[發(fā)明專利]一種基于人工智能技術(shù)的張衡一號(hào)震前異常信號(hào)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110753558.7
• 申請(qǐng)日: 2021-07-02
• 公開（公告）號(hào): CN113361476B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 熊攀
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地震局地震預(yù)測(cè)研究所
• 主分類號(hào): G06F18/241
• 分類號(hào): G06F18/241;G06F18/213;G06F18/10;G06N3/0464;G06N3/0442;G06N3/084;G06N3/045;G06N3/096
• 代理公司: 北京邦創(chuàng)至誠(chéng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11717
• 代理人: 張宇鋒

本發(fā)明公開了一種基于人工智能技術(shù)的張衡一號(hào)震前異常信號(hào)識(shí)別方法，該方法包括S1：衛(wèi)星數(shù)據(jù)獲取及預(yù)處理，S2：電離層地震異常識(shí)別模型建立，S3：利用遷移學(xué)習(xí)構(gòu)建張衡一號(hào)多參數(shù)地震異常識(shí)別模型，S4：地震監(jiān)測(cè)應(yīng)用效能評(píng)價(jià)。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：將已經(jīng)學(xué)到的、訓(xùn)練好的震前異常識(shí)別模型參數(shù)通過(guò)遷移學(xué)習(xí)，構(gòu)建基于張衡一號(hào)衛(wèi)星的地震異常識(shí)別新模型；最后，利用張衡一號(hào)實(shí)測(cè)數(shù)據(jù)開展地震遙感監(jiān)測(cè)應(yīng)用，依據(jù)應(yīng)用效能評(píng)價(jià)反饋，調(diào)整模型參數(shù)、優(yōu)化模型，能提取震前張衡一號(hào)衛(wèi)星的異常信息。

技術(shù)領(lǐng)域

本發(fā)明涉及衛(wèi)星震前異常信號(hào)識(shí)別技術(shù)領(lǐng)域，具體為一種基于人工智能技術(shù)的張衡一號(hào)震前異常信號(hào)識(shí)別方法。

背景技術(shù)

2004年6月，法國(guó)發(fā)射第一顆專門用于監(jiān)測(cè)地震與火山電離層擾動(dòng)的衛(wèi)星DEMETER，衛(wèi)星在軌運(yùn)行6年，為地震電離層提供了寶貴的數(shù)據(jù)資源，迄今為止，基于這顆衛(wèi)星發(fā)表的文章已經(jīng)超過(guò)300篇，其中針對(duì)地震異常研究的論文130余篇。我國(guó)于2018年2月成功發(fā)射了張衡一號(hào)電磁地震衛(wèi)星，標(biāo)志著我國(guó)成為擁有空間地球物理場(chǎng)探測(cè)衛(wèi)星的國(guó)家之一，張衡一號(hào)電磁衛(wèi)星發(fā)射至今，中國(guó)電磁衛(wèi)星團(tuán)隊(duì)全方位開展了電磁衛(wèi)星數(shù)據(jù)分析及地震應(yīng)用研究，目前還沒有一套完善高效的張衡一號(hào)震前異常信號(hào)識(shí)別方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于人工智能技術(shù)的張衡一號(hào)震前異常信號(hào)識(shí)別方法，以解決的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：包括S1：衛(wèi)星數(shù)據(jù)獲取及預(yù)處理，S2：電離層地震異常識(shí)別模型建立，S3：利用遷移學(xué)習(xí)構(gòu)建張衡一號(hào)多參數(shù)地震異常識(shí)別模型，S4：地震監(jiān)測(cè)應(yīng)用效能評(píng)價(jià)；

