KR102505997B1 - Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method - Google Patents

Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method Download PDF

Info

Publication number
KR102505997B1
KR102505997B1 KR1020200112080A KR20200112080A KR102505997B1 KR 102505997 B1 KR102505997 B1 KR 102505997B1 KR 1020200112080 A KR1020200112080 A KR 1020200112080A KR 20200112080 A KR20200112080 A KR 20200112080A KR 102505997 B1 KR102505997 B1 KR 102505997B1
Authority
KR
South Korea
Prior art keywords
series data
partial time
time series
partial
groundwater level
Prior art date
Application number
KR1020200112080A
Other languages
Korean (ko)
Other versions
KR20220030558A (en
Inventor
함세영
황학수
Original Assignee
부산대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020200112080A priority Critical patent/KR102505997B1/en
Publication of KR20220030558A publication Critical patent/KR20220030558A/en
Application granted granted Critical
Publication of KR102505997B1 publication Critical patent/KR102505997B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G01V9/02—Determining existence or flow of underground water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/0007—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm for discrete indicating and measuring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/008—Earthquake measurement or prediction
    • G01V1/01—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Abstract

본 발명의 일 실시예에 따른 지하수 수위 변동에 기반한 지진 전조 분석 방법은 지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하는 단계; 상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계; 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계; 및 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하는 단계를 포함한다.An earthquake precursor analysis method based on groundwater level fluctuations according to an embodiment of the present invention includes obtaining time-series data of groundwater level fluctuations measured at a plurality of wells during a period including a period when an earthquake occurs; selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data; identifying an abnormal waveform in the first partial time-series data and the second partial time-series data; and determining a period of the abnormal waveform based on the first partial time series data and the second partial time series data.

Description

지하수 수위 변동에 기반한 지진 전조 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치{METHOD FOR ANALYZING SEISMIC PRECURSOR BASED ON GROUNDWATER LEVEL FLUCTUATON AND COMPUTING DEVICE FOR EXECUTING THE METHOD}Earthquake precursor analysis method based on groundwater level fluctuation and computing device for performing the same

본 발명의 실시예는 지하수 수위 변동에 기반한 지진 전조 분석 기술과 관련된다.An embodiment of the present invention relates to an earthquake precursor analysis technology based on groundwater level fluctuations.

2016년 9월 경주에서 진도 5.8에 해당하는 국내 최대 규모의 지진이 발생하였고, 2017년 11월에는 포항에서 진도 5.4에 해당하는 지진이 발생하면서 우리나라가 더 이상 지진에 대한 안전 지역이 아니라는 인식이 커지고 있으며, 지진에 대한 우려도 커지고 있다. In September 2016, the largest earthquake in Korea with a magnitude of 5.8 occurred in Gyeongju, and in November 2017, an earthquake corresponding to a magnitude of 5.4 occurred in Pohang, raising awareness that Korea is no longer a safe area for earthquakes. Also, concerns about earthquakes are growing.

지진에 의한 피해를 방지하고 인명 피해를 줄이기 위해 지진 예측과 관련한 많은 연구가 진행되고 있다. 최근, 지질에 가해지는 압력과 지질의 균열에 따른 영향이 지하수 수위 변화에 영향을 미친다는 사실이 알려지면서 지하수 수위 변화를 이용하여 지진을 예측하는 연구가 이루어지고 있다.In order to prevent damage caused by earthquakes and reduce human casualties, many studies related to earthquake prediction are being conducted. Recently, as it is known that the pressure applied to the geology and the effect of cracks in the geology affect the change in the groundwater level, research on predicting earthquakes using the change in the groundwater level is being conducted.

한국등록특허공보 제10-1542546호(2015.08.06)Korean Registered Patent Publication No. 10-1542546 (2015.08.06)

본 발명은 지하수 수위 변동을 기반으로 지진 전조를 분석하는 기법을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a technique for analyzing earthquake precursors based on groundwater level fluctuations.

한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the technical problems to be achieved in the present invention are not limited to the above-mentioned technical problems, and other technical problems that are not mentioned will become clear to those skilled in the art from the description below. You will be able to understand.

본 발명의 일 실시예에 따른 지하수 수위 변동에 기반한 지진 전조 분석 방법은 지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하는 단계; 상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계; 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계; 및 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하는 단계를 포함한다.An earthquake precursor analysis method based on groundwater level fluctuations according to an embodiment of the present invention includes obtaining time-series data of groundwater level fluctuations measured at a plurality of wells during a period including a period when an earthquake occurs; selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data; identifying an abnormal waveform in the first partial time-series data and the second partial time-series data; and determining a period of the abnormal waveform based on the first partial time series data and the second partial time series data.

상기 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계는, 상기 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용하여 밴드 패스 필터링 된 시계열 데이터를 생성하는 단계; 및 상기 밴드 패스 필터링 된 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계를 포함할 수 있다.The selecting of the first partial time series data and the second partial time series data may include generating band pass filtered time series data by applying a band pass filter to the groundwater level change time series data; and selecting first partial time-series data and second partial time-series data based on the time when the earthquake occurred from the band-pass filtered time-series data.

상기 비정상적인 파형을 식별하는 단계는, 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균(Weighted Moving Average: WMA)을 적용하여 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계를 포함할 수 있다. The identifying of the abnormal waveform may include identifying an abnormal waveform in the second partial time series data by applying a weighted moving average (WMA) to the first partial time series data and the second partial time series data. can include

상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 하기의 수학식으로 표현될 수 있다.Applying a weighted moving average to the first partial time series data and the second partial time series data may be expressed by the following equation.

(수학식)(mathematical expression)

Figure 112020093197353-pat00001
Figure 112020093197353-pat00001

Figure 112020093197353-pat00002
: j 번째 부분 시계열 데이터에서 가중 이동 평균 값
Figure 112020093197353-pat00002
: weighted moving average value in the j-th subtime series data

Figure 112020093197353-pat00003
: i번째 부분 시계열 데이터의 가중 계수
Figure 112020093197353-pat00003
: weighting coefficient of the ith partial time series data

Figure 112020093197353-pat00004
: i번째 부분 시계열 데이터의 값
Figure 112020093197353-pat00004
: Value of i-th partial time series data

L: 이동 윈도우(Moving Window)의 절반 길이L: half the length of the moving window

상기 i번째 부분 시계열 데이터의 가중 계수(

Figure 112020093197353-pat00005
)는 하기 수학식으로 표현될 수 있다.The weighting coefficient of the i-th partial time series data (
Figure 112020093197353-pat00005
) can be expressed by the following equation.

Figure 112020093197353-pat00006
Figure 112020093197353-pat00006

Figure 112020093197353-pat00007
: 가중치 계수의 포락선 모양을 결정하는 상수
Figure 112020093197353-pat00007
: A constant that determines the shape of the envelope of weight coefficients

상기 비정상적인 파형의 기간을 결정하는 단계는, 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 각각 파워 스펙트럼을 생성하는 단계; 및 상기 제1 부분 시계열 데이터의 파워 스펙트럼 및 상기 제2 부분 시계열 데이터의 파워 스펙트럼에 기반하여 기 설정된 기준에 따라 상기 제2 부분 시계열 데이터에서 비정상적인 파형의 기간을 산출하는 단계를 포함할 수 있다.The determining of the period of the abnormal waveform may include generating power spectra for the first partial time-series data and the second partial time-series data; and calculating a period of an abnormal waveform in the second partial time-series data according to a predetermined criterion based on the power spectrum of the first partial time-series data and the power spectrum of the second partial time-series data.

상기 지진 전조 분석 방법은, 상기 지하수 수위 변동 시계열 데이터 및 상기 밴드 패스 필터링 된 시계열 데이터에 대해 각각 파워 스펙트럼을 생성하는 단계; 및 상기 지하수 수위 변동 시계열 데이터의 파워 스펙트럼 및 상기 밴드 패스 필터링 된 시계열 데이터의 파워 스펙트럼에 기반하여 지하수 수위 변동에 대해 조수가 영향을 미치는 기간을 확인하는 단계를 더 포함할 수 있다.The earthquake precursor analysis method may include generating power spectra for the groundwater level fluctuation time-series data and the band-pass-filtered time-series data, respectively; and determining a period during which the tide has an effect on the groundwater level fluctuation based on the power spectrum of the groundwater level fluctuation time-series data and the power spectrum of the band-pass filtered time-series data.

