基于熱異常信息與BP神經(jīng)網(wǎng)絡(luò)的中強(qiáng)地震預(yù)測試驗(yàn)

宋冬梅 時洪濤 單新建 劉雪梅 崔建勇 沈 晨屈春燕 邵紅梅 王一博 臧 琳 陳偉民 孔 建

1)中國石油大學(xué)(華東)，地球科學(xué)與技術(shù)學(xué)院，青島 266580

2)中國地震局地質(zhì)研究所，地震動力學(xué)國家重點(diǎn)實(shí)驗(yàn)室，北京 100029

3)中國石油大學(xué)(華東)，理學(xué)院，青島 266580

4)武漢大學(xué)，測繪學(xué)院，武漢 430079

0 引言

21世紀(jì)以來，中國乃至世界各地地震頻發(fā)，造成大量人員傷亡和財產(chǎn)損失(王貴武等，2006)，地震預(yù)測工作對保障中國經(jīng)濟(jì)建設(shè)和社會繁榮穩(wěn)定具有非常重要的意義。幾十年來，人們一直嘗試尋找地震前兆信息來預(yù)測地震，雖然取得了一些進(jìn)展，但地震預(yù)測一直是困擾各國科學(xué)家的一個世界性難題(徐程等，2012;姜金征等，2013;Lazaridou－Varotsos，2013)。

目前的地震預(yù)測方法大致可以分為3類:地震地質(zhì)方法、地震統(tǒng)計方法和地震前兆方法。其中前兆法是常用方法之一，涉及測震、地形變、重力、地電、地磁、地下水化學(xué)、地下水物理、氣象和地溫等多個指標(biāo)(強(qiáng)祖基等，1998;馬瑾等，2000;陳順云等，2004;曾中超等，2009)。震前地表溫度異常即是地震前兆異常之一。隨著遙感技術(shù)的發(fā)展，其信息量大、范圍廣、可實(shí)時監(jiān)測和客觀準(zhǔn)確等特點(diǎn)使得利用熱紅外遙感數(shù)據(jù)監(jiān)測震前地表溫度異常成為可能(屈春燕等，2007;張元生等，2010)。近年來，在利用熱紅外遙感數(shù)據(jù)提取地震熱異常信息的算法研究及其與地震關(guān)系方面的探索取得了一些重要進(jìn)展(張微等，2008;強(qiáng)祖基等，2010;張璇等，2013)。大量研究結(jié)果表明，地震發(fā)生前存在不同程度的“熱震兆”現(xiàn)象(強(qiáng)祖基等，1998;Tronin et al.，2002;屈春燕等，2006a;Arun et al.，2008;Ma et al.，2011;Yao et al.，2012)。大量試驗(yàn)表明(強(qiáng)祖基，2000;呂月琳等，2009;閆麗莉，2012)，遙感熱紅外信息在地震短臨預(yù)測中有其獨(dú)特的優(yōu)勢，是探索地震預(yù)報的可能途徑之一。

眾所周知，地震現(xiàn)象是一個非常復(fù)雜的過程，異常與地震之間有較強(qiáng)的不確定性。因震前各類異常與未來地震之間有較強(qiáng)的非線性關(guān)系，很難通過某種解析表達(dá)式來表達(dá)，即很難用某種線性關(guān)系進(jìn)行擬合與描述(屈春燕等，2006b;林德明等，2009)。而容錯能力強(qiáng)、自組織、自學(xué)習(xí)，且具有很強(qiáng)的非線性擬合能力的神經(jīng)網(wǎng)絡(luò)在地震預(yù)報方面有著獨(dú)特的優(yōu)勢(楊居義等，2008;Dhawal，2011)。張金華等(2012)以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立短期地震預(yù)測模型，較好地對未來幾個月的最大震級進(jìn)行了預(yù)測。李煒等(2011)對實(shí)驗(yàn)區(qū)地震數(shù)據(jù)時間序列進(jìn)行分析并對大地震的發(fā)生時間進(jìn)行預(yù)測。聶仙娥等(2011)利用BP神經(jīng)網(wǎng)絡(luò)對地震震級的預(yù)測也取得了較好的效果。然而，以往的預(yù)測研究僅是單一地對發(fā)震時間或震級進(jìn)行預(yù)測，本研究嘗試將熱異常信息作為神經(jīng)網(wǎng)絡(luò)的輸入，建立熱異常信息－地震三要素的時空框架，以此指導(dǎo)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建，并以中國境內(nèi)及周邊2002年以來100個5級以上震例和70個隨機(jī)無震樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與仿真，實(shí)現(xiàn)地震三要素的同步預(yù)測試驗(yàn)。

