基于不同核函数的2010年玉树地震滑坡空间预测模型研究

基于统计学习理论与地理信息系统(GIS)技术的地震滑坡灾害空间预测是一个重要的研究方向,其可以对相似地震条件下地震滑坡的发生区域进行预测.2010年4月14日07时49分(北京时间),青海省玉树县发生了Mw6.9级大地震,作者基于高分辨率遥感影像解译与现场调查验证的方法,圈定了2036处本次地震诱发滑坡,这些滑坡大概分布在一个面积为1455.3 km2的矩形区域内.本文以该矩形区域为研究区,以GIS与支持向量机(SVM)模型为基础,开展基于不同核函数的地震滑坡空间预测模型研究.应用GIS技术建立玉树地震滑坡灾害及相关滑坡影响因子空间数据库,选择高程、坡度、坡向、斜坡曲率、坡位、水系、地层岩性、断裂、公路、归一化植被指数(NDVI)、同震地表破裂、地震动峰值加速度(PGA)共12个因子作为地震滑坡预测因子.以SVM模型为基础,基于线性核函数、多项式核函数、径向基核函数、S形核函数等4类核函数开展地震滑坡空间预测研究,分别建立了玉树地震滑坡危险性指数图、危险性分级图、预测结果图.4类核函数对应的模型正确率分别为79.87%,83.45%,84.16%,64.62%.基于不同的训练样本开展模型训练与讨论工作,表明径向基核函数是最适用于该地区的地震滑坡空间预测模型.本文为地震滑坡空间预测模型中核函数的科学选择提供了依据,也为地震区的滑坡防灾减灾工作提供了参考.     

基于ε-SVR的滑坡位移预测

我国是一个地质灾害多发的国家,特别是滑坡发生的次数比较多、危害性比较大。因此对滑坡的位移进行监控预测有着十分重要的意义。对于滑坡位移变化的非线性问题,可以利用支持向量机在回归分析中的方法——ε-支持向量回归机（ε-SVR）进行预测,该方法基于统计学理论,在处理小样本、非线性、高维数等问题上有一定的优势。以福建八尺门滑坡的监测数据为例,将前面的17个位移数据作为学习样本,后面的6个位移数据作为预测样本,采用不同的核函数分别进行位移预测来与原始监测值进行对比,比较其预测精度。结果显示,该方法产生的预测值与原始监测值之间的误差比较小,其位移变化趋势与原始数据的变化趋势也基本一致,这说明该方法预测精度高,实用性强。     

基于证据权方法的玉树地震滑坡危险性评价

玉树地震诱发了2 036处滑坡。应用地理信息系统与遥感技术,选取与地表破裂距离、峰值加速度(PGA)、高程、坡度、坡向、曲率、坡位、与水系距离、岩性、与断裂距离、与公路距离、归一化植被指数(NDVI)等12个因素作为玉树地震滑坡危险性评价因子,采用加法与减法2种证据权方法,开展玉树地震滑坡危险性评价研究工作。结果表明:基于加法证据权方法得到评价结果的正确率为80.32%,基于减法证据权方法得到结果的正确率为80.19%。将滑坡危险性评价结果图分为极高危险区、高危险区、中危险区、低危险区与极低危险区5类。这一成果可划分出滑坡危险区,为灾后滑坡防治、基础设施重建与自然环境保护提供参考。     

玉树地震滑坡分布调查及其特征与形成机制

2010年4月14日青海省玉树县发生了MS7.1地震.文中基于现场考察与遥感影像目视解译的方法,对玉树地震滑坡进行分析,并制作了玉树地震滑坡空间分布图.结果表明,该地震触发了约2 036处滑坡灾害,总面积约1.194km2;地震滑坡分布受主地表破裂控制作用强烈;滑坡类型多样,但以崩塌型滑坡为主;滑坡有5种成因机制:人工开挖坡脚型、地表水入渗致坡体震动滑动型、断裂错断震动型、震动型、后期冰雪融化或降雨入渗型;除地震主地表破裂外,还有许多坡体裂缝,主要分布在主地表破裂带SE端的SW盘,该部位在地震中受到了强烈的挤压作用.     

1738年青海玉树地震考证及其与2010年玉树7.1级地震关系探讨

2010年4月14日在青海玉树发生的Ms7.1级地震造成了严重的人员伤亡和重大的财产损失.根据现场考察结果,本次地震形成了长约51km的地震地表破裂带,性质为左旋走滑,最大水平位错约1.8m,其发震断裂为甘孜-玉树断裂的玉树段.在此之前,于1738年12月23日前在玉树附近还发生过另外一次大地震,造成全户伤亡无存或不堪...     

