CN118311645A - 一种地震前兆信息提取方法、装置、设备及存储介质 - Google Patents
一种地震前兆信息提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118311645A CN118311645A CN202410300171.XA CN202410300171A CN118311645A CN 118311645 A CN118311645 A CN 118311645A CN 202410300171 A CN202410300171 A CN 202410300171A CN 118311645 A CN118311645 A CN 118311645A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- amplitude
- dynamic gravity
- value
- early warning
- 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
- 239000002243 precursor Substances 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000000605 extraction Methods 0.000 title claims description 18
- 230000005484 gravity Effects 0.000 claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震前兆信息提取方法、装置、设备及存储介质，涉及地震监测技术领域，包括以下步骤：连续采集待测区域的动态重力信号；对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值；当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数；若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。本发明首先采集了地震前兆相关的动态重力信号，然后设定多个控制变量，通过多个控制变量对动态重力信号中的扰动信号进行判断，得到判断结果即地震前兆信息。本发明的方法可以准确获取地震前兆信息，为地震预报工作提供研究资料。
Description
技术领域
本发明涉及地震监测技术领域，特别是涉及一种地震前兆信息提取方法、装置、设备及存储介质。
背景技术
地震预报的目标是在地震发生前准确预测其地点、时间和震级(即地震的“三要素”)，以最大限度地减少由于地震的突发性所引起的人员伤亡。由于其重大的社会意义，地震预报一直是科学研究的焦点。国内外的地震学专家通过研究地质结构和地壳运动等因素，结合信息科学的进步，开发出了多种观测设备。这些设备支持了地震学、地壳形变学、电磁学、地下流体学等学科的研究，以及多学科综合的观测系统。
目前，地震监测和预报主要依赖于地震地质法、地震统计法和地震前兆法。地震地质法通过分析地质结构来预测地震可能发生的区域，地震统计法依据历史数据来估计地震发生的概率，地震前兆法则是通过识别地震前的宏观和微观征兆(如地声、地光、地震云、地下水异常和地球物理场异常等)来预测地震。
现有的地震前兆法在获取宏观或微观数据后，对这些数据的分析主要依赖于经验推断，导致提取的前兆信息在对地震预测时准确性较低。
发明内容
本发明提供了一种地震前兆信息提取方法、装置、设备及存储介质，解决了现有的地震前兆法在获取宏观或微观数据后，对这些数据的分析主要依赖于经验推断，这种方法在及时性和准确性方面存在限制问题。
本发明提供一种地震前兆信息提取方法，包括以下步骤：
连续采集待测区域的动态重力信号；
设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、预警次数和离散系数；
对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值；
当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数；
若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
优选的，所述控制变量还包括持续无异常时间窗，当第一差值和第二差值不处于异常区间时，则开启持续无异常时间窗进行检测，若持续时间达设定值，则关闭异常检测时间窗。
优选的，所述异常区间为第一差值大于1.5且第二差值小于28，所述设定值为120分钟，所述设定次数为700次。
优选的，通过大气潮汐重力仪采集动态重力信号，其幅值为1～30mHz。
优选的，在对动态重力信号的幅值与异常预警阈值做差得到第一差值之前，需对动态重力信号进行预处理，所述预处理过程包括：
对动态重力信号进行完整性检查，剔除损坏的信号；
通过标准分数方法对完整性检查后的动态重力信号进行噪声值剔除；
通过线性插值方法对噪声值剔除后的动态重力信号进行缺失值补充；
对缺失值补充后的动态重力信号进行修正；
对修正后的动态重力信号进行数据对齐；
对数据对齐后的动态重力信号进行滤波。
优选的，所述对缺失值补充后的动态重力信号进行修正包括根据大气压与海洋潮汐对重力参数的修正；
所述根据大气压与海洋潮汐对重力参数的修正如下式所示：
gp＝-3(p-pn)*10-4mgal
其中，
μ＝cosψ＝sinφsinφp+cosφcosφpcos(λ-λp)
