中国地震科学实验场地震时空演变规律研究

通过分析某一区域地震事件的时空演化过程可以了解该区域地震的演化特征,为评估该地区地震的危险性提供依据。基于中国地震科学实验场2000年至2019年3.0级以上的地震事件数据,利用加权平均中心、标准差椭圆和全局空间自相关等空间统计学方法探索该地区地震事件的时空演变规律。结果表明:（1）汶川地震之后该地区地震的发生频次总体呈现出下降趋势,地震的活动性逐渐减弱。（2）地震加权平均中心呈现出"折返"型的移动规律,在东北-西南方向上来回震荡。（3）地震事件的空间分布呈现"东北-西南"格局走向,与映秀-北川断裂带的方向基本一致。（4）该地区地震事件的空间分布模式以聚集模式为主,且正处于上升阶段,但上升速度较为缓慢。     

Baytap-G潮汐分析辅助软件的设计与实现

基于C#.NET程序语言开发了一套可视化Baytap-G潮汐分析辅助软件,实现了参数、水位、气压等数据格式的自动转换与填充,潮汐参数等结果的提取、保存及绘制等。     

大数据环境下地震观测数据存储方案研究

大数据技术为处理海量地震观测数据提供了一种新的数据存储与计算模式。为了解决现有基于关系数据库存储方案的读写速度低、用户并发度低和可扩展性差等问题,以地震前兆观测数据为例,在详细分析业务需求的基础上,提出了基于HBase和Open TSDB的地震大数据存储方案,搭建了大数据测试平台,完成了不同存储方案下查询、插入性能实验和并发性实验。实验结果表明,与关系数据库存储方案相比,基于HBase和Open TSDB的存储方案具有很好的可扩展性和并发性,经过优化后的HBase存储方案具有更高的读取和存储性能。     

基于注意力机制LSTM的电离层TEC预测

电离层总电子含量(Total Electron Content,TEC)的监测与预报是空间环境研究的重要内容,对卫星通讯和导航定位等有重要意义.TEC值影响因素较多,很难确定精确物理模型来对其进行预测.本文设计了基于注意力机制的LSTM模型(Att-LSTM),采用过去24小时TEC观测数据对未来TEC进行预测.选择北半球东经100°上,每2.5°纬度选择一个位置,共计36个位置来验证本文提出模型的性能,并与主流的深度学习模型如DNN、RNN、LSTM进行对比实验.取得了如下成果：(1)在选定的36个地区未来2小时单点预测上,基于本文的Att-LSTM模型的TEC预测性能明显优于其他对比模型;(2)讨论了纬度对Att-LSTM预测未来2小时TEC值时性能的影响,发现在北纬0°到60°之间,Att-LSTM预测性能随着纬度的升高而略有降低,在北纬62.5°~87.5°之间,模型预测性能出现扰动,预测效果略差;(3)讨论了磁暴期和磁静期模型的预测性能,发现无论是磁暴期还是磁静期,本文模型预测性能均较好;(4)还讨论了对未来多时点预测效果,实验结果表明,本文所提出的模型对未来2、4个小时的预测拟合度R-Square均超过0.95,预测结果比较可靠,对未来6、8、10个小时预测拟合度最高为0.7934,预测拟合度R-Square下降迅速,预测结果不可靠.

     

应用卷积神经网络和自注意力机制识别地磁场干扰事件

随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。     

����ǰ�׹۲��豸ģ����ѵϵͳ���

????й?????????????缼??????????????????????????Socket??????????????????Java???????????????????????????????????????????????????????豸???????????????????????????????????????豸???????????????????????????????     

地磁时变观测数据中高压直流输电干扰事件多尺度表示及识别方法

高效准确地识别地磁时变观测数据中受高压直流输电干扰的波形对于提高地磁时变观测数据质量具有重要意义.然而, 由于高压直流输电干扰事件持续时间长短不一、干扰程度变化多样, 给识别任务带来巨大困难.为了能自动识别长短不同的高压直流输电干扰事件, 本文提出一种高压输电干扰事件的多尺度表示及识别方法: 利用小波技术具有多尺度的特性, 卷积神经网络具有自动特征提取的特性, 将二者结合, 设计了一个多输入卷积神经网络模型来识别地磁中的高压直流输电干扰事件.首先使用离散小波技术将地磁时变观测样本进行多尺度分解, 得到原始样本的多尺度表示, 再将分解后的多尺度地磁时变观测样本分别输入到含有多个输入分支的卷积神经网络中, 每个分支分别自动提取不同尺度的特征, 然后将多个尺度的特征融合, 并加入注意力机制来自适应计算每个尺度特征的权重, 对多尺度特征进行加权处理, 再采用全连接层和SoftMax层进行分类, 本文将该模型命名为CBAM-MCNN.在中国地震前兆台网中心提供的高压直流输电干扰样本上进行试验, 并将本文所提出模型的识别效果与现有的全卷积网络、残差神经网络、多输入卷积神经网络、IICM-HVDCT-CNN-LSTM进行了对比, 在5271条测试样本集上, 本文所提出的CBAM-MCNN模型识别准确率达到了97.14%, F₁值达到了97.12%, 远远高于其他4种对比模型.

     

基于深度神经网络的地磁观测数据高压直流输电干扰事件识别

随着越来越多高压直流输电线路的投入运行, 地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件, 本文基于卷积神经网络和长短期记忆神经网络, 提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据, 结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录, 制作高压直流输电干扰样本34360条, 正常样本34360条.模型在训练集上的准确率达到了94.12%, 验证集上的准确率达到了92.94%, 测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率, 为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.

     

地震前兆观测设备模拟通信软件关键技术研究

遵循"中国数字地震观测网络技术规程"相关标准,设计了一套基于Java语言的前兆观测设备模拟通信软件。介绍了通信指令原语、数据包格式定义以及模拟通信软件的总体设计,详述了模拟通信软件中的几个关键技术,包括如何同时模拟多个前兆设备,应用观察者设计模式实时更新设备状态信息,使用套接字技术和多线程技术启动或停止模拟设备,通过"心跳"线确认远端Socket是否关闭等。该软件可以模拟大多数"十五"前兆观测设备的通信原语,一方面为台站技术人员以及地震专业学生了解前兆设备的功能、通信指令、以及数据包的数据格式提供了一个模拟环境,有效地提高了教学效果和培训质量,另一方面也为开发前兆设备相关软件提供了模拟支撑环境。