본 발명의 일 실시예에 따른 지하수 수위 변동에 기반한 지진 전조 분석 방법을 수행하기 위한 컴퓨팅 장치는 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하기 위한 명령; 상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하기 위한 명령; 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하기 위한 명령; 및 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하기 위한 명령을 포함한다.A computing device for performing an earthquake precursor analysis method based on groundwater level fluctuations according to an embodiment of the present invention includes one or more processors; Memory; and one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, wherein the one or more programs are stored in the plurality of wells during a period including a period during which an earthquake occurred. instructions for obtaining measured groundwater level fluctuation time-series data; a command for selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data; instructions for identifying an abnormal waveform in the first partial time series data and the second partial time series data; and instructions for determining a period of the abnormal waveform based on the first partial time-series data and the second partial time-series data.

본 발명의 일 실시예에 따른 지하수 수위 변동에 기반한 지진 전호 분석 방법을 수행하기 위한 컴퓨팅 장치에 의해 실행되는 프로그램은 비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하는 단계; 상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계; 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계; 및 상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하는 단계를 수행하도록 한다.A program executed by a computing device for performing a method for analyzing earthquake electric current based on groundwater level fluctuations according to an embodiment of the present invention is a computer program stored in a non-transitory computer readable storage medium. , the computer program includes one or more instructions, which, when executed by a computing device having one or more processors, cause the computing device to: obtaining fluctuating time series data; selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data; identifying an abnormal waveform in the first partial time-series data and the second partial time-series data; and determining a period of the abnormal waveform based on the first partial time series data and the second partial time series data.

본 발명의 실시예에 따르면, 개시되는 실시예에 의하면, 복수 개의 우물에 대해 지하수 수위 변동 시계열 데이터에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 추출하고, 제1 부분 시계열 데이터와 제2 부분 시계열 데이터를 기반으로 비정상적인 파형을 식별하며, 식별한 비정상적인 파형의 기간을 확인함으로써, 지진이 발생하기 전의 지진 전조 현상을 확인할 수 있으며, 그로 인해 임박한 지진을 용이하게 예측할 수 있게 된다.According to an embodiment of the present invention, the first partial time series data and the second partial time series data are extracted from the groundwater level fluctuation time series data for a plurality of wells, and the first partial time series data and the second partial time series data are extracted. By identifying abnormal waveforms based on time-series data and confirming the period of the identified abnormal waveforms, it is possible to check earthquake precursors before earthquakes occur, thereby easily predicting impending earthquakes.

한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the effects obtainable in the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below. You will be able to.

도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이고,
도 2는 본 발명의 일 실시예에 따른 지하수 수위 변동을 기반으로 지진 전조를 분석하는 방법을 설명하기 위한 흐름도이며,
도 3은 본 발명의 일 실시예에서 모니터링 우물인 제주도의 3개 우물(PP1, SG1, SY1)의 위치 및 지질 구조를 나타낸 도면이고,
도 4는 개시되는 일 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터를 나타낸 그래프이며,
도 5는 개시되는 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 3점 필터(Three-Point-Filter)를 적용하여 생성된 3점 필터링 된 시계열 데이터를 나타낸 그래프이고,
도 6은 개시되는 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용하여 생성된 밴드 패스 필터링 된 시계열 데이터를 나타낸 그래프이며,
도 7은 개시되는 실시예에서 지하수 수위 변동 시계열 데이터 및 밴드 패스 필터링 된 시계열 데이터에 고속 푸리에 변환을 적용하여 생성한 파워 스펙트럼을 나타낸 그래프이고,
도 8은 개시되는 실시예에 따른 3개 우물(PP1, SG1, SY1)의 밴드 패스 필터링 된 시계열 데이터에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 나타낸 그래프이며,
도 9는 개시되는 일 실시예에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용한 상태를 나타낸 그래프이고,
도 10은 개시되는 일 실시예에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 고속 푸리에 변환을 적용하여 생성한 파워 스펙트럼을 나타낸 그래프이며,
도 11은 개시되는 일 실시예의 각 우물(PP1, SG1, SY1)에 대해 비정상적인 파형이 확인된 기간을 나타낸 도면이다.1 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments;
2 is a flowchart illustrating a method of analyzing earthquake precursors based on groundwater level fluctuations according to an embodiment of the present invention;
3 is a view showing the location and geological structure of three wells (PP1, SG1, SY1) in Jeju Island, which are monitoring wells in one embodiment of the present invention;
4 is a graph showing time-series data of groundwater level fluctuations measured in three wells (PP1, SG1, and SY1) in an embodiment disclosed herein;
5 shows three-point filtered time-series data generated by applying a three-point filter to the groundwater level fluctuation time-series data measured in three wells (PP1, SG1, and SY1) in the disclosed embodiment. is the graph shown,
6 is a graph showing band-pass filtered time-series data generated by applying a band-pass filter to the groundwater level fluctuation time-series data measured in three wells (PP1, SG1, and SY1) in the disclosed embodiment. is,
7 is a graph showing a power spectrum generated by applying fast Fourier transform to groundwater level fluctuation time-series data and band-pass filtered time-series data in the disclosed embodiment;
8 is a graph showing first partial time series data and second partial time series data in band pass filtered time series data of three wells (PP1, SG1, SY1) according to the disclosed embodiment;
9 is a graph showing a state in which weighted moving average is applied to first partial time series data and second partial time series data in an embodiment disclosed herein;
10 is a graph showing power spectra generated by applying fast Fourier transform to first partial time series data and second partial time series data in an embodiment disclosed herein;
11 is a diagram illustrating a period in which abnormal waveforms are confirmed for each well (PP1, SG1, and SY1) according to the disclosed embodiment.

이하, 본 발명의 실시 예를 첨부된 도면들을 참조하여 더욱 상세하게 설명한다. 본 발명의 실시 예는 여러 가지 형태로 변형할 수 있으며, 본 발명의 범위가 아래의 실시 예들로 한정되는 것으로 해석되어서는 안 된다. 본 실시 예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해 제공되는 것이다. 따라서 도면에서의 요소의 형상은 보다 명확한 설명을 강조하기 위해 과장되었다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings. Embodiments of the present invention may be modified in various forms, and the scope of the present invention should not be construed as being limited to the following examples. This embodiment is provided to more completely explain the present invention to those skilled in the art. Accordingly, the shapes of elements in the figures are exaggerated to emphasize clearer description.

본 발명이 해결하고자 하는 과제의 해결 방안을 명확하게 하기 위한 발명의 구성을 본 발명의 바람직한 실시 예에 근거하여 첨부 도면을 참조하여 상세히 설명하되, 도면의 구성요소들에 참조번호를 부여함에 있어서 동일 구성요소에 대해서는 비록 다른 도면상에 있더라도 동일 참조번호를 부여하였으며 당해 도면에 대한 설명 시 필요한 경우 다른 도면의 구성요소를 인용할 수 있음을 미리 밝혀둔다.The composition of the present invention for clarifying the solution to the problem to be solved by the present invention will be described in detail with reference to the accompanying drawings based on a preferred embodiment of the present invention, but the same reference numerals are assigned to the components of the drawings. For components, even if they are on other drawings, the same reference numerals have been given, and it is made clear in advance that components of other drawings can be cited if necessary in the description of the drawings.

도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.1 is a block diagram illustrating and illustrating a computing environment 10 including a computing device suitable for use in example embodiments. In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components other than those described below.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 본 발명의 실시예에 따른 지하수 수위 변동을 기반으로 지진 전조를 분석하는 방법을 수행하기 위한 장치일 수 있다.The illustrated computing environment 10 includes a computing device 12 . In one embodiment, the computing device 12 may be a device for performing a method of analyzing an earthquake precursor based on groundwater level fluctuations according to an embodiment of the present invention.