1 震例數(shù)據(jù)

1.1 震例選取

本文采用2002至2011年中國及周邊發(fā)生的100個5級以上地震(主要分布在中國中西部地區(qū)和中俄邊境等地)，以及70個隨機(jī)無震樣本進(jìn)行研究，包括2010年4月14日青海省玉樹7.1級地震(96.6°E，33.2°N)、2008年 10月 5日新疆烏恰縣 6.8級地震(73.9°E，39.5°N)、2008年5月12日四川汶川8級地震(103.4°E，31°N)、2008年3月21日新疆于田縣7.3級地震(81.6°E，35.6°N)以及2011年3月24日緬甸7.2級地震(99.8°E，20.8°N)等震例。

1.2 衛(wèi)星紅外數(shù)據(jù)

在本研究中，用于熱異常信息提取的遙感數(shù)據(jù)是8d合成的1km分辨率夜間MODIS地表溫度數(shù)據(jù)(LST)，即MODIS/Terra Land Surface Temprature/Emissivity 8－Day L3 Global 1km SIN Grid V005。數(shù)據(jù)來源網(wǎng)址:http:∥reverb.echo.nasa.gov/。數(shù)據(jù)下載后得到.hdf文件，再由MRT軟件轉(zhuǎn)換為.tif圖像，并進(jìn)行裁剪得到單個震例圖像(圖1)。

2 研究方法

本文的實(shí)驗(yàn)流程主要包括數(shù)據(jù)預(yù)處理和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測試驗(yàn)兩大部分。

數(shù)據(jù)預(yù)處理包括MODIS 8d的LST數(shù)據(jù)的下載、轉(zhuǎn)換、裁剪以及利用RST算法對熱紅外異常信息的提取;BP神經(jīng)網(wǎng)絡(luò)的預(yù)測試驗(yàn)包括熱異常時空坐標(biāo)系的構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)輸入輸出的確定以及BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真;最后對預(yù)測結(jié)果進(jìn)行分析(圖2)。

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括MODIS數(shù)據(jù)下載、格式轉(zhuǎn)換和圖像裁剪等步驟。根據(jù)MODIS中國圖像分區(qū)代碼，選擇中國范圍內(nèi)的分區(qū)，進(jìn)行MODIS數(shù)據(jù)下載。下載完成后，用MRT軟件將.hdf文件轉(zhuǎn)換為.tif圖像，并根據(jù)單個震例的數(shù)據(jù)范圍，使用ENVI進(jìn)行相應(yīng)的裁剪。

圖1 玉樹2010年3月4號的MODIS圖像Fig.1 The MODIS image of Yushu on March 4，2010.

圖2 技術(shù)路線框架圖Fig.2 Technical route frame.

2.2 基于RST算法的地震熱異常信息提取

經(jīng)過多年研究，目前已有多種關(guān)于熱異常提取的算法(楊杰，2013)，它們對異常的提取各具一定的作用，但各種算法所考慮的因素不同。本文使用的RST算法不僅考慮到季節(jié)交替和氣候變化對亮溫的影響，而且考慮到正常年份云覆蓋和地震等因素的影響，使得結(jié)果更加可靠(吳立新等，2009;溫少妍，2011)。