式中，gp为修正大气压后的重力数据，p为观测时的大气压，pn为标准大气压，g0为修正海洋潮汐后的重力数据，φp和λp为该观测点数据的纬度和经度，T为重力扰动，rp为该观测点距离地球中心的径向距离，G为重力常数，ρw为海水密度，h为关于海洋潮汐波的高度的函数，β为一个比例因子，μ为观测点和质点的空间位置关系，r是地球的平均半径或观测点到地球质心的平均距离，hp是观测点相对于地球参考表面的高度，Ψ为两点之间的球面距离角。
优选的，还包括对地震前兆信息进行时域和频域特征提取，得到时域特征和频域特征，通过时域特征和频域特征对地震前兆信息进行分析。
一种地震前兆信息提取装置，包括：
采集模块，用于连续采集待测区域的动态重力信号；
设定模块，用于设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、预警次数和离散系数；
差值模块，用于对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值；
检测模块，用于当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数；
计算模块，用于若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
一种计算机设备，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，所述处理器执行所述程序时实现上述的地震前兆信息提取方法。
一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的地震前兆信息提取方法。
与现有技术相比，本发明的有益效果是：
本发明首先连续采集了地震前兆相关的动态重力信号，然后设定多个控制变量，通过多个控制变量对动态重力信号幅值中的异常幅值进行判断并输出，得到地震前兆信息。通过实际地震数据与判断结果进行对比，进而对控制变量进行更新。通过本提取方法可以准确获取地震前兆信息，相较于传统的基于经验推断，增强了地震预测信息的可读性和准确性，为地震预报工作提供研究资料。
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为本发明的一种地震前兆信息提取方法的流程图；
图2为本发明的地震前兆信号提取处理流程图；
图3为连续小波变换(CWT)含锥形区域的二维图示；
图4为连续小波变换(CWT)的三维图示。
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。
一种地震前兆信息提取方法，参照图1，包括以下步骤：
第一步：连续采集待测区域的动态重力信号。
通过大气潮汐重力仪采集超低频动态重力信号。动态大气潮汐重力仪可以监测到一种微弱的、瞬时的、变化的(1～30mHz、1～10μGal)重力扰动信号(动态重力场变化信号)以反映地震的前兆信息，为准确捕获地震前兆信息，对收集到的原始数据剔除干扰因素并提取反映地震的有效前兆信息。
对动态重力信号进行数据预处理。数据预处理阶段专注于确保动态重力仪收集的数据质量和准确性。这包括多个关键步骤，如数据清洗、环境扰动因素剔除及修正、多通道数据对齐、高通巴斯特沃滤波。目的是为后续的分析准备干净、一致和准确的数据集。
对采集到的动态重力信号进行数据清洗。数据清洗是数据分析和数据科学中的一个重要步骤，它涉及到从原始数据中识别并纠正(或删除)错误和不一致的数据，以提高数据的质量和有效性。数据清洗的过程包括以下几个步骤：
(1)检查数据的完整性，剔除损坏或丢失的记录。
(2)错误和噪声值的识别和处理：这些可能由仪器故障、突发事件(如断电、爆炸)引起的，这包括识别不符合数据集预期模式的值，比如高噪声的数值等。本发明采用Z-score(又称标准分数)的方法来检测和剔除这些噪声值。通过下式进行Z-score的计算：
其中：X是观测值，μ是数据集的平均值(均值)，σ是数据集的标准差。
Z-score通过量化一个数据点与平均值的距离，并以标准差为单位来衡量这种距离。这种方法可以确定数据点与整体数据集的不寻常之处，具体方法如下：
对于数据集中的每一个数据点，计算其Z-score。
设定异常值的阈值：通常异常值的阈值被设定为Z-score的绝对值大于2或3。即任何Z-score绝对值大于2或3的数据点均被视为异常值。这个阈值可以根据具体情况进行调整。
找出那些Z-score超过上述阈值的数据点，识别异常值。
用均值替换异常值。
(3)缺失值的处理：在数据集中，某些记录可能缺少一个或多个字段的值。数据清洗会涉及决定如何处理这些缺失值，例如通过填充缺失值、删除含有缺失值的记录，或使用统计方法进行估算。出现数据缺失的情况下，使用线性插值的方法填补空白。在两个已知点(xa,ya)和(xb,yb)之间估算y的值，对于给定的x，线性插值的公式是：
这个公式创建了一个通过点(xa,ya)和(xb,yb)的直线，并用它来估算x对应的y值。
(4)对动态重力信号的环境扰动因素进行修正，包括根据大气压与海洋潮汐对重力参数的修正。
气压修正：气压的变化会引起的重力变化，因此需要根据观测时的大气压对重力参数做出修正，通过下式进行修正：
gp＝-3(p-pn)*10-4mgal
式中，gp为修正大气压后的重力数据，p为观测时的大气压，pn为标准大气压，g0为修正海洋潮汐后的重力数据。
海洋潮汐修正：日月引力引起海洋潮汐，它引起地球的变形和重力场的改变。用负荷理论改正。近海点必须做。通过下式进行修正：
μ＝cosψ＝sinφsinφp+cosφcosφpcos(λ-λp)
