[发明专利]一种基于DMAP模型的余震预测方法

说明书

本发明公开了一种基于DMAP模型的余震预测方法，其基于深度学习方法，利用大量的地震数据学习主震的震级大小、被预测区域与主震震源的空间距离信息以及主震爆发过程对相关区域造成的应力变化信息与余震的爆发之间的相互关系，同时结合数据增强方法提升模型的预测能力以及降低模型的方差，并将余震的震级信息添加到样本的损失函数中来优化模型，提高模型的预测能力。

技术领域

本发明属于地震预测技术领域，具体涉及一种基于DMAP模型的余震预测方法。

背景技术

地质工作者多年来利用地震监测台站所记录的连续波形数据在地震预警、地震速报、地震机制等领域进行了大量的工作和研究，其中地震事件检测、震相自动拾取以及震级快速估算等任务是相关研究的重点和热点。地震事件检测是指对于地震监测台站记录的连续波形数据，检测出其中某一段数据是否属于一个地震事件，从而给出某个时刻是否发生地震的判断；震相自动拾取是指在我们已经知道某段波形数据属于地震事件之后，给出确切的地震波传播到达台站的时间；震级快速估算任务在地震预警中非常重要，如果能在一次地震发生的前几秒钟，给出这次地震的震级的准确估算，那么就能给地震预警和救灾工作带来很大的帮助，争取更多的时间。

由于地震是一种极具破坏力的自然灾害，大地震爆发过程通常会改变断层周围的应力分布，大量实验已证明余震的发生与主震爆发带来的应力变化息息相关，余震的发生通常会在主震的基础上带来二次破坏，因此对余震的空间分布进行有效的预测是一件意义非凡的工作。

目前的余震预测可以简单的分为两类：一类是传统地震学中常用的基于物理量的余震预测方法，即余震的预测主要是基于主震爆发过程导致周围相关区域应力变化张量计算得到的物理量如库仑破裂应力、最大剪应力、范式等效应力等来进行余震的预测；另一类是基于深度学习模型直接学习应力变化与余震之间的复杂映射关系。

近年来，随着深度学习的快速发展，将其应用到地震相关领域中逐渐成为一种发展趋势，基于深度学习的余震预测比较典型的研究是DeVries等人在2018年Nature杂志上发表的基于DNN的余震预测工作[DeVries P M R,Viégas F,Wattenberg M et al.Deeplearning of aftershock patterns following large earthquakes[J].Nature，2018，560(7720):632.]，DeVries直接利用余震后的应力变化张量Δσ的六个独立应力分量Δσ_xx、Δσ_xy、Δσ_xz、Δσ_yy、Δσ_yz、Δσ_zz作为特征，并利用一个6层的DNN网络来预测每个网格在接下来的一年内是否会发生余震，结果发现神经网络能够很好的学习到Δσ与余震之间的关系。

传统地震学中基于物理量的余震预测方法在可解释性方面占据优势，但随着深度学习的发展以及数据集的增加，深度学习在余震预测的效果上展现了一定的优势。DeVries基于DNN的余震预测模型只考虑了应力变化与余震之间的关系，而没有考虑到主震的震级大小信息、被预测区域与震源的空间距离信息以及缺少对应力变化进行的有效特征工程。

发明内容

鉴于上述，本发明提出了一种基于DMAP模型的余震预测方法，通过大量的主震与余震数据，训练DMAP(Deep Model forAftershockPrediction)模型，提高对余震的预测能力。

一种基于DMAP模型的余震预测方法，包括如下步骤：

(1)收集地震发生后的相关信息，包括主震位置信息、主震震级信息以及主震周围相关区域的应力变化信息以及与主震震源的空间距离信息；

(2)在主震发生后，以主震震源为中心，对主震的周边区域进行平面二维网格划分，每个网格区域的大小为5km×5km；根据主震爆发过程对周边不同网格区域造成的位错计算得到每个网格区域的应力变化张量；