发扬李四光地震预报的科学思想

李四光教授关于地震地质工作中地震预报方面的重要观点和思想主要包括:地应力变化与地震密切相关;地震活动带中也存在相对安全的地区(“安全岛”理论);地震地质调查是地震预报的基础;地震是可以预测的,地应力的变化过程是地震预报的关键.他的“安全岛”理论及地震预报思想至今仍有着十分重要的理论意义和现实意义.     

2004年6月甘肃临泽震群地震精确定位

利用"双差地震定位法"对2004年6月甘肃临泽发生的地震震群进行了精确定位,结合地质构造资料讨论了本次震群的发震构造.结果表明:该震群震中沿着榆木山北缘断裂呈NNW向分布,震源深度优势分布于10～25 km,平均深度为16.3 km;发震断裂为榆木山北缘断裂东段局部断裂,走向NNW,倾向SW,倾角约为60°.     

长江流域夏季降水的贝叶斯多模式集合概率预测

A Bayesian probabilistic prediction scheme of the Yangtze River Valley (YRV) summer rainfall is proposed to combine forecast information from multi-model ensemble dataset provided by ENSEMBLES project.Due to the low forecast skill of rainfall in dynamic models,the time series of regressed YRV summer rainfall are selected as ensemble members in the new scheme,instead of commonly-used YRV summer rainfall simulated by models.Each time series of regressed YRV summer rainfall is derived from a simple linear regression.The predictor in each simple linear regression is the skillfully simulated circulation or surface temperature factor which is highly linear with the observed YRV summer rainfall in the training set.The high correlation between the ensemble mean of these regressed YRV summer rainfall and observation benefit extracting more sample information from the ensemble system.The results show that the cross-validated skill of the new scheme over the period of 1960 to 2002 is much higher than equally-weighted ensemble,multiple linear regression,and Bayesian ensemble with simulated YRV summer rainfall as ensemble members.In addition,the new scheme is also more skillful than reference forecasts (random forecast at a 0.01 significance level for ensemble mean and climatology forecast for probability density function).     

2017年四川九寨沟7.0级地震前地震应变场分析

以地震应变场作为地震活动的变量,通过自然正交函数展开方法,计算2017年8月8日四川九寨沟7.0级地震前的地震应变场,提取出震前时间因子的异常变化。计算结果发现应变场前4个时间因子在震前1~3年的中短期异常并不显著,只有第2个和第4个时间因子震前有小幅度的异常变化,分析其原因,时间因子可能受到2008年汶川8.0级地震和2013年岷县漳县6.6级地震前大幅度异常的影响。与时间因子对应的空间等值线形成局部应变高值异常危险区,可能是2013年岷县漳县6.6级地震和2017年九寨沟7.0级地震空间异常的中短期特征。再对比九寨沟7.0级地震前后与松潘-平武7.2级双震的空间异常随时间演变,分析异常发展变化模式的差异,最后应用地震资料的累积频次从物理角度解释异常形成的机制。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

1999年台湾7.6级大震与江苏-南黄海地区中强震预测

分析讨论了台湾地区7级大震与本区中强震之间相关关系，指出1999年台湾7.6级大震后2－3年内，本区将有5－6级中强震发生。同时应用可公度模型和“带头地震”的异年倍九法联合对本区中强震发震时间进行分析预测。结论表明，该方法可以较好地应用于本区短临地震预报实践。     

黄、渤海冷空气海浪场的集合预报试验

利用欧洲集合天气预报系统51个预报风场驱动SWAN海浪模式,对黄、渤海2013年12月-2014年2月期间受冷空气影响的海浪场进行数值模拟试验,并利用浮标观测资料对海浪集合预报结果进行初步检验分析,结果显示:从逐时平均偏差结果可知,24h预报时效内集合平均与控制预报性能相近,48~72h预报时效内,集合平均明显优于控制预报,但均比实况偏小;集合分位值(75、90百分位值和极端值)明显优于集合平均,且预报时效越长,优势越明显,集合预报极端值与实况相当或略偏大;从逐24h平均偏差结果可知,集合分位值(75、90百分位值和极端值)比集合平均和控制预报更接近实况。总的分析表明:集合分位值(75、90百分位值和极端值)对受冷空气影响的海浪场具有较强的分辨能力,可以提高对海浪场的预报水平,且有较好的应用潜力。     

低温雨雪过程的粒子群-神经网络预报模型

利用逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料,通过分析提取我国南方区域持续性低温雨雪过程及其预报因子,使用粒子群-神经网络方法建立非线性的统计集合预报模型 (PSONN-EPM),对我国南方区域持续性低温雨雪过程进行预报试验。结果表明:以过程的冷湿程度及影响范围为标准,将低温雨雪过程分为一般过程和严重过程,并建立不同的预报模型效果较好。通过10 d独立样本预报试验看,基于粒子群-神经网络方法建立的集合预报模型比基于逐步回归方法建立的预报模型的预报平均相对误差小,对严重过程预报能力高于对一般过程预报,且这种非线性统计集合建模方法在建模过程中不需要调整神经网络参数,在实际预报业务中值得尝试。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。