基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。     

地震报道中死亡人数估计方法的适用性分析

基于国内外8次地震报道死亡人数的统计数据,采用修正指数曲线、龚铂茨曲线、罗吉斯蒂曲线分别进行震后死亡人数估计。对比分析表明三种模型均适合地震报道死亡人数估计;用剔除前两个拟合值后的拟合精度作为预测误差在实际应用中具有实际参考价值。对中国3次强震报道死亡人数拟合结果分析显示,联合三种模型,采用相对误差较小的模型为主、另两种模型为参考的方法进行最终死亡人数预测,可为抗震救灾指挥部署提供参考依据。     

基于样本增强的卷积神经网络震相拾取方法

为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。      

基于公里网格单元的地震滑坡人员死亡率评估模型——以2014年鲁甸MS6.5地震为例

为提高地震人员伤亡预评估的准确性,完善地震灾害损失评估模型,科学评估地震地质灾害可能造成的人员伤亡数量,以2014年鲁甸MS6.5地震滑坡人员死亡数据为样本,建立了一种基于公里网格单元的地震滑坡人员死亡率logistic回归模型。采用F检验法对所建模型的合理性进行检验,计算得到的F值无限接近于1,表明模型无限接近于完全模型,具有极好的数学统计意义。根据模型评估的死亡率反演得到鲁甸地震灾区滑坡致死人数为233人,比实际少17人,总精确度为93.20%,实际死亡人数与模型识别人数在空间上也有很好的一致性,说明计算得到的地震滑坡人员死亡率是实际死亡人数的良好指标。     

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、运算量大、模型训练烦琐等问题,构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型,采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分,将贡献率较大的主成分作为支持向量机的输入变量,以地震伤亡人数作为输出变量,利用GA对SVM模型性能参数进行优化,建立基于PCA-GA-SVM的地震伤亡人数预测模型,并对测试样本进行预测,结果表明:与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高4.73%、 1.14%、 9.99%和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高,泛化能力强,能够科学合理地对地震伤亡人数作出预测。     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.     

基于高精度房屋、人口数据的地震压埋人员和紧急搜救区评估模型研究

为了在地震应急服务管理中能快速计算因房屋倒塌造成人员压埋数量和紧急搜救区空间分布的准确信息,以鲁甸地震和彝良地震为研究样本,建立基于房屋、人口数据的地震压埋人员和紧急搜救区评估模型。根据评估模型反演鲁甸地震因房屋倒塌造成的压埋人员总数为396人,比实际伤亡少86人,误差率为17.50%;评估模型反演彝良地震因房屋倒塌造成的压埋人员总数为15人,比实际伤亡多3人,误差率为25.00%。根据模型计算得到鲁甸地震共有8个紧急搜救区,紧急搜救区面积占地震灾区总面积的0.37%,这8个紧急搜救区内因房屋倒塌造成的实际人员死亡306人,占因房屋倒塌实际死亡总数的63.75%。从反演结果看,评估模型对地震应急救援响应等级启动和救援力量合理部署的数据需求有较好的求解能力。     

发布地震告警的一个判据—各类地震死亡人数预测

本文根据对地震死亡因素的分析,计算了近年中国大陆强烈地震的直接死亡人数与倒塌房屋数量的关系,求出了直接死亡人数指数;分析了地震的随机性死亡因素,建立了推算地震死亡人数的公式。文中给出一种从预测地震震级到预测地震死亡人数的方法,制订了由预测的地震死亡人数来判定是否应发布地震告警的判据,并用以往地震震害数据对此判据进行使用检验,证明了它的可用性。     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

基于神经网络的近震与远震识别

选用P波震相附近的地震波作为研究对象,对近震和远震特征信息进行探讨。选取初至P波主周期作为神经网络输入元,P波到达后2～6s作为地震波时间窗,选择正确的网络结构和参数,搜集大量的地震样本数据进行训练,实现对近震和远震地震事件的非线性系统识别。结果表明:在样本训练区间检验数据的预测结果置信度达到100%;在非样本区间也能迅速收敛到标识符0或1附近。近震样本信号最大周期为0.25s,而置信度达到80%以上的预测区间几乎接近0.35s;远震样本信号最小周期为0.9s,而置信度达到80%以上的预测区间达到0.5s,表明模型建立得当,具有良好的泛化能力。     