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.Computing device 12 includes at least one processor 14 , a computer readable storage medium 16 and a communication bus 18 . Processor 14 may cause computing device 12 to operate according to the above-mentioned example embodiments. For example, processor 14 may execute one or more programs stored on computer readable storage medium 16 . The one or more programs may include one or more computer-executable instructions, which when executed by processor 14 are configured to cause computing device 12 to perform operations in accordance with an illustrative embodiment. It can be.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. Program 20 stored on computer readable storage medium 16 includes a set of instructions executable by processor 14 . In one embodiment, computer readable storage medium 16 includes memory (volatile memory such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash memory devices, other forms of storage media that can be accessed by computing device 12 and store desired information, or any suitable combination thereof.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.Communications bus 18 interconnects various other components of computing device 12, including processor 14 and computer-readable storage medium 16.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 . An input/output interface 22 and a network communication interface 26 are connected to the communication bus 18 . Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 . Exemplary input/output devices 24 include a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touchpad or touchscreen), a voice or sound input device, various types of sensor devices, and/or a photographing device. input devices, and/or output devices such as display devices, printers, speakers, and/or network cards. The exemplary input/output device 24 may be included inside the computing device 12 as a component constituting the computing device 12, or may be connected to the computing device 12 as a separate device distinct from the computing device 12. may be

도 2는 본 발명의 일 실시예에 따른 지하수 수위 변동을 기반으로 지진 전조를 분석하는 방법(100)을 설명하기 위한 흐름도이다. 2 is a flowchart illustrating a method 100 for analyzing an earthquake precursor based on groundwater level fluctuations according to an embodiment of the present invention.

전술한 바와 같이, 본 발명의 일 실시예에 따른 지하수 수위 변동을 기반으로 지진 전조를 분석하는 방법(100)은 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치(12)에서 수행될 수 있다. 이를 위하여, 지하수 수위 변동을 기반으로 지진 전조를 분석하는 방법(100)은 하나 이상의 컴퓨터 실행 가능 명령어를 포함하는 프로그램 내지 소프트웨어의 형태로 구현되어 상기 메모리상에 저장될 수 있다. As described above, the method 100 for analyzing earthquake precursors based on groundwater level fluctuations according to an embodiment of the present invention includes storing one or more processors and one or more programs executed by the one or more processors. It can be performed on a computing device 12 having a memory. To this end, the method 100 for analyzing earthquake precursors based on groundwater level fluctuations may be implemented in the form of a program or software including one or more computer executable instructions and stored in the memory.

또한, 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.In addition, although the method is divided into a plurality of steps in the illustrated flowchart, at least some of the steps are performed in reverse order, combined with other steps, performed together, omitted, performed in detailed steps, or shown. One or more steps not yet performed may be added and performed.

여기서는, 2016년 9월 12일 20시 32분에 발생한 경주 지진의 전조를 경주 지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정한 지하수 수위 변동 데이터에 근거하여 분석하는 방법에 대해 설명하기로 한다.Here, a method for analyzing the precursor of the Gyeongju earthquake that occurred at 20:32 on September 12, 2016 based on groundwater level fluctuation data measured from multiple wells during the period including the period when the Gyeongju earthquake occurred will be explained. do.

단계 102에서, 컴퓨팅 장치(12)는 지하수 수위 변동 시계열 데이터를 획득할 수 있다. 구체적으로, 컴퓨팅 장치(12)는 지진이 발생한 기간을 포함하는 기간 동안 기 설정된 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득할 수 있다. In step 102, the computing device 12 may obtain groundwater level change time-series data. Specifically, the computing device 12 may obtain time-series data of groundwater level fluctuations measured in a plurality of predetermined wells during a period including a period when an earthquake occurred.

예시적인 실시예에서, 컴퓨팅 장치(12)는 도 3에 도시된 바와 같이, 제주도의 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터를 획득할 수 있다. 제주도의 지질은 화산 폭발에 의해 형성된 화산암과 퇴적물을 포함하며, 대수층(帶水層: 지하수를 품고 있는 지층, 보다 상세히 말하면 지하수를 다량으로 저장하고 토출시킬 수 있는 지층)의 공간적으로 가변적인 수리적 특성을 가진 고투수성 및 저투수성 지층이 반복적으로 축적된다. 지진파의 통과로 인한 대수층 내의 압력 변화는 이러한 투수성 지질구조에 전달되어 우물 내 지하수 수위의 변화를 초래하게 된다. 이때, 지하수 수위 변동 시계열 데이터는 2016년 9월 8일 00:00부터 9월 22일 00:00까지 3개 우물(PP1, SG1, SY1)에서 측정된 데이터일 수 있다.In an exemplary embodiment, as shown in FIG. 3 , the computing device 12 may acquire groundwater level fluctuation time-series data measured at three wells PP1 , SG1 , and SY1 in Jeju Island. The geology of Jeju Island includes volcanic rocks and sediments formed by volcanic eruptions, and the spatially variable hydraulic characteristics of aquifers (strata that contain groundwater, more specifically, those that can store and discharge large amounts of groundwater). High permeability and low permeability strata with The pressure change in the aquifer due to the passage of the seismic wave is transferred to the permeable geological structure and causes a change in the groundwater level in the well. In this case, the groundwater level change time series data may be data measured in three wells (PP1, SG1, SY1) from 00:00 on September 8, 2016 to 00:00 on September 22, 2016.

여기서, 우물(SG1, SY1)은 준기저 지하수 구역(parabasal groundwater zone)에 위치하고, 담수 지하수가 대수층 바닥의 불투수성 또는 저투수성 층으로 인해 바닷물과 접촉하지 않는 반면, 우물(PP1)은 지하수가 바닷물과 직접 접촉하는 기저-준기저 지하수 구역(basal-parabasal groundwater zone)에 위치한다.Here, the wells SG1 and SY1 are located in the parabasal groundwater zone, and the freshwater groundwater does not contact seawater due to the impermeable or low-permeability layer at the bottom of the aquifer, while the well PP1 allows groundwater to flow into seawater. It is located in the basal-parabasal groundwater zone in direct contact with the groundwater.

도 4는 개시되는 일 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터를 나타낸 그래프이다. FIG. 4 is a graph showing time-series data of groundwater level fluctuations measured in three wells (PP1, SG1, and SY1) according to one disclosed embodiment.

여기서, 지하수 수위 변동 시계열 데이터는 2016년 9월 8일 00:00부터 9월 22일 00:00까지 3개 우물(PP1, SG1, SY1)에서 측정된 것이고, 지표면에서 지하수위까지의 거리(즉, DTW(Depth to Water))를 측정하였다. 또한, 도 4에서 가장 하단의 그래프는 2016년 9월 12일 20시 32분에 발생한 경주 지진의 지진파를 나타낸 것이다. 그리고, 도 4에서 2016년 9월 12일 20시 9분에서 21시 9분까지의 지하수 수위 변동 시계열 데이터를 확대하여 나타내었다. 확대된 시계열 데이터의 기호 (

Figure 112020093197353-pat00008
는 1분 간격으로 측정된 지하수위를 디지털화 하여 나타낸 것이다.Here, the groundwater level fluctuation time series data was measured at three wells (PP1, SG1, SY1) from 00:00 on September 8, 2016 to 00:00 on September 22, 2016, and the distance from the ground surface to the groundwater level (i.e. , DTW (Depth to Water)) was measured. In addition, the lowermost graph in FIG. 4 shows the seismic waves of the Gyeongju earthquake that occurred at 20:32 on September 12, 2016. In addition, in FIG. 4 , groundwater level change time series data from 20:09 to 21:09 on September 12, 2016 is enlarged and shown. The symbol of the zoomed time series data (
Figure 112020093197353-pat00008
is the digitized representation of the groundwater level measured at 1-minute intervals.

도 4를 참조하면, 우물(PP1) 및 우물(SG1)의 시계열 데이터는 경주에서 발생한 지진파와 높은 상관 관계가 있는 지진 동시성 반응(Coseismic Response)을 나타내는데 반하여, 우물(SY1)의 시계열 데이터는 경주에서 발생한 지진파와 지진 동시성 반응을 나타내지 않는 것을 볼 수 있다. 이는 우물의 시계열 데이터의 1분의 샘플링 간격이 지진파의 지진 동시성 반응을 나타내기에는 길게 설정된 것 때문일 수 있다. 즉, 일반적으로 지진파의 주기의 하한은 약 1초로 알려져 있는데, 1분의 샘플링 간격은 이에 비하여 길기 때문에 위와 같은 결과가 나타난 것으로 보인다.Referring to FIG. 4, the time series data of the well PP1 and the well SG1 show seismic synchronic responses that are highly correlated with the seismic waves generated in Gyeongju, whereas the time series data of the well SY1 shows It can be seen that the generated seismic wave and seismic synchronous response do not appear. This may be because the 1-minute sampling interval of the well's time-series data is set too long to represent the seismic synchronous response of the seismic wave. That is, it is generally known that the lower limit of the period of the seismic wave is about 1 second, and the sampling interval of 1 minute is longer than this, so the above results appear.