式中，φp和λp为该观测点数据的纬度和经度，T为重力扰动，rp为该观测点距离地球中心的径向距离，G为重力常数，ρw为海水密度，h为关于海洋潮汐波的高度的函数，β为一个比例因子，μ为观测点和质点的空间位置关系，r是地球的平均半径或观测点到地球质心的平均距离，hp是观测点相对于地球参考表面的高度，Ψ为两点之间的球面距离角。
(5)动态重力信息的捕获需要多台站多仪器组网联合监测，需要将多台仪器捕获到的数据在同一时间戳下，进行数据对齐处理。
(6)高通巴斯特沃斯滤波器(High-pass Butterworth Filter)是一种在信号处理中广泛使用的滤波器类型，其主要作用是允许高频信号通过，同时抑制低于一个特定截止频率的信号。它是一种线性滤波器，具有平滑的频率响应曲线，即在通带内没有波纹。
H(s)定义了滤波器在复频域(s域)中的行为。对于一个n阶高通巴斯特沃斯滤波器，传递函数可以表示为：
其中，s是复频率变量，a1,a2,…,an是根据滤波器的阶数和截止频率计算得到的系数。
第二步：参照图2，设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、持续无异常时间窗、预警次数、离散系数。
欲识别与地震活动相关的异常波段(1～30mHz)，在分析有效动态重力数据与地震历史数据相比对后，经过不断实验与校准，制定了提取与地震前兆相关信号的方法与控制变量。
第三步：分别计算动态重力信号的幅值与异常预警阈值和异常噪声阈值的第一差值和第二差值。其中，动态重力信号的幅值与异常预警阈值的差值为第一差值，动态重力信号的幅值与异常噪声阈值的差值为第二差值。
第四步：当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数。
在本实施例中，异常区间为第一差值大于1.5且第二差值小于28。
当第一差值大于1.5且第二差值小于28时，定义异常持续时间窗在120分钟，若持续时间达120分钟，则对动态重力信号的幅值进行预警次数统计。
持续无异常时间窗(幅值小于预警值并持续的时间)为120分钟时关闭检测窗。
第五步：若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
若预警次数大于700次，且离散系数小于1.0时，识别为地震前兆信息。
将其与实时发生的地震数据进行对比，确保系统能迅速响应任何潜在的地震前兆信号。此外，随着技术的进步和新数据的积累，不断验证、更新和迭代异常预警阈值和异常噪声阈值参数，提高提取地震前兆信号的准确性和可靠性。
对得到的地震前兆信息进行时域特征和频域特征提工程提取，得到时域特征和频域特征，通过时域特征和频域特征对地震前兆信息进行分析。
时域特征值是衡量地震前兆信息的重要指标，时域特征值通常分为有量纲参数与无量纲参数。有量纲的特征值往往具有直观的物理含义，是最为常用的特征指标。主要包括：均值(Mean)：信号值的平均数，表示信号的直流分量；标准差(Standard Deviation)：信号值分布的离散程度；能量(Energy)：信号平方的总和，反映了信号的功率；最大值(Maximum)/最小值(Minimum)：信号的极值；峰-峰值(Peak-to-Peak Value)：信号最大值与最小值的差；均方根值(Root Mean Square,RMS)：信号平方的均值的平方根，反映信号的有效值。
无纲量特征值包括这些参数是通过将信号的有量纲参数组合并归一化得到的，它们用于描述信号的形状和分布特性，而不包含具体的物理单位，主要包括：偏度(Skewness)：信号概率分布的不对称性；峭度(Kurtosis)：信号概率分布的尖峭程度；波形因子(Waveform Factor)：均方根值与平均绝对值的比率，反映信号波形的陡峭程度；峰值因子(Crest Factor)：峰值与均方根值的比率，用于度量信号波峰的尖锐程度；脉冲因子(Impulse Factor)：峰值与平均绝对值的比率，描述冲击性或峰值的突出程度；裕度因子(Margin Factor)：峰值与平均幅值的比率，评估信号的动态范围；形状因子(ShapeFactor)：均方根值与平均绝对值的比率，描述信号形状的圆滑程度；清晰度因子(Clearance Factor)：峰值与平方根下信号立方的均值的比率。
基于连续小波变换后，进行频域特征工程提取，得到频域特征值。
这一步骤的目的是将地震前兆信息转换到频域，频域分析能揭示地震前兆信息中不易在时域观察到的特征，同时有助于识别和滤除噪声、提取地震前兆信息的主要频率成分、捕捉到局部的时频特征等(图3、图4)。连续小波变换的数学表达式为：
式中，Wf(a,b)表示连续小波变换的结果；a是尺度因子，用于改变小波函数的尺度，相当于信号的伸缩，不同的尺度可以捕捉信号的不同频率特征；b是平移因子，用于在时间轴上移动小波函数，从而捕捉信号的局部特性；f(t)是需要分析的信号；ψ(t)是小波函数，这里选用的小波函数为Morlet小波；ψ*(t)是小波函数的复共轭；是归一化因子，用于保持能量的一致性，随着尺度a的变化而变化。
通过改变尺度a和平移b的值，可以得到信号在不同尺度和位置的小波系数，这些系数构成了一个二维系数矩阵。从小波系数中提取统计特征，以表征信号的异常特性，参数为小波系数的统计度量，主要的频域特征有：小波能量分布、小波熵、小波系数统计特征、频率带特征、小波包分析特征等。