基于粗糙集的BP神经网络在震例中的应用研究

采用《中国震例》作为数据源,通过初步整理分析和预处理,构建了较完备的震例研究样本集。尝试将粗糙集与BP神经网络相结合的方法引入到震例研究中,用基于粗糙集的属性约简算法从众多复杂的地震异常指标中筛选出对最终分类起决定作用的核心异常作为输入,震级作为输出,构建了泛化能力强的BP神经网络模型来模拟异常与地震之间的不确定关系。仿真测试结果表明:地震震级预测精度误差基本控制在-0.5～0.5级之间。     

基于PSO-ELM的地震死亡人员评估方法研究

地震灾害人员伤亡快速评估对于地震应急响应至关重要。区域地理环境、人口密度和建筑结构等多种因素对地震人员伤亡具有重要影响,文章针对中国大陆按照分区开展地震死亡人员评估方法研究。为充分考虑地震对不同地区造成的差异性影响,根据人口密度、地理环境、建筑结构等情况,将中国大陆划分为西北、西南和东部三个区域,并按地震最大烈度对样本进行分类;然后采用随机森林方法和自助采样法,根据每个特征的重要性排序选取震级、震区面积和人口密度三参数,建立粒子群优化极限学习机(PSO-ELM)地震人员死亡评估模型。研究结果表明,模型在预测性能方面表现良好,在不同地区和烈度下具有较好的适用性和泛化性,能够为地震应急响应和地震灾害风险评估提供重要技术支撑。     

查表法设计地震活动模糊预测预警系统

模糊数学方法在地震学研究,特别是在地震预测工作中起到过重要的作用。近年发展起来的模糊查表法是模糊数学中新出现的一种新的模糊系统有效方法,在智能控制、机器学习、序列建模、综合预测中获得了广泛的应用,取得了显著效果。基于此,把该方法引入地震活动趋势预测和预警研究工作中:首先介绍了模糊查表法的方法与原理,然后基于该方法和由最大震级序列形成的多维样本建立了华北地区及主要地震活动带最大震级时间序列的趋势预测和预警模型,并对获得的模型进行了内符检验,最后对建模方法和计算结果进行了详细讨论。综合分析认为,该方法原理简单直观,计算结果稳健,建模与预测精度较高,外推泛化能力较强,可以作为地震趋势预测和预警的一种有效方法。     

在地脉动数据上应用分类算法的地震预测实验

以“红肿”假说为基础, 在由地脉动数据统计量和过往震例构成的样本集上应用数据挖掘中的分类算法开展地震预测实验。 筛选符合震级、 震中距、 发震时间间隔以及未受台风影响等要求的地震对, 并以其尾地震作为预测对象。 计算地震对时间范围内各时间窗中地脉动数据的标准差, 并采用z-score标准化方法对标准差数据进行标准化处理。 然后, 选取距震中最近三个台的最后一组标准化数据的中位数作为正样本数据, 选取各台站平静期数据的中位数作为负样本数据, 最后将上述正负样本数据构成样本集。 使用CART算法、 GBDT算法和SVM算法在此样本集上分别构建预测模型, 采用5折交叉验证方法对预测模型进行评估。 实验结果表明: ① 地震与地脉动变化存在一定的关系, 且地脉动异常现象更多地出现在6.0级以上地震发生前; ② 6.0级以上地震构成的正样本对预测模型的构建影响较大; ③ SVM算法更适用于小样本数据环境。     