2010年玉树地震多参量热异常研究

本文对玉树地震前后的热异常多参量变化进行分析研究,主要包括长波辐射（Outgoing Longwave Radiation）,地表温度（Land Surface Temperature）,NCEP地面气温（National Center for Environmental Prediction）和地下水温。研究结果证实玉树地震前确实存在热异常现象。在多参量中,地下水温最早出现异常并且异常持续时间最长;其次出现热异常的是反映地表介质辐射属性的长波辐射;地表温度出现热异常的时间要晚于长波辐射;NCEP地面温度反映了一定垂直厚度的平均大气温度,因此最晚出现热异常现象。同时,玉树地震前的多参量热异常区域都位于震中南部或西南部。     

2010年青海玉树7.1级地震能量场研究

采用自然正交函数展开方法,分析了2010年4月14日青海玉树7.1级地震前震中周围区域和沿玉树断裂带地震能量场的时间变化.结果表明,青海玉树7.1级地震发生在高能量释放的背景上.震中周围区域几个主要典型场的时间因子以平稳变化为主要特征,但在地震发生前,主要典型场的时间因子出现明显的中短期异常变化,异常以尖点突跳为主要特点.第一个典型场的时间因子在震前3年出现大幅度异常,表现出相对于背景场能量增高的释放图像;其余典型场异常则表现出突出的短临异常特征,出现在震前1～3月,表现为大幅度短期异常变化.可能表明地震活动结构的变化出现得较早,而临震时场的变化主要表现为扰动.沿玉树断裂带主要典型场时间因子异常均出现在震前2～3年,可能表明孕震区场的异常变化也会较早出现.典型场时间因子异常特征与以往关于能量场方面开展的工作所得结果类似.     

基于支持向量机回归的宁夏地震前兆综合预测模型研究

将支持向量机方法应用于宁夏及其邻近区域的地震综合预测研究中,通过建立基于多种地震前兆异常的地震综合预测模型,初步探讨了支持向量机方法在宁夏地震综合预测中的应用情况。研究结果表明利用支持向量机形成的地震综合预测模型对宁夏及周边地区可能发生的地震震级具有一定的预测能力。     

玉树地震前不同空间范围内地震活动分布特征研究

北京时间2010年4月14日7时49分青海省玉树藏族自治州玉树县发生7.1级地震。 本文利用Kolmogorow-Smirnov分布检验法, 对玉树地区不同空间范围内1995—2010年小震月频次分布进行了检验, 得到玉树周边地区不同空间范围内小震月频次不服从正态分布和泊松分布, 并根据峰度、 偏度、 标准差σ、 C_V值以及b_m等统计参数, 对玉树周边不同空间范围内小震活动分布特征的时间变化进行了进一步分析。 结果显示, 在玉树地震前, 不同空间范围内小震月频次的峰度、 偏度、 标准差σ、 C_V值以及b_m等均表现出明显的异常变化。     

地震空间分布函数的确定方法研究

选取了几个反央西南地区地震活动的时间和空间特征的因子，因子量化全部建立在因子与实际地震发生的统计关系上，使因子具有一定的概率预报意义和相互对比的基础，另外还对部分因子的预报效能了作评估和修正，采用３种方法分别求出了３套地震空间分布函数，并作了要相互比较。     

玉树地震滑坡分布调查及其特征与形成机制

On April 14, 2010 at 07:49 (Beijing time), a catastrophic earthquake with MS7.1 occurred at the central Qinghai-Tibetan Plateau. The epicenter was located at Yushu county, Qinghai Province, China. A total of 2036 landslides were determined from visual interpretation of aerial photographs and high resolution remote sensing images, and verified by selected field investigations. These landslides covered a total area of about 1.194km2. Characteristics and failure mechanisms of these landslides are listed in this paper, including the fact that the spatial distribution of these landslides is controlled by co-seismic main surface fault ruptures. Most of the landslides were small scale, causing rather less hazards, and often occurring close to each other. The landslides were of various types, including mainly disrupted landslides and rock falls in shallows and also deep-seated landslides, liquefaction induced landslides, and compound landslides. In addition to strong ground shaking, which is the direct landslide triggering factor, geological, topographical, and human activity also have impact on the occurrence of earthquake triggered landslides. In this paper, five types of failure mechanisms related to the landslides are presented, namely, the excavated toes of slopes accompanied by strong ground shaking; surface water infiltration accompanied by strong ground shaking; co-seismic fault slipping accompanied by strong ground shaking; only strong ground shaking; and delayed occurrence of landslides due to snow melt or rainfall infiltration at sites where slopes were weakened by co-seismic ground shaking. Besides the main co-seismic surface ruptures, slope fissures were also delineated from visual interpretation of aerial photographs in high resolution. A total of 4814 slope fissures, with a total length up to 77.1km, were finally mapped. These slope fissures are mainly distributed on the slopes located at the southeastern end of the main co-seismic surface rupture zone, an area subject to strong compression during the earthquake.     

