下载文档原格式
主成分分析在地震预测中的应用摘要：鉴于所提供的电压、电磁波辐射EW、电磁波辐射NS、地温、水位、气温、气压、水温、气氡、雨量、倾斜仪NS、倾斜仪EW等12个地震影响因子间存在相关性，数据冗余较大，而且仅根据某单一指标进行评估和预测，可靠性较差。
本文基于主成分分析法对各指标数据进行简化，选取信息量较大的前几个主成分，估算能够反映地震强度特征的综合指标W。
结果表明，几次地震前后，综合指标W均表现出较明显的异常现象，或是明显增加，或是明显减少，一定程度上能够反映地震异常活动情况。
关键词：主成分分析，特征向量，贡献率，地震预测Abstract: in view of the voltage, provided by electromagnetic radiation EW, electromagnetic wave radiation temperature, water level, NS, temperature, atmospheric pressure, water temperature, gas radon, precipitation, tiltmeter NS, tiltmeter EW and so on 12 earthquake influence the correlation factor, data redundancy is bigger, and only a single index according to evaluate and prediction, reliability is poorer. This paper, based on the principal component analysis of each index data is simplified, the selection of larger information before a few principal components, estimation can reflect the characteristics of earthquake intensity comprehensive indexes W. The results show that a few times before and after the earthquake, the comprehensive index W all represent more apparent anomalies, or significantly increased, or significantly reduce and, to some extent, can reflect earthquake abnormal activity.Keywords: principal component analysis, feature vector, contribution, earthquake prediction一、引言地震是地下岩层受应力作用错动破裂造成的地面震动，是一种破坏性极强的自然灾害。
EEW系统估算地震参数的PCA法野田俊太,研究员山本俊六,博士.工程师,实验室掌门人佐藤新二,高级研究员地震防灾研究室/实验室，防灾科技司/部门摘要:新干线EEW系统从单站数据快速估计地震参数。
这个系统中估计震中位臵，是利用主成分分析法和B-Δ方法。
本文提出了新的方法以提高估算震央的性能--通过引入可变的时间窗口，替代传统的固定时窗。
结果发现，新的方法对提高‚back-azimuth（后方位角）‛估算的精度和速度分别达到了28％和0.25秒。
与以往的方法相比，震中距的估计速度提高了约1.32秒，相对于传统方法。
关键词：EEW，早期地震侦测，单台方法，P波，主要成分分析，B-Δ方法1.介绍.EEW系统是一个减少地震灾害的非常有效的方法。
一般情况下，EEW系统能够提供地震参数，例如，在第一个台站侦测到P波之后的几秒钟之内，它可以算出震级和震中位臵。
中村丰开发的UrEDAS，是为了在地震期间，安全地终止新干线的运行---这在大约20年以前就投入了实际应用。
RTRI为新干线开发了一个新的EEW系统，而且UrEDAS被2004-2005年的新系统所取代。
