁异常数据集的构建系统，所述系统包括：
分量去除模块：用于提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；
基准信号构建模块：用于基于剩余地磁序列构建各台站地磁数据的基准信号；
相关度计算模块：用于计算各台站每日地磁数据与基准信号的窗口加权相关度；
数据集建立模块：用于基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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)
1.一种地磁异常数据集的构建方法，其特征在于，所述方法包括：
提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；
基于剩余地磁序列构建各台站地磁数据的基准信号；
计算各台站每日地磁数据与基准信号的窗口加权相关度；
基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
2.根据权利要求1所述的地磁异常数据集的构建方法，其特征在于，采用奇异谱分析方法提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量。
3.根据权利要求2所述的地磁异常数据集的构建方法，其特征在于，所述基于剩余地磁序列构建各台站地磁数据的基准信号具体包括：
对每半小时的剩余地磁序列数据取均值作为当日的基准信号；
取每日基准信号的均值，并进行去噪、平滑处理，得到各台站的基准信号。
4.根据权利要求1所述的地磁异常数据集的构建方法，其特征在于，所述计算各台站每日地磁数据与基准信号的窗口加权相关度具体包括：
将每日地磁数据划分成多个时间窗口下的数据；
计算每个时间窗口下待测地磁数据与基准信号的窗内相关度；
分别为每个时间窗口赋予不同的权重，并对各个窗内相关度加权求和，得到窗口加权相关度。
5.根据权利要求4所述的地磁异常数据集的构建方法，其特征在于，计算窗口加权相关度的公式为：
其中，ωi为第i个时间窗口的权重，K为所划分的时间窗口的总数，xj为当前滑动窗口中基准信号的第j个数据点，yj为当前滑动窗口中需要识别的地磁数据，j＝1,2,...,N，N为当前窗口中的数据点总数。
6.根据权利要求5所述的地磁异常数据集的构建方法，其特征在于，所述基于窗口加权相关度的大小提取地磁异常波形具体包括：
计算每日的窗口加权相关度并取均值，通过相似度的变化，基于3Sigmma设置动态阈值，提取超出动态阈值范围的异常波形。
7.根据权利要求1所述的地磁异常数据集的构建方法，其特征在于，所述地磁异常数据集用于训练机器学习模型，以实现对地磁异常信号的特征提取与分类识别。
8.一种地磁异常数据集的构建系统，其特征在于，所述系统包括：
分量去除模块：用于提取各台站地磁垂直分量预处理分钟数据中的线性趋势分量并去除，得到包含地磁信号的周期性波动以及局部异常波动的剩余地磁序列；
基准信号构建模块：用于基于剩余地磁序列构建各台站地磁数据的基准信号；
相关度计算模块：用于计算各台站每日地磁数据与基准信号的窗口加权相关度；
数据集建立模块：用于基于窗口加权相关度的大小提取地磁异常波形，并组成地磁异常数据集。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937865.XA CN117031566A (zh) | 2023-07-28 | 2023-07-28 | 一种地磁异常数据集的构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937865.XA CN117031566A (zh) | 2023-07-28 | 2023-07-28 | 一种地磁异常数据集的构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117031566A true CN117031566A (zh) | 2023-11-10 |
Family
ID=88632795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310937865.XA Pending CN117031566A (zh) | 2023-07-28 | 2023-07-28 | 一种地磁异常数据集的构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117031566A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972318A (zh) * | 2024-04-02 | 2024-05-03 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及系统 |
| CN118114006A (zh) * | 2024-04-29 | 2024-05-31 | 应急管理部国家自然灾害防治研究院 | 基于多源数据融合的地质信息数据处理方法 |
-
2023
- 2023-07-28 CN CN202310937865.XA patent/CN117031566A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972318A (zh) * | 2024-04-02 | 2024-05-03 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及系统 |
| CN117972318B (zh) * | 2024-04-02 | 2024-06-14 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及系统 |
| CN118114006A (zh) * | 2024-04-29 | 2024-05-31 | 应急管理部国家自然灾害防治研究院 | 基于多源数据融合的地质信息数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ross et al. | P wave arrival picking and first‐motion polarity determination with deep learning | |
| Guo et al. | AEnet: Automatic picking of P-wave first arrivals using deep learning | |
| CN117031566A (zh) | 一种地磁异常数据集的构建方法及系统 | |
| Saad et al. | Earthquake detection and P-wave arrival time picking using capsule neural network | |
| Yang et al. | Simultaneous earthquake detection on multiple stations via a convolutional neural network | |
| Wenner et al. | Near real-time automated classification of seismic signals of slope failures with continuous random forests | |
| Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
| Ma et al. | Automated arrival-time picking using a pixel-level network | |
| Binder et al. | Convolutional neural networks for automated microseismic detection in downhole distributed acoustic sensing data and comparison to a surface geophone array | |
| Ramirez Jr et al. | Machine learning for seismic signal processing: Phase classification on a manifold | |
| CN109613610B (zh) | 微震信号到时差的自动拾取方法 | |
| Shi et al. | MALMI: An automated earthquake detection and location workflow based on machine learning and waveform migration | |
| Wang et al. | Seismology with dark data: Image‐based processing of analog records using machine learning for the Rangely earthquake control experiment | |
| Adinolfi et al. | Detection of weak seismic sequences based on arrival time coherence and empiric network detectability: An application at a near fault observatory | |
| Chen et al. | CubeNet: Array‐based seismic phase picking with deep learning | |
| Lee et al. | GPU‐accelerated automatic microseismic monitoring algorithm (GAMMA) and its application to the 2019 Ridgecrest earthquake sequence | |
| Lee et al. | Towards automated real‐time detection and location of large‐scale landslides through seismic waveform back projection | |
| Asif et al. | Automated transient electromagnetic data processing for ground-based and airborne systems by a deep learning expert system | |
| CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
| Jiang et al. | Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks | |
| Zhang et al. | Phase arrival picking for bridging multi-source downhole microseismic data using deep transfer learning | |
| Xu et al. | An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network | |
| Wilson et al. | Modeling seismic network detection thresholds using production picking algorithms | |
| Wiszniowski et al. | Machine learning applied to anthropogenic seismic events detection in Lai Chau reservoir area, Vietnam | |
| Elsayed et al. | Eqconvmixer: A deep learning approach for earthquake location from single-station waveforms |
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 |