本發(fā)明涉及地震異常信號識別，特別涉及一種基于張衡一號衛(wèi)星多參數(shù)數(shù)據(jù)的地震異常智能識別方法。

背景技術(shù)：

1、地震預(yù)測一直是全球科學(xué)研究的難點和重點，尤其在探測地震前的電離層異常信號時，如何有效地進行準確識別仍然存在技術(shù)瓶頸。傳統(tǒng)的地震監(jiān)測手段主要依賴于地面觀測設(shè)備，雖可提供局部的地震信息，但難以覆蓋大范圍地震前兆的動態(tài)和連續(xù)數(shù)據(jù)。隨著遙感衛(wèi)星技術(shù)的發(fā)展，特別是張衡一號衛(wèi)星的發(fā)射，為從空間大范圍觀測地震前后電離層及其他物理變化提供了新途徑。張衡一號衛(wèi)星能夠捕捉電離層電子密度、電場、磁場等多個參數(shù)的時空變化，為識別震前電離層擾動提供了有力支持。然而，如何充分利用這些多參數(shù)數(shù)據(jù)，實現(xiàn)對地震異常的智能識別，仍是亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出了一種基于張衡一號衛(wèi)星多參數(shù)的地震異常智能識別方法，旨在解決現(xiàn)有技術(shù)中電離層異常檢測精度不足、地震預(yù)測效果不佳以及數(shù)據(jù)處理復(fù)雜等問題。該方法通過四個關(guān)鍵步驟實現(xiàn)了高效準確的地震異常識別。

2、步驟一：多參數(shù)衛(wèi)星數(shù)據(jù)獲取與預(yù)處理。本步驟充分利用張衡一號衛(wèi)星提供的豐富數(shù)據(jù)資源，包括電子密度、電子溫度、磁場強度等多項參數(shù)。通過一系列精細的數(shù)據(jù)處理技術(shù)，如去噪、標準化和缺失值補全，確保了數(shù)據(jù)的時空連續(xù)性和質(zhì)量。這一步驟為后續(xù)的分析和特征提取奠定了堅實基礎(chǔ)，顯著提高了數(shù)據(jù)的可用性和可靠性。

3、步驟二：基于深度學(xué)習(xí)模型的震前特征提取。作為本方法的核心創(chuàng)新點，該步驟巧妙地結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（cnn）和雙向長短期記憶網(wǎng)絡(luò)（bi-lstm）的優(yōu)勢。cnn有效捕捉電離層擾動的空間特征，而bi-lstm增強了模型對長時間序列數(shù)據(jù)的處理能力，使其能夠捕獲復(fù)雜的時間依賴關(guān)系。此外，本步驟還創(chuàng)新性地引入了遷移學(xué)習(xí)技術(shù)，利用demeter衛(wèi)星的歷史數(shù)據(jù)對模型進行預(yù)訓(xùn)練，再通過張衡一號的最新數(shù)據(jù)進行微調(diào)，顯著提升了模型的泛化能力和適應(yīng)性。

4、步驟三：震前異常信號的識別與分析。在這一步驟中，本方法采用了先進的智能識別算法，對提取的特征進行深入分析，以檢測震前是否存在異常擾動信號。通過將識別結(jié)果與實際震例數(shù)據(jù)及電離層擾動數(shù)據(jù)進行時空相關(guān)性分析，本方法不僅能夠準確識別異常信號，還能深入評估這些信號與地震活動之間的潛在關(guān)聯(lián)。這一步驟為地震預(yù)測提供了更加可靠的科學(xué)依據(jù)，大大提高了預(yù)警的準確性和及時性。

5、步驟四：模型優(yōu)化與地震預(yù)測評估。最后一個步驟采用了一系列先進技術(shù)來提升模型的性能和可靠性。通過精細的超參數(shù)調(diào)優(yōu)和遷移學(xué)習(xí)策略，顯著提高了模型的檢測準確性和穩(wěn)定性。同時，本方法還在不同震級和地理區(qū)域的地震數(shù)據(jù)上進行了廣泛驗證，采用roc曲線、auc值等多種評估指標，全面驗證了模型的魯棒性和適用性。這一步驟確保了模型在實際應(yīng)用中的可靠性和預(yù)測精度。

6、與現(xiàn)有技術(shù)相比，本發(fā)明通過整合張衡一號衛(wèi)星的多源數(shù)據(jù)，結(jié)合先進的深度學(xué)習(xí)和遷移學(xué)習(xí)技術(shù)，顯著提高了地震前兆電離層異常的檢測精度。該方法不僅在跨區(qū)域、跨震級的適應(yīng)性上表現(xiàn)卓越，還能夠大范圍、精準地捕捉電離層異常信號。更重要的是，本發(fā)明的應(yīng)用范圍不局限于中國區(qū)域，還可推廣至全球范圍的地震監(jiān)測和預(yù)測，展現(xiàn)了廣闊的應(yīng)用前景和重要的實用價值。

7、通過這種創(chuàng)新的方法，本發(fā)明為地震預(yù)警系統(tǒng)的發(fā)展提供了新的思路和有力工具，有望在減少地震災(zāi)害、保護人民生命財產(chǎn)安全方面發(fā)揮重要作用。它不僅提高了地震預(yù)測的準確性，還為相關(guān)領(lǐng)域的研究人員提供了寶貴的數(shù)據(jù)分析方法，推動了地震科學(xué)的整體發(fā)展。未來，隨著更多衛(wèi)星數(shù)據(jù)的積累和算法的進一步優(yōu)化，這種方法有望在全球范圍內(nèi)建立更加完善和可靠的地震預(yù)警網(wǎng)絡(luò)，為人類應(yīng)對地震災(zāi)害提供強有力的科技支持。