当新系统中的台站侦测到地震时，震中位臵的确定通过组合以下两种方法（称为单站方法）：1.主成分分析（PCA）（图1）：通过对初始P波的微弱运动的第一主成分的‚后-方位角‛的估算；2.B-Δ法（图2）：通过拟合函数Bt*exp（-At）的系数B来估算震中距Δ。
在此过程中，第一次震中位臵的确定，此时震级的估算来自于‚已被确定‛的震中距和‚通过使用预定的地震动烈度的衰减关系‛得出的振幅。
在单站方法中,改进精确度和速度,去估算震中位臵是必要的,为了使new EEW系统更加稳定、有效。
图1.使用PCA法对“后-方位角”的估算. 图2.使用B-Δ法对震中距的估算.这项研究首先提出了一个新的方法，通过引入一个可变的时间窗口来代替传统的固定时窗，去提高PCA 的精度和速度。
汶川地震重灾区地质灾害风险评价的重要意义和方法摘要：地质灾害发生的几率及其可能造成的损失等问题一直国内外研究的重点。
地质灾害风险评价的方法很多, 各有优劣。
采取什么评价方法, 怎样进行快速评价和制图, 在减灾防灾中, 特别是应急救灾中能发挥更大的作用是进行风险评价的主攻方向。
关键词：地质灾害风险评价指标体系汶川5.12地震给整个灾区带来巨大损失, 除了地震震动直接造成损毁外, 地震过程中诱发大量的地质灾害也扩大了受灾程度。
同时, 地震活动还使区域斜坡稳定性减弱, 形成众多的威胁性次生山地灾害, 给灾区的灾后重建和生产生活带来了巨大的困难。
震后地质灾害危险性评价是全面宏观地反映灾情, 确定减灾目标, 优化防治措施,提高减灾效益, 进行防灾减灾决策的重要依据[1] 。
1．地质灾害危险评价方法近几十年，随着地质灾害造成的损失日益严重和国内外相关学术的迅速发展, 特别是地理信息系统(GIS)技术与遥感(RS)技术的引入,使地质灾害危险性评价迅速兴起并得到飞速发展。
GIS主要用于数据处理,空间分析和图像处理。
利用GIS进行空间检索与分析、属性数据的调用、图表计算、数学模拟,及对多个图层的复合、分解、叠加等运算,同时结合评价模型,实现对地质灾害危险性评价的目的[2]。
本文借助遥感(RS)和地理信息系统(GIS)强大的技术支持,再结合比较前人研究成果,通过对研究区地质灾害的类型及威胁特性分析,利用模糊综合评价模型, 实现评价结果。
具体的评价步骤如下:(1)数据收集。
数据收集包括基础地理数据(地形图、水系) ,地质图,断裂分布,灾害点分布；(2)评价因子的选取。
根据基础数据和野外调查结果, 分析地质灾害发生的基本因素和诱发因素,选取评价因子；(3)危险性评价。
利用GIS 技术,对各个评价因子建立评价因子图层,进行栅格图层运算,最后结合相关模型, 完成对研究区的危险性评价分区图。
2．地质灾害风险评价指标体系(1)地质灾害风险评估体系构成地质灾害风险评估是对风险区发生不同强度地质灾害活动的可能性及其可能造成的损失进行的定量化分析与评估。
SEISMOLOGICAL AND GEOMAGNETICOBSERV ATION AND RESEARCH第38卷 第5期2017年 10月Vol.38 No. 5Oct. 2017地震地磁观测与研究doi: 10. 3969/j. issn. 1003-3246. 2017. 05. 008主成分分析法在2013年灯塔M S 5.1地震预测中的应用王 岩 李彤霞 钱 蕊 邵媛媛 翟丽娜（中国沈阳110034辽宁省地震局）摘要 以2013年1月23日灯塔M S 5.1地震为研究对象，计算地震发生区域的地震频次N 、b 值、η值、A (b )值、M f 值、AC 值、C 值、D 值、R m 值、能量E 、响应比Y 等11个地震活动性参数，并应用主成分分析方法，进行参数约简和数据挖掘，得到综合参数W ，发现W 在灯塔地震发生前有明显异常变化，说明主成分分析法在地震活动性参数的信息再挖掘中可以发挥巨大作用。
关键词 地震活动性参数；主成分分析；灯塔地震0 引言地震活动性特征是地震预报研究中的重要依据和手段，这些反映地震时间、空间、强度、地下介质信息的特征，以不同地震活动性参数形式反映出来（国家地震局预测预防司，1997）。
在多年地震预报研究中，许多参数的震前异常变化证实了这些特征信息的可靠性（李芳等，2006；中国地震局监测预报司，2007）。
