[发明专利]一种基于人工智能技术的张衡一号震前异常信号识别方法

说明书

本发明公开了一种基于人工智能技术的张衡一号震前异常信号识别方法，该方法包括S1：卫星数据获取及预处理，S2：电离层地震异常识别模型建立，S3：利用迁移学习构建张衡一号多参数地震异常识别模型，S4：地震监测应用效能评价。与现有技术相比，本发明的有益效果是：将已经学到的、训练好的震前异常识别模型参数通过迁移学习，构建基于张衡一号卫星的地震异常识别新模型；最后，利用张衡一号实测数据开展地震遥感监测应用，依据应用效能评价反馈，调整模型参数、优化模型，能提取震前张衡一号卫星的异常信息。

技术领域

本发明涉及卫星震前异常信号识别技术领域，具体为一种基于人工智能技术的张衡一号震前异常信号识别方法。

背景技术

2004年6月，法国发射第一颗专门用于监测地震与火山电离层扰动的卫星DEMETER，卫星在轨运行6年，为地震电离层提供了宝贵的数据资源，迄今为止，基于这颗卫星发表的文章已经超过300篇，其中针对地震异常研究的论文130余篇。我国于2018年2月成功发射了张衡一号电磁地震卫星，标志着我国成为拥有空间地球物理场探测卫星的国家之一，张衡一号电磁卫星发射至今，中国电磁卫星团队全方位开展了电磁卫星数据分析及地震应用研究，目前还没有一套完善高效的张衡一号震前异常信号识别方法。

发明内容

本发明的目的在于提供一种基于人工智能技术的张衡一号震前异常信号识别方法，以解决的问题。

为实现上述目的，本发明提供如下技术方案：包括S1：卫星数据获取及预处理，S2：电离层地震异常识别模型建立，S3：利用迁移学习构建张衡一号多参数地震异常识别模型，S4：地震监测应用效能评价；

S1步骤：选取能够反映各圈层地震前电离层异常变化的法国DEMETER电磁卫星和张衡一号卫星参数，所述卫星参数包括运行轨迹和卫星数据，空间范围为全球，每个地震选取的数据初始时间长度为震前15天到震后5天，初始空间范围为距离震中Dobrovolsky距离R范围内，其中R＝10^0.43M，另外选取全球范围、时空均匀分布的非震事件，即模拟地震，选取数据的时间、空间范围与真实地震一致，利用滑动时间窗分别获取电子密度、电子温度的原始时间序列，并利用深度学习网络自动学习特征，初始研究的滑动窗长度，即连续数据点的长度，设置为20，形成非重叠的时序滑动窗数据，剔除任一数据对应磁情指数Kp大于3.0的滑动窗；

S2步骤：经过步骤S1的数据预处理后，基于CNN-BiLSTM深度学习网络建立DEMETER卫星电离层多参数地震异常识别模型，提取模型学习的地震与非震特征，基于IBPT分类器构建地震异常识别深度学习模型，对2005年到2010年法国DEMETER电磁卫星的电离层多参数时序特征样本进行训练建模，按照地震发生的时间顺序，前80％地震对应的样本数据作为训练集，后20％的地震对应的样本数据作为测试集,利用CNN-BiLSTM深度学习模型的神经网络直接通过电离层多参数时序数据自动学习特征，利用初始层数为3的CNN网络层提取局部平行特征，采用由多个记忆模块构成的BiLSTM模型对长距离依赖特征进行特征提取，序列学习，每个模块由两个细胞的拓扑结构构成；最后通过全连接层和Softmax分类器获得分类结果，在此基础上，删除CNN-BiLSTM模型的最后两层，提取模型学习到的电离层多参数地震与非震特征，利用IBPT分类器模型，最终区分地震与非震特征；

S3步骤：对张衡一号卫星的多参数时序特征样本切分训练集和测试集，同样按照地震发生的时间顺序，前80％地震对应的样本数据作为训练集，后20％作为测试集，在此基础上，将已经学到的、训练好的基于DEMETER电磁卫星样本的CNN-BiLSTM深度学习模型参数，以及IBPT分类器模型参数迁移到张衡一号电磁卫星电离层多参数，形成新的分类模型，最后，利用得到的权重参数初始化其余网络层的参数，并通过调整损失函数、优化器函数等模型参数来来修正和提高模型准确率，构建新的地震异常识别模型；