단계 104에서, 컴퓨팅 장치(12)는 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 3점 필터(Three-Point-Filter)를 적용하여 3점 필터링 된 시계열 데이터를 생성할 수 있다. 여기서, 3점 필터(Three-Point-Filter)는 하기의 수학식 1에 의해 정의될 수 있다. In step 104, the computing device 12 applies a three-point filter to the groundwater level fluctuation time-series data measured at the three wells (PP1, SG1, SY1) to obtain the three-point filtered time-series data. can create Here, the three-point filter (Three-Point-Filter) may be defined by Equation 1 below.

(수학식 1)(Equation 1)

Figure 112020093197353-pat00009
Figure 112020093197353-pat00009

Figure 112020093197353-pat00010
: i번째 필터링 된 지하수 수위 변동 시계열 데이터
Figure 112020093197353-pat00010
: i-th filtered groundwater level fluctuation time series data

Figure 112020093197353-pat00011
: i번째 지하수 수위 변동 시계열 데이터
Figure 112020093197353-pat00011
: i-th groundwater level fluctuation time series data

n: 지하수 수위 변동 시계열 데이터의 전체 데이터 포인트 수n: total number of data points in groundwater level fluctuation time series data

l: 지하수 수위 변동 시계열 데이터의 샘플링 간격의 절반의 시간 길이l: half the time length of the sampling interval of the groundwater level fluctuation time series data

여기서, l은 0보다 커야 하고, n은 2l 보다 클 수 있다. Here, l must be greater than 0, and n can be greater than 2l.

한편, 지하수 수위 변동 시계열 데이터에 3점 필터(Three-Point-Filter)를 적용하게 되면, 정상적인 지하수 수위 변동의 주된 원인인 조수 스트레스로 인한 지하수 수위 변화를 줄일 수 있게 된다. On the other hand, if a three-point filter is applied to the groundwater level fluctuation time-series data, it is possible to reduce the groundwater level change caused by tidal stress, which is the main cause of the normal groundwater level fluctuation.

도 5는 개시되는 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 3점 필터(Three-Point-Filter)를 적용하여 생성된 3점 필터링 된 시계열 데이터를 나타낸 그래프이다. 여기서는 수학식 1에서 l=1인 경우의 3점 필터링 된 시계열 데이터를 나타내었다.5 shows three-point filtered time-series data generated by applying a three-point filter to the groundwater level fluctuation time-series data measured in three wells (PP1, SG1, and SY1) in the disclosed embodiment. is the graph shown. Here, 3-point filtered time series data in the case of l = 1 in Equation 1 is shown.

도 5를 참조하면, 2분의 간격(즉, l=1) 동안 대기압 변화, 지구 조수, 및 강수로 인한 지하수 수위 변화가 선형적이라고 가정하면, 3점 필터링 된 시계열 데이터는 대기압 변화, 지구 조수, 및 강수로 인한 지하수 수위 변화를 평균 값으로 조절하게 된다. 그로 인해, 지하수 수위 변동의 주된 원인인 조수 스트레스로 인한 지하수 수위 변화를 줄일 수 있게 된다.Referring to FIG. 5, assuming that atmospheric pressure changes, earth tides, and groundwater level changes due to precipitation are linear during an interval of 2 minutes (i.e., l = 1), three-point filtered time series data are obtained from atmospheric pressure changes, earth tides , and changes in groundwater level due to precipitation are adjusted to the average value. As a result, it is possible to reduce the change in the groundwater level caused by tidal stress, which is the main cause of the change in the groundwater level.

단계 106에서, 컴퓨팅 장치(12)는 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용하여 밴드 패스 필터링 된 시계열 데이터를 생성할 수 있다. In step 106, the computing device 12 applies a band pass filter to the groundwater level fluctuation time series data measured at the three wells (PP1, SG1, SY1) to generate band pass filtered time series data. can

즉, 컴퓨팅 장치(12)는 기 설정된 관심 기간 범위(Interested Period Range) 내에서 지하수 수위 변동을 이해하기 위해 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용할 수 있다. 예시적인 실시예에서, 관심 기간 범위는 10분에서 400분으로 설정될 수 있다. 그리고, 컴퓨팅 장치(12)는 지하수 수위 변동 시계열 데이터에 대해 대역 통과 주기 범위가 8분에서 420분인 대역 통과 필터를 적용할 수 있다. That is, the computing device 12 may apply a band pass filter to the groundwater level change time-series data in order to understand the groundwater level change within a predetermined interested period range. In an exemplary embodiment, the period of interest range may be set from 10 minutes to 400 minutes. In addition, the computing device 12 may apply a band pass filter having a band pass period ranging from 8 minutes to 420 minutes to the groundwater level change time series data.

도 6은 개시되는 실시예에서 3개 우물(PP1, SG1, SY1)에서 측정된 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용하여 생성된 밴드 패스 필터링 된 시계열 데이터를 나타낸 그래프이다. 6 is a graph showing band-pass filtered time-series data generated by applying a band-pass filter to the groundwater level fluctuation time-series data measured in three wells (PP1, SG1, and SY1) in the disclosed embodiment. am.

도 6을 참조하면, 밴드 패스 필터링 된 시계열 데이터는 진폭이 -0.03 m 에서 +0.03 m 사이임을 보여준다. 여기서, 밴드 패스 필터링 된 시계열 데이터의 지배적인 파형은 하루에 약 4번(즉, 주기가 6시간) 반복됨을 확인할 수 있다. 한편, 도 6에서 노란색 박스로 채워진 부분은 지배적인 파형이 6시간 보다 짧은 기간의 비정상적인 파형에 의해 오염되었음을 보여준다.Referring to Fig. 6, the band pass filtered time series data shows that the amplitude is between -0.03 m and +0.03 m. Here, it can be seen that the dominant waveform of the band-pass filtered time-series data is repeated about 4 times a day (ie, the period is 6 hours). On the other hand, a portion filled with a yellow box in FIG. 6 shows that the dominant waveform is contaminated by an abnormal waveform with a period shorter than 6 hours.

단계 108에서, 컴퓨팅 장치(12)는 밴드 패스 필터링 된 시계열 데이터에서 지진 발생 시점(즉, 경주 지진의 발생 시점)을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택할 수 있다. In operation 108, the computing device 12 may select first partial time series data and second partial time series data based on the earthquake occurrence time (ie, Gyeongju earthquake occurrence time) from the band-pass filtered time series data.

여기서, 제1 부분 시계열 데이터는 지진 발생 시점 이전의 제1 시구간의 데이터이고, 제2 부분 시계열 데이터는 지진 발생 시점 이전의 제2 시구간의 데이터일 수 있다. 이때, 제1 시구간은 제2 시구간보다 이전의 시구간일 수 있다. 즉, 제2 시구간이 제1 시구간에 비하여 지진 발생 시점에 근접한 시구간일 수 있다. Here, the first partial time series data may be data of a first time period before an earthquake occurs, and the second partial time series data may be data of a second time period before an earthquake occurs. In this case, the first time period may be a time period prior to the second time period. That is, the second time period may be a time period closer to the earthquake occurrence point than the first time period.

예시적인 실시예에서, 컴퓨팅 장치(12)는 밴드 패스 필터링 된 시계열 데이터에서 2016년 9월 8일 00:00부터 2016년 9월 10일 00:00까지의 시구간을 제1 부분 시계열 데이터로 선택(도 6에서 파란색 박스 구간)할 수 있다. 또한, 컴퓨팅 장치(12)는 밴드 패스 필터링 된 시계열 데이터에서 2016년 9월 10일 12:00부터 2016년 9월 12일 12:00까지의 시구간을 제2 부분 시계열 데이터로 선택(도 6에서 빨간색 박스 구간)할 수 있다. In an exemplary embodiment, the computing device 12 selects a time period from 00:00 on September 8, 2016 to 00:00 on September 10, 2016 from the band-pass filtered time series data as the first partial time series data. (blue box section in FIG. 6). In addition, the computing device 12 selects the time period from 12:00 on September 10, 2016 to 12:00 on September 12, 2016 from the band-pass filtered time series data as the second partial time series data (in FIG. 6 red box section).