技術(shù)特征：

1.一種基于張衡一號衛(wèi)星多參數(shù)的地震異常智能識別方法，其特征在于，包括以下步驟：步驟一，獲取和預(yù)處理多參數(shù)衛(wèi)星數(shù)據(jù)；步驟二，基于深度學(xué)習(xí)模型提取震前電離層擾動特征并進行分析；步驟三，提取和智能識別地震異常信息；步驟四，優(yōu)化模型并評估地震預(yù)測性能。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟一中，衛(wèi)星數(shù)據(jù)的預(yù)處理包括對電子密度、電子溫度、電場、磁場等參數(shù)進行時間序列分段處理，確保數(shù)據(jù)的時空連續(xù)性；使用濾波技術(shù)去除噪聲信號，采用滑動窗口法消除短期偶發(fā)異常；對多參數(shù)進行歸一化處理，確保不同物理量之間的對比一致性；使用插值算法補全因空間或衛(wèi)星硬件問題引起的數(shù)據(jù)缺失。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述步驟二中，基于深度學(xué)習(xí)模型的震前電離層擾動特征提取與分析包括構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（cnn）與雙向長短期記憶網(wǎng)絡(luò)（bi-lstm）相結(jié)合的深度學(xué)習(xí)模型，形成序列到序列（seq2seq）框架；其中，cnn用于提取空間特征，識別電離層擾動的局部變化；bi-lstm用于捕捉長時間跨度的數(shù)據(jù)依賴關(guān)系，提升識別能力；引入輔助注意力機制，增強對關(guān)鍵特征的捕捉；結(jié)合遷移學(xué)習(xí)技術(shù)，利用demeter衛(wèi)星數(shù)據(jù)預(yù)訓(xùn)練模型，再在張衡一號衛(wèi)星數(shù)據(jù)上進行微調(diào)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，深度學(xué)習(xí)模型的優(yōu)化包括采用交叉驗證和網(wǎng)格搜索對超參數(shù)進行調(diào)優(yōu)，提升模型的魯棒性和準確性；采用adamw優(yōu)化算法和動態(tài)學(xué)習(xí)率調(diào)整策略，確保模型的快速收斂和穩(wěn)定性。

5.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述步驟三中，地震異常信息的提取與智能識別包括利用模型提取的特征，檢測震前異常信號；結(jié)合區(qū)域震例和電離層擾動數(shù)據(jù)，評估異常信號的時空分布特征；采用馬氏距離或相關(guān)系數(shù)的方法，與歷史震例數(shù)據(jù)庫對比，自動識別和標注異常信號。

6.根據(jù)權(quán)利要求1至5任一項所述的方法，其特征在于，所述步驟四中，模型的優(yōu)化及地震預(yù)測性能評估包括采用roc曲線、auc值、f1-score、mcc等指標對模型性能進行評估，確保實際應(yīng)用中的可靠性和預(yù)測精度；基于不同震級和區(qū)域的地震數(shù)據(jù)，驗證模型的適用性；結(jié)合衛(wèi)星軌道參數(shù)，優(yōu)化數(shù)據(jù)的區(qū)域覆蓋，提升模型在不同地理環(huán)境中的適應(yīng)能力。

7.根據(jù)權(quán)利要求1至6任一項所述的方法，其特征在于，通過衛(wèi)星數(shù)據(jù)和地面觀測數(shù)據(jù)的融合，使用生成對抗網(wǎng)絡(luò)（gan）對異常數(shù)據(jù)進行合成與補全，擴展訓(xùn)練數(shù)據(jù)集的規(guī)模，解決數(shù)據(jù)稀缺問題。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，在多次模型訓(xùn)練過程中，采用動態(tài)學(xué)習(xí)率調(diào)整策略，結(jié)合adamw優(yōu)化算法，確保模型的快速收斂和穩(wěn)定性。

技術(shù)總結(jié)
本發(fā)明公開了一種基于張衡一號衛(wèi)星多參數(shù)的地震異常智能識別方法，包括以下步驟：步驟一.獲取和預(yù)處理多參數(shù)衛(wèi)星數(shù)據(jù)；步驟二.基于深度學(xué)習(xí)模型提取震前電離層擾動特征并分析；步驟三.提取和智能識別地震異常信息；步驟四.優(yōu)化模型并評估地震預(yù)測性能。該方法通過獲取張衡一號衛(wèi)星提供的電離層等參數(shù)數(shù)據(jù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)（Bi?LSTM），利用深度學(xué)習(xí)技術(shù)識別震前電離層擾動異常。與現(xiàn)有技術(shù)相比，本發(fā)明通過集成多參數(shù)遙感數(shù)據(jù)和深度學(xué)習(xí)模型，有效提高了震前地震異常信號的識別精度；結(jié)合遷移學(xué)習(xí)技術(shù)，進一步提高了在訓(xùn)練數(shù)據(jù)較少情況下的識別效果。

技術(shù)研發(fā)人員：熊攀,陳江河
受保護的技術(shù)使用者：中國地震局地震預(yù)測研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30