基于主成分-正则化极限学习机的超高密度电法非线性反演

超高密度电法是一种新的地球物理探测技术,它通过多通道数据采集和多装置数据联合反演,极大地提高了电法勘探的成像精度.本文提出一种主成分-正则化极限学习机(PC-RELM)非线性反演方法,该方法针对超高密度电法所获取的高维勘探数据进行反演建模,通过随机设定隐层参数来简化模型的学习过程,通过主成分分析方法来进行高维数据降维,最后引入正则化因子提高反演模型的泛化能力.论文给出了超高密度电法的原理、样本构造方法和非线性反演流程,使用交叉验证方法获得了优化的隐节点数目和正则化参数,构造了优化的反演模型.通过两个经典的超高密度模型的反演结果表明,该方法能够较好地解决超高密度电法反演的高维数据非线性建模问题,能够弥补单一装置数据反演的不足,同时相较其他的非线性反演方法(ELM,BPNN和GRNN)具有更加准确的反演结果.     

基于LM-BP神经网络的地震直接经济损失快速评估方法研究

在综合考虑地震致灾因子、抗震设防因子、经济指标因子的基础上,选取地震震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、人均GDP和产业机构比例等7个因素作为主要评价指标,运用神经网络分析方法,建立了基于LM-BP神经网络的地震直接经济损失评估模型。从历史地震事件中提取相关数据作为样本,并使用该样本对网络进行训练。最后对模型输出结果的误差率和模型的泛化能力进行分析,认为该模型可以有效评估地震直接经济损失,并具有较高的稳定性。     

甘肃岷县漳县MS6.6地震重灾区房屋类型与致死的关系研究

地震造成人员死亡主要是由房屋毁坏和次生灾害引起的。2013年7月22日甘肃岷县漳县发生MS6.6地震,造成95人死亡、2014人受伤,灾区民房破坏严重,重灾区房屋毁坏比达36.59%;同时震前不断降雨和地震的耦合作用,诱发大量滑坡、崩塌等地质灾害,给灾区人民生命财产带来严重损失。本文通过对灾区不同类型结构房屋破坏情况、常驻人口、死亡人数、死亡地点及原因、地形地貌和地质灾害的调研,获得大量准确的基础资料;分析得到这次地震人员死亡特点和重灾区不同类型结构房屋的破坏比;利用重灾区9个行政村死亡人数和房屋毁坏比数据,进行多元线性回归拟合,得出房屋毁坏比与人员致死性关系,同时运用不同烈度区内房屋毁坏比数据和人口数据进行验证。结果表明:用此关系计算得到的总死亡人数比实际死亡人数多16人,总误差率为17.02%。     

日本发生中强地震的灰色预测

应用“灰色控制系统”理论，选取１９８０年１月至１９８８年１２月日本的地震序列资料，将（６．０，７．０］级地震作为样本，建立了预报地震发震时刻的动态模型。选取了最佳模型对日本未来发生中强地震的时间进行了预测。从函数变换的观点，对ＧＭ（１，１）模型进行了广义解释，指出序列建模必须从满足光滑度的时刻计起。大量计算表明，用“足够小量”样本建模比大量样本建模拟合与外推精度要高，并从信息论角度进行了剖析。     

2021年5月21日云南漾濞6.4级地震灾害损失快速评估结果分析

本文针对2021年5月21日云南漾濞6.4级地震,选取不同的地震烈度衰减关系模型,对各模型地震影响场评估结果与发布的地震烈度图进行对比分析,并对地震影响范围不确定性进行研究。选取多种死亡人数评估模型,分别计算各模型在不同地震影响场下的死亡人数、人口分布数量,探讨各地震影响场模型下的人口分布特征及影响人员死亡的主要因素。通过对比分析可知,导致此次地震灾害损失评估结果与真实地震现场结果不同的主要原因是地震影响场分布、人口分布、房屋建筑抗震能力偏差、地形地貌、次生灾害等多种因素不同。研究结果表明,有效提高地震灾害损失快速评估精确性的途径为提高地震影响场评估精度,提高人口分布、房屋建筑等数据空间分布评估精度,后期专家检验等。