RST(Robust Satellite Techniques)方法是一種基于多時相數(shù)據(jù)分析方法，考慮的是時空域上相對于平靜狀態(tài)下的異常。在同一條件下，使用長時間序列的衛(wèi)星亮溫數(shù)據(jù)來構(gòu)建信號的正常背景并計算局部偏差指數(shù)Alice值(即熱異常值)。當(dāng)局部偏差指數(shù)Alice值大于某一閾值時，可用來識別干擾事件，即地震事件。Alice值是基于像素級水平定義的，其具體表達(dá)式為式(1)—(4)中，T(ri，t)是t時刻像元ri=(xi，yi)處的亮溫值(單位，K);ΔT(ri，t)為ri處像元的亮溫值與研究區(qū)平均亮溫T(t)的差值(單位，K);μΔT(ri)與σΔT(ri)分別為研究區(qū)內(nèi)歷年同期有效(去除云干擾)的ΔT(ri，t)的均值和標(biāo)準(zhǔn)差;S(ri，t)=C(ri，t)·E(ri，t)表示在無云和平靜期，與影像獲取時刻t相一致的像元ri的標(biāo)示值，無量綱;t為長時間序列影像每景的觀測時間。

用RST算法提取的Alice指數(shù)值結(jié)果如圖3所示。

圖3 2010年4月14日玉樹地震前2個月的遙感熱異常提取圖像Fig.3 The thermal anomaly image two months before Yushu earthquake on April 14，2010.

2.3 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

2.3.1 熱異常時空坐標(biāo)系的構(gòu)建

地震事件的三要素與熱異常首次出現(xiàn)的時間、異常面積及異常強(qiáng)度有關(guān)。進(jìn)行基于熱異常的神經(jīng)網(wǎng)絡(luò)地震綜合預(yù)測，須首先建立起一個能夠表達(dá)熱異常時空特征的坐標(biāo)系，確定空間原點(diǎn)和時間起點(diǎn)，以體現(xiàn)熱異常信號的游走路徑及時空演變規(guī)律，確保神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果具有明確的物理意義。

本文在預(yù)測試驗(yàn)中，以震中為中心選擇10°×10°矩形框?yàn)檠芯繀^(qū)，矩形框的左下角為空間直角坐標(biāo)系的坐標(biāo)原點(diǎn);以震前2個月為數(shù)據(jù)的時間搜索范圍，以熱異常首次出現(xiàn)的時間為時間起點(diǎn)(圖4)。對于未來實(shí)際地震預(yù)測，震中位置未知，可根據(jù)活動斷裂帶信息和地震地質(zhì)構(gòu)造情況結(jié)合專家經(jīng)驗(yàn)知識，選取矩形框?yàn)檠芯繀^(qū)，確定出空間原點(diǎn);在預(yù)測試驗(yàn)的當(dāng)天前2個月的時間范圍內(nèi)，找到熱異常首次出現(xiàn)的日期作為時間起點(diǎn)。若在此2個月中無熱異常現(xiàn)象出現(xiàn)，則不必采取本方法進(jìn)行地震預(yù)測。

震例研究區(qū)內(nèi)，存在熱異常區(qū)域的面積之和在某時刻會出現(xiàn)最大值，即為熱異常最大面積(單位，km2);最大異常強(qiáng)度是指某時刻熱異常區(qū)域中像素的Alice值之和的最大值(無量綱)。以上對熱異常信息的定量描述均作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入層參量。

為研究熱紅外異常的時空演變路徑及發(fā)展特點(diǎn)，本文引入熱異常區(qū)域的幾何能量質(zhì)心)這一概念，其計算公式為

2.3.2 以熱異常為輸入的地震預(yù)測的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

神經(jīng)網(wǎng)絡(luò)的原理:BP神經(jīng)網(wǎng)絡(luò)是誤差反傳網(wǎng)絡(luò)(Back－Propagation Network，BP)，也是一個以誤差反向傳播算法為基礎(chǔ)的多層前向神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱藏層和輸出層3部分組成(圖5)。每一層都有若干個節(jié)點(diǎn)，前一層和后一層之間靠權(quán)值連接。信號的正向傳播和誤差的反向傳播是BP神經(jīng)網(wǎng)絡(luò)的2個主要學(xué)習(xí)過程。BP網(wǎng)絡(luò)通過不斷學(xué)習(xí)調(diào)節(jié)，通常采用Sigmoid函數(shù)作為傳遞函數(shù)。

圖4 熱異常信號時空表達(dá)示意圖Fig.4 The thermal anomaly signal space－time diagram.

