论文部分内容阅读
地震是一种能给人类社会带来灾难的自然现象,极具破坏性的地震会给国家和地区带来严重的经济损失和人员伤亡。地震预测虽然是一个科学难题,但是研究人员并未停下探索的脚步。短临地震预测目前还处于探索阶段,其预测水平与社会需求相距甚远。为此我国自二十世纪八十年代开始建设地震台网,到现在已经积累大量高精度前兆观测数据,涵盖形变、地电、地磁、重力、流体等学科。本文通过研究分析前兆观测数据,考虑到地震的孕育和发生之间高度的非线性特点以及人工选取地震活动性参数的主观性,同时受到卷积神经网络技术的启发,以地震较多的川滇地区为研究区域,基于形变、电磁、水位等历史观测数据,提出一种基于卷积神经网络的短临地震预测模型,并与基于BP神经网络、支持向量机的地震预测算法的结果进行了对比研究。结果表明,本研究提出的预测模型在地震震级和区域预测中具有更高的准确率和召回率,分别能达到95.0%和84.1%,这为地震预测研究供了一种新的地震预测方法。本文的主要研究工作及成果如下:1)提出了一种基于聚类算法的地震预测区域划分方法位置预测是地震预测的一个重要组成部分。本文选取川滇地区中26.50°N~30.00°N,100.00°E~105.50°E的区域,在如此大范围内即使准确预测出未来发生地震的时间与震级大小,其现实价值也是大打折扣,故有必要将研究区域划分为几个子区块。理论上,通过聚类算法分类后的块内数据属性接近,不同块间的属性差异较大,因此本文使用K-means++算法对该区域内历史地震按照发震位置进行聚类,将该区域划分为6个子区块。2)提出了一种基于多测项前兆观测数据融合的地震预测方法目前地震预测研究使用的数据多数为地震活动性参数,部分使用地震目录数据,而用前兆观测数据的预测研究也多都使用某一个测项。前兆数据多测项组合是本文的一个创新点。地震发生前,可能对某个测项数据有明显影响,也可能不明显。只使用某一测项进行预测就会丢失其它测项可能包含的异常信息。基于此,本文将地磁、形变、水位等三大学科数据组成的多通道数据用于预测地震震级和区域,通过数据增强、参数调优等方式最终将准确率提高到95%。3)提出了一种基于前兆观测数据的卷积神经网络地震预测方法由于卷积神经网络具有强大的自动特征提取能力,再结合合适的网络结构以及超参数,使得基于卷积神经网络的模型在图像识别、时间序列分类等任务中表现突出。前兆观测数据本质上属于时间序列数据,本文根据前兆观测数据特点和具体业务需求,将地震位置和震级的预测转化为时间序列分类问题,设计了一种基于前兆观测数据的卷积神经网络地震预测方法,并通过定量分析优化超参数,最后该方法能在保证震级预测具有较高准确率的同时能有不错的区域预测能力。4)构建了一种可以同时预测发震区域和震级的预测模型现有基于机器学习的地震预测方法大都侧重于预测下一次发生地震的震级,而同时针对地震发生区域和震级的预测研究较少。本文结合卷积神经网络的特性设计出一种模型,该模型由多测项观测数据作为输入,经过卷积层、BN层、池化层和两层全连接层组成的隐含层,输出为预测地震发生的区域和震级范围的标签,获得了较高的预测准确率和召回率。