但是，随着参数数量的增多，在不同区域地震预测研究应用中，常常出现不同参数显示的地震前兆异常信息不一致现象（王炜等，2005）。
针对这些问题，对多个参数进行深入分析，发现许多参数之间相关性较高，可以引入主成分分析方法，对多参数进行降维简约，提取易于分析的综合参数W （王炜等，2005；李永振，2009；王岩等，2016）。
本文即采用该方法，分析2013年灯塔M S 5.1地震，验证该方法的可靠性。
1 灯塔地震参数计算与分析2013年1月23日，在辽宁省灯塔地区发生M S 5.1地震（41.48°N ，123.17°E ），震源深度7 km ，辽宁大部分地区有感。
改进主成分分析方法及其在地震数据处理中的应用田书英;李玥姮;辛小龙;贺瑞缠;陈振勋【期刊名称】《价值工程》【年(卷),期】2011(30)29【摘要】This paper introduces the concept of vecter of proportions based on the characteristics of seismic data and presents an improved method of principal component analysis and a way to carry out it. Then we apply the improved PCA method to the precursor data of Gaoling earthquake which happened in Xi'an in November 5, 2009, as well as other precursor datas of earthquakes which happened in Xi'an before. The results show that this improved PCA method makes the pre-earthquake characteristics lie in the principal component data fitting curve more easier to express in mathematic when processing seismic data and that provides a good basis for earthquake analysis and prediction.%本文基于地震数据的特征,引入向量成分化概念,提出了一种改进的PCA方法,并给出了相应的算法实现.应用改进后的PCA方法,分析了西安高陵2009年11月5日地震的前兆数据以及之前发生在西安地区的多次地震的前兆数据.分析结果表明:这种改进的PCA方法在处理地震数据时,主成分数据拟合曲线的震前特征更便于数学表示,为地震的分析和预测提供了良好的基础.【总页数】2页(P3-4)【作者】田书英;李玥姮;辛小龙;贺瑞缠;陈振勋【作者单位】西北大学,西安710127;西安交通大学电子与信息工程学院,西安710049;西北大学,西安710127;西北大学,西安710127;西北大学,西安710127【正文语种】中文【中图分类】P315【相关文献】1.主成分分析方法在核酸碱基量子化学计算数据处理中的应用 [J], 刘世熙;曹槐;栗晻;谢小光;刘次全2.主成分分析法中数据处理方法的改进 [J], 纪荣芳3.改进的F-X域EMD去噪在井间地震数据处理中的应用 [J], 熊章强;周安;张大洲4.SVD与EMD联合去噪方法在地震勘探数据处理中的研究与应用 [J], 黄艳林;5.SVD与EMD联合去噪方法在地震勘探数据处理中的研究与应用 [J], 黄艳林因版权原因，仅展示原文概要，查看原文内容请购买。
第2期(总第131期)2009年6月四 川 地 震EARTHQUAKE RESEARCHI N S I CHUANNo 2J une 2009收稿日期:2009-03-16作者简介:李永振(1976-),男,辽宁法库县人,1998年毕业于防灾科技学院地球物理系,工程师主成分分析法在汶川地震预测中的应用李永振(辽宁省地震局,辽宁 沈阳 110034)摘要:选择与地震强度有关的3级以上地震频次N (M L 3 0)、b 值、 值、M f 值、C 值和A c 值等6个参量进行主成分分析,实现对上述参量的有效约简。