圖5 反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Back propagation neural network structure.

確定網(wǎng)絡(luò)結(jié)構(gòu):網(wǎng)絡(luò)為3層結(jié)構(gòu)，輸入層－隱層－輸出層(圖6)。確定各層神經(jīng)元數(shù)目為d－N－m，其中d為輸入神經(jīng)元的特征數(shù)目，對應(yīng)于表征熱異常特征的9個指標(biāo)，分別反映熱異常的面積、強(qiáng)度、熱異常起始位置、熱異常起始時間和斷裂帶屬性，共計12個輸入神經(jīng)元，即12維向量(每個位置信息均由2維向量刻畫)。N為隱層神經(jīng)元數(shù)目;m為輸出神經(jīng)元數(shù)目，對應(yīng)于輸出向量(以震中位置、震級、發(fā)震時間、發(fā)震標(biāo)志為分量的5維向量)的維數(shù)。

3 結(jié)果與分析

本文采用100個5級以上震例和70個隨機(jī)無震樣本進(jìn)行研究(其中80個震例和55個隨機(jī)無震樣本用于訓(xùn)練;20個震例和15個隨機(jī)無震樣本用于仿真)。訓(xùn)練調(diào)試表明，在隱層節(jié)點(diǎn)數(shù)為45時，誤差達(dá)到0.001(圖7)，且收斂速度最快。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.6 The schematic structure of BP neural network.

圖7 誤差下降曲線Fig.7 The error drop curve.

仿真結(jié)果的4種情形如下:1)對發(fā)生地震的樣本預(yù)測出地震的發(fā)生，即預(yù)測準(zhǔn)確的地震有16個，準(zhǔn)確率為80%;2)對發(fā)生地震的樣本未預(yù)測出發(fā)生地震的個數(shù)為4，漏警率是20%;3)對未發(fā)生地震的樣本預(yù)測出地震的發(fā)生的個數(shù)為2，虛警率是13.33%;4)對未發(fā)生地震的樣本未預(yù)測出發(fā)生地震的個數(shù)為13，準(zhǔn)確率是86.67%。

在預(yù)測準(zhǔn)確的16個地震中:一個震例的震級誤差＞3級，其余的都在3級以內(nèi);震級誤差＜2級的有11個，占68.75%;發(fā)震時間誤差＜1個月的有14個，占87.5%;震中位置誤差在3°以內(nèi)的有13個，占81.25%(表1)。

表1 震級、發(fā)震時間以及震中位置誤差一覽表Table 1 The error of magnitude，origin time and epicenter position of earthquake

本實(shí)驗(yàn)所用的震例中，5～6級震例較多，6～7級的震例較少，5～6級的地震和6～7級的地震預(yù)測試驗(yàn)的結(jié)果統(tǒng)計如表2。可以看出，對于不同震級的地震，5～6級預(yù)測精度在震級方面比6～7級地震的高，但在發(fā)震時間及震中位置的預(yù)測方面，其預(yù)測精度低于6～7級的地震。

表2 不同等級的地震預(yù)測的地震三要素誤差對比表Table 2 The contrast table of errors of the three elements of earthquake prediction for different magnitude levels

隱層神經(jīng)元的數(shù)量不同，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同，設(shè)置隱層神經(jīng)元數(shù)目35到50進(jìn)行了試驗(yàn)(表3)，結(jié)果表明，當(dāng)隱層神經(jīng)元數(shù)目在45時，其預(yù)測的精度最高。因此，在未來實(shí)際地震預(yù)測中，隱層神經(jīng)元數(shù)量的選擇較為關(guān)鍵。