여기서, 제2 부분 시계열 데이터가 지진 발생 시점에 보다 근접한 시구간이므로, 제1 부분 시계열 데이터 보다 지진에 의해 더 많은 영향을 받을 것으로 추정할 수 있다. Here, since the second partial time series data has a time section closer to the earthquake occurrence time, it can be estimated that it will be more affected by the earthquake than the first partial time series data.

한편, 컴퓨팅 장치(12)는 지하수 수위 변동 시계열 데이터(즉, Raw 데이터) 및 밴드 패스 필터링 된 시계열 데이터에 대해 각각 파워 스펙트럼을 생성하여 지하수 수위 변동에 대한 조수의 영향을 확인할 수 있다. Meanwhile, the computing device 12 may check the influence of tides on the groundwater level fluctuation by generating power spectra for the groundwater level fluctuation time series data (ie, raw data) and the band-pass filtered time series data.

여기서, 지하수 수위 변동 시계열 데이터 및 밴드 패스 필터링 된 시계열 데이터는 시간 영역 데이터이며, 이를 주파수 영역 데이터로 변환하여 파워 스펙트럼을 생성할 수 있다. 예시적인 실시예에서, 컴퓨팅 장치(12)는 지하수 수위 변동 시계열 데이터 및 밴드 패스 필터링 된 시계열 데이터에 대해 고속 푸리에 변환(Fast Fourier Transform: FFT)을 적용하여 파워 스펙트럼을 생성할 수 있다. Here, the groundwater level fluctuation time-series data and the band-pass filtered time-series data are time-domain data, and a power spectrum may be generated by converting them into frequency-domain data. In an exemplary embodiment, the computing device 12 may generate a power spectrum by applying a Fast Fourier Transform (FFT) to the groundwater level change time series data and the band pass filtered time series data.

도 7은 개시되는 실시예에서 지하수 수위 변동 시계열 데이터 및 밴드 패스 필터링 된 시계열 데이터에 고속 푸리에 변환을 적용하여 생성한 파워 스펙트럼을 나타낸 그래프이다. 여기서, 파란색이 지하수 수위 변동 시계열 데이터(즉, Raw 데이터)의 파워 스펙트럼을 나타낸 것이고, 빨간색이 밴드 패스 필터링 된 시계열 데이터의 파워 스펙트럼을 나타낸 것이다. FIG. 7 is a graph showing a power spectrum generated by applying fast Fourier transform to groundwater level fluctuation time-series data and band-pass filtered time-series data in the disclosed embodiment. Here, blue represents the power spectrum of groundwater level fluctuation time-series data (ie, raw data), and red represents the power spectrum of band-pass filtered time-series data.

도 7을 참조하면, 파워 스펙트럼 중 지배적인 파형이 약 750분의 기간(즉, 반일주조(semidiurnal tide: st) 기간과 대응되는 기간)에 나타나는 것을 볼 수 있다. 그리고, 지배적인 파형에 대해 고조파(Harmonics)들이 나타나는 것을 볼 수 있다. 여기서, 짝수 고조파(even harmonics)는 각각 375분(st2.0) 및 188분(st4.0)에 나타나고, 홀수 고조파(odd harmonics)는 각각 250분(st3.0) 및 150분(st5.0)에 나타나는 것을 볼 수 있다. Referring to FIG. 7 , it can be seen that a dominant waveform in the power spectrum appears in a period of about 750 minutes (ie, a period corresponding to a semidiurnal tide (st) period). And, it can be seen that harmonics appear for the dominant waveform. Here, even harmonics appear at 375 minutes (st 2.0 ) and 188 minutes (st 4.0 ), respectively, and odd harmonics appear at 250 minutes (st 3.0 ) and 150 minutes (st 5.0 ), respectively. can see.

이와 같이, 지하수 수위 변동 시계열 데이터 및 밴드 패스 필터링 된 시계열 데이터에 고속 푸리에 변환을 적용하여 생성한 파워 스펙트럼을 이용하면, 지하수 수위 변동에 대해 조수가 영향을 미치는 기간을 확인할 수 있게 된다.In this way, using the power spectrum generated by applying fast Fourier transform to the groundwater level fluctuation time series data and the band-pass filtered time series data, it is possible to confirm the period during which the tide affects the groundwater level fluctuation.

단계 110에서, 컴퓨팅 장치(12)는 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터 중 비정상적인 파형을 식별할 수 있다. 구체적으로, 컴퓨팅 장치(12)는 제1 부분 시계열 데이터를 기준으로 하여 제2 부분 시계열 데이터 중 비정상적인 파형을 식별할 수 있다. 이에 대해 도 8을 참조하여 설명하기로 한다.In step 110, the computing device 12 may identify an abnormal waveform among the first partial time series data and the second partial time series data. Specifically, the computing device 12 may identify an abnormal waveform among the second partial time series data based on the first partial time series data. This will be described with reference to FIG. 8 .

도 8은 개시되는 실시예에 따른 3개 우물(PP1, SG1, SY1)의 밴드 패스 필터링 된 시계열 데이터에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 나타낸 그래프이다. 여기서, 좌측이 제1 부분 시계열 데이터이고, 우측이 제2 부분 시계열 데이터이다. FIG. 8 is a graph illustrating first partial time series data and second partial time series data in band pass filtered time series data of three wells PP1 , SG1 , and SY1 according to the disclosed embodiment. Here, the left side is the first partial time series data, and the right side is the second partial time series data.

도 8을 참조하면, 제1 부분 시계열 데이터는 지배적인 파형이 약 6시간(375분)을 주기로 반복되는 것을 볼 수 있다. 이는 일반적으로 발생하는 반일주조(Semidiurnal Tides) 기간의 고조파(Harmonics)에 해당하는 바, 제1 부분 시계열 데이터는 정상적인 지하수 수위 변동을 나타내는 것을 확인할 수 있다. 따라서, 제1 부분 시계열 데이터를 비정상적인 파형을 식별하는 기준 데이터로 사용할 수 있게 된다. Referring to FIG. 8 , it can be seen that in the first partial time series data, a dominant waveform is repeated with a cycle of about 6 hours (375 minutes). This corresponds to the harmonics of the Semidiurnal Tides period, which generally occurs, and it can be confirmed that the first partial time series data indicates a normal groundwater level fluctuation. Accordingly, the first partial time-series data can be used as reference data for identifying abnormal waveforms.

컴퓨팅 장치(12)는 제1 부분 시계열 데이터를 기준 데이터로 하여 제2 부분 시계열 데이터에서 비정상적인 파형을 식별할 수 있다. 도 8을 참조하면, 컴퓨팅 장치(12)는 제2 부분 시계열 데이터에서 노란색 박스 부분을 비정상적인 파형으로 식별할 수 있다. 즉, 제2 부분 시계열 데이터에서 노란색 박스 부분은 파형이 6시간을 주기로 반복하는 것이 아니라 그보다 더 짧은 시간에 변동되는 것을 볼 수 있다. The computing device 12 may identify an abnormal waveform in the second partial time-series data by using the first partial time-series data as reference data. Referring to FIG. 8 , the computing device 12 may identify a yellow boxed portion in the second partial time-series data as an abnormal waveform. That is, in the second partial time series data, it can be seen that the yellow box portion does not repeat the waveform every 6 hours, but fluctuates in a shorter time than that.

한편, 컴퓨팅 장치(12)는 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 가중 이동 평균(Weighted Moving Average: WMA)을 적용하여 제2 부분 시계열 데이터 중 비정상적인 파형을 식별할 수 있다.Meanwhile, the computing device 12 may identify an abnormal waveform among the second partial time series data by applying a weighted moving average (WMA) to the first partial time series data and the second partial time series data.

여기서, 가중 이동 평균(WMA)은 매끄러운(Smooth) 시계열 데이터를 생성하기 위해 사용하는 것으로, 관심 기간에 있는 파형의 제거를 최소화하면서 백색 잡음(White Noise)을 포함한 중요하지 않은 파형을 줄일 수 있게 된다. 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 각각 다음의 수학식 2로 표현될 수 있다. Here, the weighted moving average (WMA) is used to generate smooth time series data, and it is possible to reduce insignificant waveforms including white noise while minimizing the removal of waveforms in the period of interest. . Applying the weighted moving average to the first partial time series data and the second partial time series data may be expressed by Equation 2 below.