具体含义如下，总能量：信号的小波变换系数的能量总和；子带能量：在特定小波分解级别或频带中的能量；小波能量熵：测量信号能量分布的均匀性，能量分布越均匀，熵越大；小波谱熵：与频率分布的均匀性有关，类似于能量熵，但是基于频谱；小波系数均值：反映某一尺度或子带上的平均能量水平；小波系数标准差：衡量小波系数在其平均值周围的波动；小波系数偏度和峭度：描述小波系数分布的形状和尖峭程度；中心频率和带宽：每个小波子带的主要频率和频率范围；小波包能量分布：在小波包分解中，各个节点或子带的能量；小波包熵：测量小波包系数的能量分布均匀性。
本发明针对未被学界关注到的与地震前兆相关的动态重力信号，给定具体的环境扰动因素剔除方法与地震前兆提取方法，有效获取震前动态重力前兆信息，为地震预报工作提供研究资料。
基于同一个构思，本发明还提供一种地震前兆信息提取装置，包括采集模块、设定模块、差值模块、检测模块和计算模块。
采集模块用于连续采集待测区域的动态重力信号。
设定模块用于设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、预警次数和离散系数。
差值模块用于对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值。
检测模块用于当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数。
计算模块用于若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
一种计算机设备，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，处理器执行所述程序时实现上述的地震前兆信息提取方法。
一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的地震前兆信息提取方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种地震前兆信息提取方法，其特征在于，包括以下步骤：
连续采集待测区域的动态重力信号；
设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、预警次数和离散系数；
对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值；
当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数；
若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
2.如权利要求1所述的一种地震前兆信息提取方法，其特征在于，所述控制变量还包括持续无异常时间窗，当第一差值和第二差值不处于异常区间时，则开启持续无异常时间窗进行检测，若持续时间达设定值，则关闭异常检测时间窗。
3.如权利要求1所述的一种地震前兆信息提取方法，其特征在于，所述异常区间为第一差值大于1.5且第二差值小于28，所述设定值为120分钟，所述设定次数为700次。
4.如权利要求1所述的一种地震前兆信息提取方法，其特征在于，通过大气潮汐重力仪采集动态重力信号，其幅值为1～30mHz。
5.如权利要求1所述的一种地震前兆信息提取方法，其特征在于，在对动态重力信号的幅值与异常预警阈值做差得到第一差值之前，需对动态重力信号进行预处理，所述预处理过程包括：
对动态重力信号进行完整性检查，剔除损坏的信号；
通过标准分数方法对完整性检查后的动态重力信号进行噪声值剔除；
通过线性插值方法对噪声值剔除后的动态重力信号进行缺失值补充；
对缺失值补充后的动态重力信号进行修正；
对修正后的动态重力信号进行数据对齐；
对数据对齐后的动态重力信号进行滤波。
6.如权利要求5所述的一种地震前兆信息提取方法，其特征在于，所述对缺失值补充后的动态重力信号进行修正包括根据大气压与海洋潮汐对重力参数的修正；
所述根据大气压与海洋潮汐对重力参数的修正如下式所示：
gp＝-3(p-pn)*10-4mgal
其中，
μ＝cosψ＝sinφsinφp+cosφcosφpcos(λ-λp)
式中，gp为修正大气压后的重力数据，p为观测时的大气压，pn为标准大气压，g0为修正海洋潮汐后的重力数据，φp和λp为该观测点数据的纬度和经度，T为重力扰动，rp为该观测点距离地球中心的径向距离，G为重力常数，ρw为海水密度，h为关于海洋潮汐波的高度的函数，β为一个比例因子，μ为观测点和质点的空间位置关系，r是地球的平均半径或观测点到地球质心的平均距离，hp是观测点相对于地球参考表面的高度，Ψ为两点之间的球面距离角。
7.如权利要求1所述的一种地震前兆信息提取方法，其特征在于，还包括对地震前兆信息进行时域和频域特征提取，得到时域特征和频域特征，通过时域特征和频域特征对地震前兆信息进行分析。
8.一种地震前兆信息提取装置，其特征在于，包括：
采集模块，用于连续采集待测区域的动态重力信号；
设定模块，用于设定多个控制变量，包括异常预警阈值、异常噪声阈值、异常持续时间窗、预警次数和离散系数；
差值模块，用于对动态重力信号的幅值与异常预警阈值做差得到第一差值，对动态重力信号的幅值与异常噪声阈值做差得到第二差值；
检测模块，用于当第一差值和第二差值处于异常区间时，开启异常检测时间窗对动态重力信号的幅值进行检测，当持续时间达设定值时，统计动态重力信号的幅值处于异常区间的次数，将统计的总次数作为预警次数；
计算模块，用于若预警次数大于设定次数，则计算动态重力信号的幅值处于异常区间的离散系数，输出离散系数小于1的幅值数据作为地震前兆信息。