这6个参量之间有一定的相关性,各参量在不同时段的变化各有所异,但是根据主成分分析可以得到映应地震强度特征的综合指标W,发现该指标W 在汶川8 0级大地震前出现明显的异常变化。
这表明综合指标W 可以较好的反映地震活动的异常特征。
关键词:主成分分析;相关性;特征向量;贡献率中图分类号:P315 71 文献标识码:A文章编号:1001-8115(2009)02-0021-05当今世界人类积累的数据量正在以指数增长,面对大量的数据,人们渴望获得能从海量的数据中获取有用的信息。
数据挖掘[1](data m i n i n g)就是在数据库中对数据进行一定的处理,从大量不完整的、有噪声的、模糊的、随机数据中提取隐含的、事先未知的、但又是潜在有用的信息的过程。
数据挖掘涉及到多个学科领域,如数据库技术、人工智能、神经网络、高性能计算机和数据可视化等。
在数据挖掘中,数据清洗是数据挖掘前的一个重要环节,它包括去噪声,填补丢失的域,删除无效数据,对时序数据的整理和归并,以及数据属性的约简等。
王炜等[2]用主成分分析法对地震活动性参数进行了约简,同时用该方法在江苏溧阳6 0级地震中进行了应用[3]。
目前,在地震活动性分析中存在许多预报指标,如b 值、C 值、D 值、Y 值、 值等,这些指标从不同侧面反映了地震活动时间、空间、强度特征。
目前这类参数较多,同时它们之间还可能存在一定的相关性[4,5]。
另外在实际预报中,常常有些参数在一些中强以上地震前出现较明显的异常,而另一些参数并不出现异常。
这些都给实际预报带来困难。
如何解决预报参数过多而造成预报意见的不一致,本文利用主成分分析法,对汶川8 0级大地震进行了预测研究,实现了多项预报指标的简化。
主成分分析方法是将描述样本特征的多个可能有一定相关性的指标,化为少数几个综合指标的一种统计分析方法。
主成分分析法能够在最大限度地保留原有信息的基础上,对高维变量系统进行最佳地综合与简化,并能够客观地确定各个指标的权数,避免了主观随意性。
在原始数据的基础上应用主成分分析法,可以找出由若干个指标线性组合而成的综合指标,即若干个主成分。
这些主成分可以尽可能地反映原来的指标信息,同时彼此之间相互独立。
本文选用汶川8 0级大地震前后震中附近地区的地震资料,选择与地震活动强度有关的6个参量,即3级以上地震的频次N 、b 值、 值、A (b )值、M f 值和A c 值进行主成分分析。
这6个参量之间具有一定的相关性,各参量在不同时段的变化各有所异,预报效果并不理想。
但是根据主成分分析方法可以得到反映地震强度异常特征的综合指标W,发现在地震前该指标出现明显的异常变化,由此表明综合指标W 可以较好地反映地震活动异常的综合特征。
主成分分析方法是简化预报参量的有效工具,在地震预报中具有良好的应用前景。
1 主成分分析法主成分分析法旨在力保原始数据信息丢失最小的情况下,对高维变量空间进行降维处理,经过线性变换和舍弃部分信息,以少数的综合变量取代原有的多维变量。
设原始变量为x 1,x 2, ,x p ,进行主成分分析后得到的主成分(综合变量)为z 1,z 2, ,z m (m <p),它们是x 1,x 2, ,x p ,的线性组合(m <p)。
新变量z 1,z 2, ,z m 构成的坐标系是在原坐标系经平移和正交旋转后得到的,称z 1,z 2, ,z m 空间为m 维主超平面。
在主超平面上,第一主成分z 1对应于数据变异(贡献率e 1)最大的方向。
对于z 2,z 3, ,z m ,依次有e 2 , , e m 。
因此,z 1是携带原始数据信息最多的一维变量,而m 维主超平面是保留原始数据信息最大的m 维子空间。
主成分分析法的步骤如下:(1)为了排除数量级和量纲不同带来的影响,首先对原始数据进行标准化处理:x ij =x ij -x iii=1,2, ,n (1)式中,x ij 为第i 个指标第j 个样本的原始数据;x i 和 i 分别为第i 个指标的样本均值和标准差。
(2)根据标准化数据表(x ij )p !n ,计算相关系数矩阵R =(r ij )p !n 。
其中:r ij =1n (x ij -x i )(x ij -x j )( i j )(2)(3)计算R 的特征值和特征向量。