(수학식 2)(Equation 2)

Figure 112020093197353-pat00012
Figure 112020093197353-pat00012

Figure 112020093197353-pat00013
: j 번째 부분 시계열 데이터에서 가중 이동 평균 값
Figure 112020093197353-pat00013
: weighted moving average value in the j-th subtime series data

Figure 112020093197353-pat00014
: i번째 부분 시계열 데이터의 가중 계수
Figure 112020093197353-pat00014
: weighting coefficient of the ith partial time series data

Figure 112020093197353-pat00015
: i번째 부분 시계열 데이터의 값
Figure 112020093197353-pat00015
: Value of i-th partial time series data

L: 이동 윈도우(Moving Window)의 절반 길이L: half the length of the moving window

여기서, i번째 부분 시계열 데이터의 가중 계수(

Figure 112020093197353-pat00016
)는 다음의 수학식 3으로 나타낼 수 있다. Here, the weighting coefficient of the i-th partial time series data (
Figure 112020093197353-pat00016
) can be represented by the following Equation 3.

(수학식 3)(Equation 3)

Figure 112020093197353-pat00017
Figure 112020093197353-pat00017

Figure 112020093197353-pat00018
: 가중치 계수의 포락선 모양을 결정하는 상수
Figure 112020093197353-pat00018
: A constant that determines the shape of the envelope of weight coefficients

여기서,

Figure 112020093197353-pat00019
는 영향률(Influence Rate)에 의해 결정되며, 영향률(r)은 다음의 수학식 4로 나타낼 수 있다. here,
Figure 112020093197353-pat00019
Is determined by the influence rate, and the influence rate (r) can be expressed by Equation 4 below.

(수학식 4)(Equation 4)

Figure 112020093197353-pat00020
Figure 112020093197353-pat00020

k: 이동 윈도우의 중앙으로부터의 인덱스이며, 샘플링 간격과 관심 대역 주기의 하한에 의해 결정됨k: index from the center of the moving window, determined by the sampling interval and the lower limit of the period of the band of interest

도 9는 개시되는 일 실시예에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용한 상태를 나타낸 그래프이다. 도 9에서 상부에 나타낸 그래프는 우물(PP1)의 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용한 상태를 확대하여 나타낸 것이다. 여기서는, L=30,

Figure 112020093197353-pat00021
= 13인 경우를 나타내었다.9 is a graph illustrating a state in which a weighted moving average is applied to first partial time series data and second partial time series data according to an exemplary embodiment. The upper graph in FIG. 9 is an enlarged view of a state in which weighted moving average is applied to the second partial time series data of the well PP1. Here, L=30,
Figure 112020093197353-pat00021
= 13 is shown.

도 9를 참조하면, 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 경우, 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터의 파형에서 잡음를 제거하고 파형이 보다 뚜렷하게 나타나는 것을 볼 수 있다. Referring to FIG. 9, when weighted moving average is applied to the first partial time series data and the second partial time series data, noise is removed from the waveforms of the first partial time series data and the second partial time series data, and the waveforms appear more distinctly. can see.

이에 의하면, 제1 부분 시계열 데이터에는 나타나지 않는 비정상적인 파형이 제2 부분 시계열 데이터에서 명확하게 나타나는 것을 볼 수 있다. 제2 부분 시계열 데이터에서 비정상적인 파형을 확인하기 위해, 도 8의 상부에 있는 그래프에서 각각 60분, 120분, 180분의 파형 기간을 각각 분홍색, 녹색, 보라색으로 표시하였다. According to this, it can be seen that an abnormal waveform that does not appear in the first partial time-series data clearly appears in the second partial time-series data. In order to identify abnormal waveforms in the second partial time series data, waveform periods of 60 minutes, 120 minutes, and 180 minutes are indicated in pink, green, and purple, respectively, in the upper graph of FIG. 8 .

단계 112에서, 컴퓨팅 장치(12)는 제2 부분 시계열 데이터에서 식별된 비정상적인 파형의 기간을 산출할 수 있다. 예시적인 실시예에서, 컴퓨팅 장치(12)는 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 파워 스펙트럼을 생성하여 제2 부분 시계열 데이터에서 비정상적인 파형의 기간을 산출할 수 있다. In step 112, the computing device 12 may calculate the period of the abnormal waveform identified in the second partial time series data. In an example embodiment, computing device 12 may calculate a duration of an abnormal waveform in the second partial time series data by generating a power spectrum for the first partial time series data and the second partial time series data.

도 10은 개시되는 일 실시예에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터에 대해 고속 푸리에 변환을 적용하여 생성한 파워 스펙트럼을 나타낸 그래프이다. 도 10에서 회색으로 채워진 영역이 제1 부분 시계열 데이터의 파워 스펙트럼이고, 빨간색으로 채워진 영역이 제2 부분 시계열 데이터의 파워 스펙트럼이다. 10 is a graph showing power spectra generated by applying fast Fourier transform to first partial time series data and second partial time series data in an embodiment disclosed herein. In FIG. 10 , a gray filled area is a power spectrum of the first partial time series data, and a red filled area is a power spectrum of the second partial time series data.

컴퓨팅 장치(12)는 도 10에 도시된 파워 스펙트럼에서, 제1 부분 시계열 데이터의 파워 스펙트럼과 제2 부분 시계열 데이터의 파워 스펙트럼을 비교하여 비정상적인 파형의 기간을 결정할 수 있다. The computing device 12 may determine the period of the abnormal waveform by comparing the power spectrum of the first partial time series data with the power spectrum of the second partial time series data in the power spectrum shown in FIG. 10 .

구체적으로, 컴퓨팅 장치(12)는 기 설정된 기준에 의해 제2 부분 시계열 데이터에서 비정상적인 파형의 기간을 결정할 수 있다. 여기서, 기 설정된 기준은 다음과 같다. 1) 제2 부분 시계열 데이터 중 조수에 의해 영향을 받는 기간(도 7을 참조)은 제외시킴. 2) 제2 부분 시계열 데이터의 파워 스펙트럼이 제1 부분 시계열 데이터의 파워 스펙트럼이 존재하지 않는 기간에 존재해야 함. 3) 제2 부분 시계열 데이터의 파워 스펙트럼이 특정 기간에서 기 설정된 임계값 보다 커야 함. 4) 특정 기간에 제1 부분 시계열 데이터의 파워 스펙트럼이 존재하더라도 제2 부분 시계열 데이터의 파워 스펙트럼이 명확하게 강화되어야 할 것Specifically, the computing device 12 may determine the period of the abnormal waveform in the second partial time-series data based on a preset criterion. Here, the predetermined criteria are as follows. 1) Among the second partial time series data, the period affected by the tide (see FIG. 7) is excluded. 2) The power spectrum of the second partial time series data must exist in a period in which the power spectrum of the first partial time series data does not exist. 3) The power spectrum of the second partial time series data must be greater than a predetermined threshold value in a specific period. 4) Even if the power spectrum of the first partial time series data exists in a specific period, the power spectrum of the second partial time series data should be clearly enhanced.

각 우물(PP1, SG1, SY1)에 대해 비정상적인 파형이 확인된 기간은 도 11에 도시하였다. 도 11을 참조하면, 비정상적인 파형의 최대 기간(240분)은 우물(PP1) 및 우물(SY1)에서 발생하였고, 비정상적인 파형의 최소 기간(11.2분)은 우물(PP1)에서 발생한 것을 볼 수 있다. The period during which abnormal waveforms were confirmed for each well (PP1, SG1, SY1) is shown in FIG. 11 . Referring to FIG. 11 , it can be seen that the maximum period (240 minutes) of the abnormal waveform occurred in the well PP1 and the well SY1, and the minimum period (11.2 minutes) of the abnormal waveform occurred in the well PP1.

