论文部分内容阅读
我们生活居住的地球每天都有近万次地震发生。地震作为世界上无法抗拒的自然灾害之一,其直接导致及引发的次生灾害对全世界带来了极大的生命和财产损失。我国位于环太平洋地震带和欧亚地震带交汇,是一个地震灾害严重的国家。如何分析、识别地震前兆,提高地震预报精度,对降低地震灾害、减少国家损失有着重要意义。高光谱遥感数据AIRS采集了全球80%地区的大气遥感参数,常用于全球气象、气候长期预报和大气成分、空气质量监测,可从NASA Goddard地球科学数据和信息服务中心下载获得;中分辨率成像光谱仪数据MODIS采集了陆地海洋温度、陆地表面覆盖等目标的遥感图像,常用于地表、生物圈等环境的长期观测,可从NASA Goddard太空飞行中心下载获得;全球地震信息包含发震时间、震中位置、震级等信息,可从美国地质勘测局USGS下载获得。本文针对上述3类数据,完成了以下工作。针对AIRS数据中18项典型参数,选取2005-2014年全球159次7级以上强震,剔除全球背景场后,使用DTS准则分析地震前后各参数异常特征变化,总结得到4种规律,并结合震例着重分析CO、O3和CH4三类参数对异常特征变化规律的吻合性。针对MODIS数据中8项描述地表/云温度的参数,以2005-2013年四川33次5级以上地震为例,剔除季度背景场后,构建BP神经网络,从地理空间角度横向建立地震前兆识别模型。选用地震预报率、无震预报率等8项指标测试模型可靠性,100次实验结果表明模型地震前兆识别率约为79.00%,预报效果良好。选用2000-2015年四川1511次3级以上地震的USGS全球地震信息,通过时间剖面纵向分析地震发震时间序列,构建人工神经网络,建立未来10天震级预报模型,选用均方差、地震预报率等9项指标测试模型可靠性,3450次实验结果表明模型地震预报率约为90.81%,震级预报均方差约为1.4314,预报效果优秀。