9.一种计算机设备，其特征在于，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，所述处理器执行所述程序时实现上述权利要求1-7任一所述的地震前兆信息提取方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的地震前兆信息提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410300171.XA CN118311645A (zh) | 2024-03-15 | 2024-03-15 | 一种地震前兆信息提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410300171.XA CN118311645A (zh) | 2024-03-15 | 2024-03-15 | 一种地震前兆信息提取方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118311645A true CN118311645A (zh) | 2024-07-09 |
Family
ID=91719941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410300171.XA Pending CN118311645A (zh) | 2024-03-15 | 2024-03-15 | 一种地震前兆信息提取方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118311645A (zh) |
-
2024
- 2024-03-15 CN CN202410300171.XA patent/CN118311645A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sivakumar et al. | Singapore rainfall behavior: chaotic? | |
| Yiou et al. | Spectral analysis of climate data | |
| CN108152033B (zh) | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN104931040B (zh) | 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法 | |
| CN109904878B (zh) | 一种多风电场发电时序模拟场景构建方法 | |
| KR102409155B1 (ko) | Lstm 기반 지하수 수위 예측 시스템 | |
| Zhang et al. | Wavelet energy transmissibility function and its application to wind turbine bearing condition monitoring | |
| CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
| CN106548031A (zh) | 一种结构模态参数识别方法 | |
| Torkamani et al. | Detection of system changes due to damage using a tuned hyperchaotic probe | |
| CN117112514B (zh) | 基于对氯甲基苯乙烯生产数据的记录存储方法 | |
| Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN117886241B (zh) | 基于振动分析的塔式起重机自检系统 | |
| CN113158830A (zh) | 一种剩余重力异常场分离方法 | |
| CN118311645A (zh) | 一种地震前兆信息提取方法、装置、设备及存储介质 | |
| CN115270843A (zh) | 一种浮式平台往复压缩机的故障诊断方法及装置 | |
| CN107103552B (zh) | 勘探效率系数确定方法及装置 | |
| Kumar et al. | Damage Identification of Beam Structure Using Discrete wavelet transform | |
| CN112836583A (zh) | 一种风力机故障诊断方法 | |
| Guo et al. | Experimental study of transmission tower damage detection using time series model | |
| CN117634325B (zh) | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统 | |
| Puchalski et al. | Stable distributions, generalised entropy, and fractal diagnostic models of mechanical vibration signals | |
| CN113837163B (zh) | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 |
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 |