地磁转换函数在上海及邻近地区地震预报中的应用

地磁转换函数的变化已被广泛用于中短期地震预报。本文利用佘山地震台１９７７￣１９９６年和崇明地震台１９８３￣１９９６年的地磁短周期资料处理所得的转换函数变化,监视跟踪上海及邻近地区地震活动。通过几次中强地震震例的总结,提出用地磁转换函数方法来预报上海及其邻近地区地震的一些判断。用此方法,曾较好地预报过１９９０年常熟５．１级地震和１９９６年长江口以东海中６．１级地震。     

地磁复转换函数在地震短临预测中的初步应用研究

采用"复转换函数"方法,应用地磁脉动信号,对天津静海地磁台地磁脉动资料,计算出各种周期的转换函数值,利用拉格朗日(Lagrange)乘数方法和单位矢量方法,推导出转换函数实部和虚部的误差估计公式,在复数最小二乘法中,采用稳健(robust)统计方法减少个别估计值的影响,分析地磁转换函数Au异常.初步结果表明:复转换函数信息更丰富,对地下电性介质的变化反应更全面、更精确,是值得深入研究的一种好的地震短临预报方法.     

地震预警现地PGV连续预测的最小二乘支持向量机模型

为提升现地仪器地震烈度预测的准确性与连续性,研究面向地震预警的PGV连续预测模型.以中国仪器地震烈度标准的计算参数：0.1~10 Hz带通滤波三分向矢量合成速度峰值PGV为预测目标,利用日本K-net与KiK-net台网P波触发后1~10 s强震数据,基于人工智能中的机器学习方法-最小二乘支持向量机,选取7种特征参数作为输入构建最小二乘支持向量机PGV预测模型LSSVM-PGV.结果表明,本文建立的LSSVM-PGV模型在训练数据集与测试数据集上的预测误差标准差变化趋于一致,具备泛化性能;P波触发后3 s预测PGV与实测PGV即可整体符合1：1关系,随着时间窗的增长,PGV预测的误差标准差显著减小、并在P波触发后6 s趋向收敛,具备准确连续预测能力;对比同为P波触发后3 s的常用Pd-PGV模型,LSSVM-PGV模型的PGV预测误差标准差明显减小,"小值高估"与"大值低估"现象明显改善,预测准确性得到提升.熊本地震序列的震例分析表明,对于6.5级以下地震,LSSVM-PGV模型最多在P波触发后3 s即可预测出与实测PGV整体符合1：1关系的PGV;对于7.3级主震,由于其破裂过程的复杂性,P波触发后3 s的预测结果出现一定程度的低估,但随着时间窗增长至6 s时,预测PGV与实测PGV符合1：1关系、并直到10 s整体趋势保持一致.本文构建的LSSVM-PGV模型可用于现地地震预警仪器地震烈度的预测.     

水氡浓度和环境参数的分层神经网络研究

采用分层神经网络（LNN）分析地下水的氡浓度,试图给出氡浓度和环境参数之间的函数关系。由于环境（例如：降雨量）对水氡浓度的影响可能是非线性的,与目前时间脉冲响应线性计算方法相比,该方法能够较准确的估计环境参数造成的氡浓度变化。     

基于支持向量机的2021年2月13日日本福岛近海Mj7.3级地震震级估算

2021年2月13日日本福岛县近海发生M_j7.3级地震,触发了日本气象厅地震预警系统,系统在首台触发后5.6s发出震级为M_j6.3级的预警第1报,首台触发后10s对公众发布警报、预警震级为M_j6.4级。基于多类型特征参数输入的机器学习支持向量机震级估算模型（SVM-M）,利用2021年2月13日日本福岛县近海M_j7.3级地震获取的日本K-net强震动观测数据,分析SVM-M模型在该次地震中首台触发初期（首台触发后1~10s）的震级估算效能。结果表明:SVM-M震级估算模型,在首台触发后1s即可给出M_j6.3级的震级估算结果,与日本气象厅在首台触发后5.6s发布的预警第1报震级相同;随着时间窗的增加,首台触发后5s和10s,SVM-M模型的震级估算结果分别是M_j6.7级和M_j6.6级,均大于日本气象厅首台触发后10s对公众发布警报的预警震级。该次地震的离线模拟结果表明:SVM-M模型可在地震发生初期有效提高地震预警震级确定的准确性和时效性。