关键词:
地震前兆异常
Attention-LSTM模型
地下水水位
时间序列
摘要:
地下水在地壳中广泛分布,对地壳应力和固体形变过程具有显著的响应性,这些地质活动造成地震的发生,研究表明,地震前后地下水水位都出现了显著变化。在以往的研究过程中,学者们大多使用传统机器学习方法进行地震预测分析研究,随着深度学习的快速发展,其应用越来越广泛。本文使用基于注意力机制的长短期记忆(Attention-based Long Short-Term Memory,Attention-LSTM)水位预测模型,以云南建水4.7级地震为例,通过选取通海高大井和建水黄龙寺井的地下水水位数据输入Attention-LSTM模型进行训练,将预测结果与实际观测值进行比较,使得模型找到了地下水水位异常变化,其与地震前兆异常之间有着紧密的关系。
在对于通海高大井和建水黄龙寺井的映震能力分析之后,用前兆异常超前时间来划分数据集,将前兆异常超前时间之前的数据作为训练集和验证集,前兆异常超前时间之后的数据作为测试集,使得模型的训练集和验证集为正常水位变化,这样模型预测出来的也是正常水位变化曲线,将其与的实际观测值对比就能发现地下水水位异常变化,其与地震前兆异常之间有着紧密的关系,地下水位的这种变化正是地震前兆异常的表现之一。通过大量实验对比了两井的LSTM模型、Bi LSTM模型以及Attention-LSTM模型,经过模型评价指标以及效果评估发现Attention-LSTM模型的效果更好,找到地下水水位异常变化更加明显。最后使用异常检测方法,用指数加权移动平均(Exponentially Weighted Moving Average,EWMA)控制图进一步说明Attention-LSTM模型对于识别地震前兆的效果很理想,相较于LSTM模型RMSE提高93%,MSE提高99%,MAE提高94%。相较于Bi LSTM模型RMSE提高27%,MSE提高47%,MAE提高28%。
使用Attention-LSTM神经网络模型,可以有效识别地震前兆,找到地下水水位异常变化,其与地震前兆异常之间有着紧密的关系,能够进一步的提升地震预警的范围,从而保障人民生命财产安全。