基于滑动窗口几何移动平均鞅算法在震前异常研究中应用.doc

基于滑动窗口几何移动平均鞅算法在震前异常研究中应用 　　摘要：在地震发生前往往存在各种异常现象，而如何有效地提取震前异常信息是非常重要的研究课题采用一种基于滑动窗口的几何移动平均鞅算法来进行震前异常特征提取该算法将地震数据进行几何移动平均鞅处理和滑动窗口特征抽取后，能够有效地提取地震震前异常数据的特征利用该算法对汶川地震和庐山地震震前的美国国家海洋和大气管理局（NOAA）卫星长波辐射信息进行了分析实验结果表明该算法能够发现震中区域比周边区域存在更明显的异常，这些异常信号可以辅助研究人员在震前确定地震区域 关键词：滑动窗口； 几何移动平均鞅； 地震； 异常分析； 特征抽取 中图分类号： TP311 文献标志码：A 0引言 地震前出现的各种异常现象，早已被国内外研究人员所关注国内外学者对一些大地震进行震前气温资料统计分析、震前地热现象调查，发现绝大多数地震前存在温度异常变化的现象然而，在20世纪中后期由于缺少合适的测量仪器和测量方法，以及调查数据有限，记载大多为人的感受情况，并且大多是地震前几天的信息，导致分析结论不具有通用性和可靠性进入21世纪后，随着卫星遥感技术的发展，卫星能够在短时间内获取覆盖全球的地表信息，具有宏观性、准实时性、客观性和高密度信息性等地面常规观测无可比拟的优势目前卫星遥感技术已经广泛地应用于地震科学研究，但缺乏有效的地震遥感数据处理技术来提取地震相关信息，大多数的地震卫星遥感数据没有被充分利用因此，研究卫星遥感数据震前异常变化识别、分析技术，能够为地震监测预报服务，减少地震灾害给人类带来的损失，具有极其重要的意义 近年来，数据挖掘技术已经广泛地应用于金融、商业、服务等领域，其应用范围也在向生物、化工、药物等自然科学技术领域扩展目前，国内外的学者已经开始探索将数据挖掘技术应用于地震研究领域Nemec等[1]用统计学的方法来研究DEMETER 卫星ELF/VLE信息的强度，实验结果表明震前信号强度具有统计意义上的微小减弱Marzocchi等[2]利用贝叶斯预估值和集成的方法来分析地震数据贝叶斯方法是一种概率统计方法，它主要利用先验知识来预估后面的值，进而估计地震发生的可能性Ma等[3]用LevenbergMarquardt算法和自适应人工神经网络来建模，并对发生在2008年的100个地震时间进行分析也有些研究者对地震前兆识别进行了研究，已经取得了许多地震前兆方面的研究成果，例如液体表面热通量前兆[4]、电磁信号前兆[1-2，5-6]和电地震前兆[7]Kuyuk等[8]用非监督学习（神经网络）方法来构建自组织映射并应用于识别微震和采石场爆破Giacco等[9]利用多层感知和支持向量机方法来将地震信息分成三类：爆炸性地震、山体滑坡和火山微震动信号Cervone等[10]利用信号处理和统计学的方法来研发海岸地震预警系统Sheskin等[11]提出非参数统计过程方法，用曼惠特尼U检验来判断2个不同数据块分布的均值是否相同，实验结果表明该方法比传统的T检验获得更好的效果，因为曼惠特尼U检验更适合于处理非高斯分布的数据Shebalin等[12]也提出了概率检验的方法来检验是否存在统计意义的预测结果Bi等[13-15]提出了基于粗糙集的对地震预测预报数据处理和小波极大值分析的地震数据处理等数据挖掘方法 可以将以上研究方法大致划分为三类：1）概率统计方法，如文献[1-2]等；2）信号处理方法，如文献[4-6]等；3）人工智能方法，如文献[3，8-9]等文献[10]综合利用信号处理和统计学的方法来研发海岸地震预警系统其中概率统计学的方法比较适合对某一个地震进行具体的分析，而人工智能的方法比较适合对许多地震进行训练学习进而得到相应的分析结果 本文基于概率统计学提出一种新的基于滑动窗口的几何移动平均鞅算法来进行震前异常分析将地震数据进行几何移动平均鞅处理和滑动窗口处理来抽取特征通过对汶川地震和庐山地震震前的 美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration， NOAA）卫星长波辐射信息进行分析，结果表明该算法能够发现震中区域比周边区域存在更明显的异常，这些异常信号可以辅助研究人员在震前确定地震区域 1基于滑动窗口的几何移动平均鞅算法法 2实验分析 从图2中可以看出，在地震前4月27日开始WM值存在明显的异常表1是各个网格地震前三天5月9—11日活动窗口异常值可以看出，如果把WM的阈值设定为1000，那在地震之前就可以发现大的异常存在，并且在地震区域震中旁边的2个网格4、7内的异常值明显比其他网格大文献[13]利用小波极大值分析方法也20080928汶川地震的射出长波辐射数据进行