여기서, 우물(PP1, SG1, SY1)이 서로 30km 이상 떨어져 있어도 우물(PP1, SG1, SY1)에서 측정된 비정상적인 파형이 높은 상관 관계를 나타낸다는 점, 지하수 수위 변동의 측정 기간 중 지진 이외에 지하수 수위 변동에 영향을 끼치는 다른 특별한 이벤트가 없었다는 점, 지진 없는 기간 동안 지하수 수위 변동으로부터 선택된 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터의 파워 스펙트럼(도 10의 오른쪽 하단 그래프)이 반일주조의 고조파 기간을 제외하고 서로 유사하고 지진 전 지하수 수위 스펙트럼과는 명확한 차이를 보인다는 점을 고려하면, 우물(PP1, SG1, SY1)에서 측정된 비정상적인 파형은 경주 지진에 대한 지진 전조 반응으로 볼 수 있다. 그리고, 경주 지진에 기인한 지진 전조 반응은 지진 발생 전 최소 8시간 이전에 나타난 것을 볼 수 있다. Here, even if the wells (PP1, SG1, SY1) are separated by more than 30 km from each other, the abnormal waveforms measured at the wells (PP1, SG1, SY1) show a high correlation, and groundwater level fluctuations other than earthquakes during the measurement period of groundwater level fluctuations The fact that there was no other special event influencing , and the power spectrum of the first partial time series data and the second partial time series data selected from groundwater level fluctuations during the earthquake-free period (lower right graph in FIG. Considering that they are similar to each other and show a clear difference from the pre-earthquake groundwater level spectrum, the abnormal waveforms measured at the wells (PP1, SG1, and SY1) can be regarded as an earthquake precursor response to the Gyeongju earthquake. In addition, it can be seen that the earthquake precursor response due to the Gyeongju earthquake appeared at least 8 hours before the earthquake occurred.

개시되는 실시예에 의하면, 복수 개의 우물에 대해 지하수 수위 변동 시계열 데이터에서 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 추출하고, 제1 부분 시계열 데이터와 제2 부분 시계열 데이터를 기반으로 비정상적인 파형을 식별하며, 식별한 비정상적인 파형의 기간을 확인함으로써, 지진이 발생하기 전의 지진 전조 현상을 확인할 수 있으며, 그로 인해 임박한 지진을 용이하게 예측할 수 있게 된다.According to the disclosed embodiment, first partial time series data and second partial time series data are extracted from groundwater level fluctuation time series data for a plurality of wells, and an abnormal waveform is generated based on the first partial time series data and the second partial time series data. By identifying and confirming the period of the identified abnormal waveform, it is possible to identify an earthquake precursor phenomenon before an earthquake occurs, thereby easily predicting an impending earthquake.

이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위내에서 변경 또는 수정이 가능하다. 저술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.The above detailed description is illustrative of the present invention. In addition, the foregoing is intended to illustrate and describe preferred embodiments of the present invention, and the present invention can be used in various other combinations, modifications, and environments. That is, changes or modifications are possible within the scope of the concept of the invention disclosed in this specification, within the scope equivalent to the written disclosure and / or within the scope of skill or knowledge in the art. The written embodiment describes the best state for implementing the technical idea of the present invention, and various changes required in the specific application field and use of the present invention are also possible. Therefore, the above detailed description of the invention is not intended to limit the invention to the disclosed embodiments. Also, the appended claims should be construed to cover other embodiments as well.

10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스10: Computing environment
12: computing device
14: Processor
16: computer readable storage medium
18: communication bus
20: program
22: I/O interface
24: I/O device
26: network communication interface

Claims (9)

지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하는 단계;
상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계;
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계; 및
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하는 단계를 포함하고,
상기 비정상적인 파형을 식별하는 단계는:
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균(Weighted Moving Average: WMA)을 적용하여 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계를 포함하고,
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 이동 윈도우 범위 내에서의 i번째 부분 시계열 데이터의 가중 계수와 i번째 부분 시계열 데이터의 값을 기반으로 상기 이동 윈도우 범위의 중심에 해당하는 j번째 부분 시계열 데이터의 가중 이동 평균 값을 산출하는 것으로 표현되는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.obtaining groundwater level fluctuation time-series data measured at a plurality of wells during a period including a period during which an earthquake occurred;
selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data;
identifying an abnormal waveform in the first partial time-series data and the second partial time-series data; and
determining a period of the abnormal waveform based on the first partial time-series data and the second partial time-series data;
The step of identifying the abnormal waveform is:
Identifying an abnormal waveform in the second partial time series data by applying a weighted moving average (WMA) to the first partial time series data and the second partial time series data;
Applying a weighted moving average to the first partial time series data and the second partial time series data is based on the value of the i th partial time series data and the weighting coefficient of the i th partial time series data within the moving window range. An earthquake precursor analysis method based on groundwater level fluctuations, expressed as calculating a weighted moving average value of the jth partial time series data corresponding to the center of the range. 청구항 1에 있어서,
상기 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계는,
상기 지하수 수위 변동 시계열 데이터에 대해 밴드 패스 필터(Band Pass Filter)를 적용하여 밴드 패스 필터링 된 시계열 데이터를 생성하는 단계; 및
상기 밴드 패스 필터링 된 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계를 포함하는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.The method of claim 1,
The step of selecting the first partial time series data and the second partial time series data,
generating band-pass filtered time-series data by applying a band pass filter to the groundwater level fluctuation time-series data; and
and selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the band pass filtered time series data. 삭제delete 청구항 1에 있어서,
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 하기의 수학식으로 표현되는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.
(수학식)
Figure 112022040403278-pat00022

Figure 112022040403278-pat00023
: j 번째 부분 시계열 데이터에서 가중 이동 평균 값
Figure 112022040403278-pat00024
: i번째 부분 시계열 데이터의 가중 계수
Figure 112022040403278-pat00025
: i번째 부분 시계열 데이터의 값
L: 이동 윈도우(Moving Window)의 절반 길이The method of claim 1,
Applying a weighted moving average to the first partial time-series data and the second partial time-series data is expressed by the following equation.
(mathematical expression)
Figure 112022040403278-pat00022

Figure 112022040403278-pat00023
: weighted moving average value in the j-th subtime series data
Figure 112022040403278-pat00024
: weighting coefficient of the ith partial time series data
Figure 112022040403278-pat00025
: Value of i-th partial time series data
L: half the length of the moving window 청구항 4에 있어서,
상기 i번째 부분 시계열 데이터의 가중 계수(
Figure 112020093197353-pat00026
)는 하기 수학식으로 표현되는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.
Figure 112020093197353-pat00027

Figure 112020093197353-pat00028
: 가중치 계수의 포락선 모양을 결정하는 상수The method of claim 4,
The weighting coefficient of the i-th partial time series data (
Figure 112020093197353-pat00026
) is an earthquake precursor analysis method based on groundwater level fluctuations, expressed by the following equation.
Figure 112020093197353-pat00027