S1步驟：選取能夠反映各圈層地震前電離層異常變化的法國(guó)DEMETER電磁衛(wèi)星和張衡一號(hào)衛(wèi)星參數(shù)，所述衛(wèi)星參數(shù)包括運(yùn)行軌跡和衛(wèi)星數(shù)據(jù)，空間范圍為全球，每個(gè)地震選取的數(shù)據(jù)初始時(shí)間長(zhǎng)度為震前15天到震后5天，初始空間范圍為距離震中Dobrovolsky距離R范圍內(nèi)，其中R＝10^0.43M，另外選取全球范圍、時(shí)空均勻分布的非震事件，即模擬地震，選取數(shù)據(jù)的時(shí)間、空間范圍與真實(shí)地震一致，利用滑動(dòng)時(shí)間窗分別獲取電子密度、電子溫度的原始時(shí)間序列，并利用深度學(xué)習(xí)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征，初始研究的滑動(dòng)窗長(zhǎng)度，即連續(xù)數(shù)據(jù)點(diǎn)的長(zhǎng)度，設(shè)置為20，形成非重疊的時(shí)序滑動(dòng)窗數(shù)據(jù)，剔除任一數(shù)據(jù)對(duì)應(yīng)磁情指數(shù)Kp大于3.0的滑動(dòng)窗；

S2步驟：經(jīng)過(guò)步驟S1的數(shù)據(jù)預(yù)處理后，基于CNN-BiLSTM深度學(xué)習(xí)網(wǎng)絡(luò)建立DEMETER衛(wèi)星電離層多參數(shù)地震異常識(shí)別模型，提取模型學(xué)習(xí)的地震與非震特征，基于IBPT分類器構(gòu)建地震異常識(shí)別深度學(xué)習(xí)模型，對(duì)2005年到2010年法國(guó)DEMETER電磁衛(wèi)星的電離層多參數(shù)時(shí)序特征樣本進(jìn)行訓(xùn)練建模，按照地震發(fā)生的時(shí)間順序，前80％地震對(duì)應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練集，后20％的地震對(duì)應(yīng)的樣本數(shù)據(jù)作為測(cè)試集,利用CNN-BiLSTM深度學(xué)習(xí)模型的神經(jīng)網(wǎng)絡(luò)直接通過(guò)電離層多參數(shù)時(shí)序數(shù)據(jù)自動(dòng)學(xué)習(xí)特征，利用初始層數(shù)為3的CNN網(wǎng)絡(luò)層提取局部平行特征，采用由多個(gè)記憶模塊構(gòu)成的BiLSTM模型對(duì)長(zhǎng)距離依賴特征進(jìn)行特征提取，序列學(xué)習(xí)，每個(gè)模塊由兩個(gè)細(xì)胞的拓?fù)浣Y(jié)構(gòu)構(gòu)成；最后通過(guò)全連接層和Softmax分類器獲得分類結(jié)果，在此基礎(chǔ)上，刪除CNN-BiLSTM模型的最后兩層，提取模型學(xué)習(xí)到的電離層多參數(shù)地震與非震特征，利用IBPT分類器模型，最終區(qū)分地震與非震特征；

S3步驟：對(duì)張衡一號(hào)衛(wèi)星的多參數(shù)時(shí)序特征樣本切分訓(xùn)練集和測(cè)試集，同樣按照地震發(fā)生的時(shí)間順序，前80％地震對(duì)應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練集，后20％作為測(cè)試集，在此基礎(chǔ)上，將已經(jīng)學(xué)到的、訓(xùn)練好的基于DEMETER電磁衛(wèi)星樣本的CNN-BiLSTM深度學(xué)習(xí)模型參數(shù)，以及IBPT分類器模型參數(shù)遷移到張衡一號(hào)電磁衛(wèi)星電離層多參數(shù)，形成新的分類模型，最后，利用得到的權(quán)重參數(shù)初始化其余網(wǎng)絡(luò)層的參數(shù)，并通過(guò)調(diào)整損失函數(shù)、優(yōu)化器函數(shù)等模型參數(shù)來(lái)來(lái)修正和提高模型準(zhǔn)確率，構(gòu)建新的地震異常識(shí)別模型；