圖8是實(shí)際震中與預(yù)測震中的空間位置對比一覽圖。圖中，藍(lán)色的點(diǎn)和紅色的點(diǎn)分別表示實(shí)際的地震位置和預(yù)測的地震位置，分別對應(yīng)藍(lán)色和紅色的數(shù)字注記。實(shí)際的地震位置和預(yù)測的地震位置在空間上是很接近的，總體上取得了較好的試驗(yàn)效果。

表3 不同隱層神經(jīng)元的數(shù)量的神經(jīng)網(wǎng)絡(luò)預(yù)測效果Table 3 Neural network's predicting outcomes with different number of hidden layer neuron

4 結(jié)論與展望

4.1 結(jié)論

本文結(jié)合神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，提出將熱異常信息結(jié)合斷裂帶信息作為地震預(yù)測的信息源，通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行地震三要素預(yù)測的新思路。本次地震預(yù)測試驗(yàn)是在以震中為中心的10°×10°矩形范圍，以地震發(fā)生前2個月為時間范圍來提取地震異常。對中國及周邊100個5級以上震例，以及70個隨機(jī)無震樣本進(jìn)行訓(xùn)練和仿真。試驗(yàn)結(jié)果表明，通過RST算法提取的震前熱異常指數(shù)值，用于BP神經(jīng)網(wǎng)絡(luò)地震預(yù)測是可行的。但本試驗(yàn)是在已知震例情況下，試驗(yàn)區(qū)的中心位置即為震中，熱異常研究的時間原點(diǎn)和時間范圍均是在地震發(fā)生時間已知的前提下確定的，因此，試驗(yàn)結(jié)果(預(yù)測精度的高低)本質(zhì)上是一種地震要素與熱異常值間的非線性相關(guān)性的呈現(xiàn)，預(yù)測精度的高低反映了熱異常與地震的相關(guān)性大小。由于在未來實(shí)際地震預(yù)測中，研究區(qū)位置并不是像本次試驗(yàn)這樣，以已知震中位置去控制，而是需要專家知識結(jié)合活動斷裂帶來確定，因此未來實(shí)際的地震預(yù)測精度并不一定會達(dá)到本次試驗(yàn)的效果。試驗(yàn)中，研究區(qū)范圍和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(隱層神經(jīng)元數(shù)量)對預(yù)測效果有較大的影響。

4.2 展望

增加震例數(shù)量，強(qiáng)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練。本次研究選用的是2001年以來的MODIS－LST遙感數(shù)據(jù)，樣本數(shù)量對于神經(jīng)網(wǎng)絡(luò)預(yù)測來說還顯不夠，尤其是7級以上的大地震震例更少，今后的研究應(yīng)將NOAA AVHRR遙感數(shù)據(jù)系列納入進(jìn)來，以增加震例數(shù)量，強(qiáng)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

關(guān)于熱異常信息提取范圍的選取問題。文中地震熱異常提取與地震預(yù)測的研究范圍是以震中為中心，按10°×10°的方形框，以地震發(fā)生前2個月為時間范圍，使用已發(fā)生的震例對該方法進(jìn)行預(yù)測及驗(yàn)證。對未來的地震預(yù)測，研究范圍可參照構(gòu)造斷裂帶及危險地震分區(qū)來進(jìn)行框取，嘗試地震的真正預(yù)測。

圖8 實(shí)際震中和預(yù)測震中在斷裂帶中的位置Fig.8 The position of actual epicenter and predicted epicenter in the fault zone.

增加前兆輸入信息和地震帶屬性信息。神經(jīng)網(wǎng)絡(luò)的輸入僅考慮了斷裂帶等級和條數(shù)，將來的研究中，應(yīng)適當(dāng)增加某些重要的斷裂帶屬性信息，如斷裂帶走向、斷裂帶傾向和力學(xué)性質(zhì)等輸入信息，探究其能否進(jìn)一步提高預(yù)測精度。此外，熱異常只是地震前兆之一，為加強(qiáng)地震預(yù)測的綜合性，將來的研究應(yīng)考慮輔之以更多的神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，如b值異常、地磁變化、電磁變化、地震活動周期以及累計頻度等。