Figure 112020093197353-pat00028
: A constant that determines the shape of the envelope of weight coefficients 청구항 5에 있어서,
상기 비정상적인 파형의 기간을 결정하는 단계는,
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 각각 파워 스펙트럼을 생성하는 단계; 및
상기 제1 부분 시계열 데이터의 파워 스펙트럼 및 상기 제2 부분 시계열 데이터의 파워 스펙트럼에 기반하여 기 설정된 기준에 따라 상기 제2 부분 시계열 데이터에서 비정상적인 파형의 기간을 산출하는 단계를 포함하는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.The method of claim 5,
Determining the period of the abnormal waveform,
generating power spectra for each of the first partial time-series data and the second partial time-series data; and
calculating a period of an abnormal waveform in the second partial time series data according to a predetermined criterion based on the power spectrum of the first partial time series data and the power spectrum of the second partial time series data; based seismic precursor analysis method. 청구항 2에 있어서,
상기 지진 전조 분석 방법은,
상기 지하수 수위 변동 시계열 데이터 및 상기 밴드 패스 필터링 된 시계열 데이터에 대해 각각 파워 스펙트럼을 생성하는 단계; 및
상기 지하수 수위 변동 시계열 데이터의 파워 스펙트럼 및 상기 밴드 패스 필터링 된 시계열 데이터의 파워 스펙트럼에 기반하여 지하수 수위 변동에 대해 조수가 영향을 미치는 기간을 확인하는 단계를 더 포함하는, 지하수 수위 변동에 기반한 지진 전조 분석 방법.The method of claim 2,
The earthquake precursor analysis method,
generating power spectra for each of the groundwater level fluctuation time-series data and the band-pass-filtered time-series data; and
An earthquake prediction based on groundwater level fluctuations, further comprising identifying a period during which tides affect groundwater level fluctuations based on the power spectrum of the groundwater level fluctuation time series data and the power spectrum of the band-pass filtered time series data. analysis method. 하나 이상의 프로세서들;
메모리; 및
하나 이상의 프로그램들을 포함하고,
상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,
상기 하나 이상의 프로그램들은,
지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하기 위한 명령;
상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하기 위한 명령;
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하기 위한 명령; 및
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하기 위한 명령을 포함하고,
상기 비정상적인 파형을 식별하기 위한 명령은:
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균(Weighted Moving Average: WMA)을 적용하여 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하기 위한 명령을 포함하고,
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 이동 윈도우 범위 내에서의 i번째 부분 시계열 데이터의 가중 계수와 i번째 부분 시계열 데이터의 값을 기반으로 상기 이동 윈도우 범위의 중심에 해당하는 j번째 부분 시계열 데이터의 가중 이동 평균 값을 산출하는 것으로 표현되는, 컴퓨팅 장치.one or more processors;
Memory; and
contains one or more programs;
the one or more programs are stored in the memory and configured to be executed by the one or more processors;
The one or more programs,
instructions for acquiring time-series data of groundwater level fluctuations measured in a plurality of wells during a period including a period during which an earthquake occurred;
a command for selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data;
instructions for identifying an abnormal waveform in the first partial time series data and the second partial time series data; and
instructions for determining a period of the abnormal waveform based on the first partial time-series data and the second partial time-series data;
The command to identify the abnormal waveform is:
A command for identifying an abnormal waveform in the second partial time series data by applying a weighted moving average (WMA) to the first partial time series data and the second partial time series data;
Applying a weighted moving average to the first partial time series data and the second partial time series data is based on the value of the i th partial time series data and the weighting coefficient of the i th partial time series data within the moving window range. A computing device represented by calculating a weighted moving average value of the jth partial time series data corresponding to the center of the range. 비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
지진이 발생한 기간을 포함하는 기간 동안 복수 개의 우물에서 측정된 지하수 수위 변동 시계열 데이터를 획득하는 단계;
상기 지하수 수위 변동 시계열 데이터에서 상기 지진이 발생한 시점을 기준으로 제1 부분 시계열 데이터 및 제2 부분 시계열 데이터를 선택하는 단계;
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계; 및
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터를 기반으로 상기 비정상적인 파형의 기간을 결정하는 단계를 수행하도록 하고,
상기 비정상적인 파형을 식별하는 단계는:
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균(Weighted Moving Average: WMA)을 적용하여 상기 제2 부분 시계열 데이터에서 비정상적인 파형을 식별하는 단계를 포함하고,
상기 제1 부분 시계열 데이터 및 상기 제2 부분 시계열 데이터에 대해 가중 이동 평균을 적용하는 것은 이동 윈도우 범위 내에서의 i번째 부분 시계열 데이터의 가중 계수와 i번째 부분 시계열 데이터의 값을 기반으로 상기 이동 윈도우 범위의 중심에 해당하는 j번째 부분 시계열 데이터의 가중 이동 평균 값을 산출하는 것으로 표현되는, 컴퓨터 프로그램.A computer program stored in a non-transitory computer readable storage medium,
The computer program includes one or more instructions, which, when executed by a computing device having one or more processors, cause the computing device to:
obtaining groundwater level fluctuation time-series data measured at a plurality of wells during a period including a period during which an earthquake occurred;
selecting first partial time series data and second partial time series data based on the time when the earthquake occurred from the groundwater level fluctuation time series data;
identifying an abnormal waveform in the first partial time-series data and the second partial time-series data; and
determining a period of the abnormal waveform based on the first partial time-series data and the second partial time-series data;
The step of identifying the abnormal waveform is:
Identifying an abnormal waveform in the second partial time series data by applying a weighted moving average (WMA) to the first partial time series data and the second partial time series data;
Applying a weighted moving average to the first partial time series data and the second partial time series data is based on the value of the i th partial time series data and the weighting coefficient of the i th partial time series data within the moving window range. A computer program, represented by calculating a weighted moving average value of the jth partial time series data corresponding to the center of the range.
KR1020200112080A 2020-09-03 2020-09-03 Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method KR102505997B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200112080A KR102505997B1 (en) 2020-09-03 2020-09-03 Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200112080A KR102505997B1 (en) 2020-09-03 2020-09-03 Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method

Publications (2)

Publication Number Publication Date
KR20220030558A KR20220030558A (en) 2022-03-11
KR102505997B1 true KR102505997B1 (en) 2023-03-03

Family

ID=80814598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200112080A KR102505997B1 (en) 2020-09-03 2020-09-03 Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method

Country Status (1)

Country Link
KR (1) KR102505997B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000283800A (en) * 1999-03-31 2000-10-13 Mitsui Bussan Plant Kk Physical geographic displacement detector and physical geographic displacement monitoring system employing it
CN109490950A (en) * 2018-11-30 2019-03-19 中国地震台网中心 Earthquake prediction method and system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101542546B1 (en) 2013-01-16 2015-08-06 주식회사 인포월드 Apparatus for observation underground water

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000283800A (en) * 1999-03-31 2000-10-13 Mitsui Bussan Plant Kk Physical geographic displacement detector and physical geographic displacement monitoring system employing it
CN109490950A (en) * 2018-11-30 2019-03-19 中国地震台网中心 Earthquake prediction method and system

Also Published As

Publication number Publication date
KR20220030558A (en) 2022-03-11

Similar Documents

Publication Publication Date Title
Lu et al. Seismic spectral decomposition using deconvolutive short-time Fourier transform spectrogram
Poiata et al. Multiband array detection and location of seismic sources recorded by dense seismic networks
Chen et al. Characteristics of earthquake ground motion on the seafloor
Atkinson et al. Ground motions from three recent earthquakes in western Alberta and northeastern British Columbia and their implications for induced‐seismicity hazard in eastern regions
Eaton et al. Broadband microseismic observations from a Montney hydraulic fracture treatment, northeastern BC, Canada
Chao et al. Seismologically determined bedload flux during the typhoon season
Birnie et al. Analysis and models of pre-injection surface seismic array noise recorded at the Aquistore carbon storage site
Nascimento et al. High-resolution acoustic impedance inversion to characterize turbidites at Marlim Field, Campos Basin, Brazil
Ullah et al. Improving the spatial resolution of ground motion variability using earthquake and seismic noise data: The example of Bishkek (Kyrgyzstan)
Heeszel et al. Humming glaciers
Hwang et al. Effective time-and frequency-domain techniques for interpreting seismic precursors in groundwater level fluctuations on Jeju Island, Korea
CN108957540B (en) Method for efficiently extracting attenuation quality factors in complex reservoir
Mattheus et al. Barrier‐spit geomorphology and inlet dynamics in absence of tides: evolution of the North Pond system, eastern Lake Ontario, New York State
KR102505997B1 (en) Method for analyzing seismic precursor based on groundwater level fluctuaton and computing device for executing the method
Moon et al. Collocated cokriging and neural-network multi-attribute transform in the prediction of effective porosity: A comparative case study for the Second Wall Creek Sand of the Teapot Dome field, Wyoming, USA
Wang et al. Seiche Effects in Lake Tekapo, New Zealand, in an Mw8. 2 Alpine Fault Earthquake
Lv Noise suppression of microseismic data based on a fast singular value decomposition algorithm
CN110727027B (en) Fine carving method for multi-period river sand
Sicking et al. Forecasting reservoir performance by mapping seismic emissions
Nakano et al. The spatial properties of the site amplifications of S-waves by generalized spectral inversion technique and the correction method of the site amplifications considering the contribution of later arrivals after major S-waves
CN109613613B (en) Stratum convolution automatic identification and conversion method, device and storage medium
RU2466432C1 (en) Method of determining probability of catastrophic phenomena
Massa et al. Seismo-Stratigraphic Model for the Urban Area of Milan (Italy) by Ambient-Vibration Monitoring and Implications for Seismic Site Effects Assessment
Kopylova et al. Statistical analysis of precision water level data from observations in a seismoactive region: Case study of the YuZ-5 well, Kamchatka
Mullins et al. Aeolian Sand Dune Sedimentary Architecture Is Key in Determining the “Slow-Gas Effect” during Gas Field Production Performance

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right