根据特征方程|R -!|=0,计算特征根!i,并使其从大到小排列:!1 !2 !p ,同时可得对应的特征向量u 1,u 2, ,u p ,它们标准正交。
u 1,u 2, ,u p 称为主轴。
这里,I 为单位矩阵。
(4)计算贡献率:e i =!i / pk=1!k (3)累计贡献率:E m = mk=1!k / p k-1!k(4)(5)计算主成分:Z m = p j=1u m j x j(5)(6)综合分析:一个m 维主超平面究竟以多大的精度来近似代替原始变量系统,才能确保尽可能多的原始数据信息?这可以通过求累计贡献率E m 来判断。
一般E m >85%的最小m (m <p),则可得主超平面的维数m,从而可对m 个主成分进行综合分析。
(7)根据主成分分析得到的主成分Z i 和相应的权值(贡献率)e i,计算本文定义的反映地震活动时、空、强异常特征的综合指标:W = mi=1e i Z i(6)由于m 个主成分已基本保留了这些预报参数的信息,所以综合指标W 包含了这些参数从不同侧面反映地震活动时、空、强异常的基本特征。
本文选择了从不同侧面反映地震活动时、空、强特征的一些参量:地震频次N (M L 3 0)、b 值、 值、M f 值、A (b)值、A c 值6个参量进行主成分分析。
2 汶川8 0级大地震前后地震活动性参数的主成分分析为说明主成分分析方法如何应用于实际地震预报中,下面以2008年5月12日汶川M s8 0级地震为例。
图1为8 0级地震发生前后震中周围350km 范围内的一些地震活动性参数随时间变化曲线。
除地震频次N (M L 3 0)外,其它参数计算所选取的起始震级为M L 2 0。
参数计算累计时间为1年,滑动步长为1个月。
从图1可以看到,8 0级地震前这些参数各有所异,除 值、M f 外,大多参数在这次地震前的异常变化并不显著。
表1为通过主成分分析方法得到的上述参量在各主成分中的系数(特征向量)、特征值与贡献率。
当取3个主成分时,累计贡献率已达到90%;当取4个主成分时,累计贡献率已达到97%。
这表明取前3∀22∀四 川 地 震2009年第2期图1 地震参数随时间变化曲线个主成分已包含了样本中的绝大部分信息量。
由表1可知,主成分1中的M f 值、 值系数较大,是构成主成分1的主要参数;主成分2中的b 值、A (b )值系数较大,是构成主成分2的主要参数;主成分3中的N 值(M L 3 0)、A c 值系数较大,是构成主成分3的主要参数。
本文取前3个主成分根据式(5)计算地震综合指标W 。
图2为汶川8 1级地震前后震中附近地区地震活动时、空、强异常特征的综合指标W 随时间的变化。
可以看到,在2008年汶川8 0级大地震前7~8年时间,汶川震中附近地区W 值出现明显上升的形态,异常幅度大于1 0。
这表明地震活动时、空、强异常特征的综合指标W 可以很好地反映地震活动偏离震级#频次(G -R )关系的特征和地震活动增强特征。
表1 各参量在各主成分中的系数(特征向量)、特征与贡献率参量主成分1主成分2主成分3主成分4主成分5主成分6N 0 17650 11370 8682-0 3809-0 1644-0 1729b 0 35640 58750 005-0 01780 71330 1366 0 5768-0 19910 120 2767-0 250 6887A (b)-0 1163-0 66690 32640 23620 6155-0 0237Mf-0 59110 07270 0947-0 38970 09290 6898A c -0 38240 39020 34090 7552-0 1190 0271特征值2 57121 72661 10580 4040 15040 0421贡献率/(%)42 852728 776118 42946 73312 50710 7016累计贡献率/(%)42 852771 628890 058296 791399 2984100∀23∀2009年6月 李永振:主成分分析法在汶川地震预测中的应用3 主因子得分与综合指标W 值图3为对与地震活动强度有关的6个参量进行因子分析时,得到的4个公共因子得分随时间变化曲线,可以看到图2中综合指标W 值的基本形态主要由主因子1确定。
这是由于主因子1的方差贡献率最图2 地震强度综合指标W 值随时间的变化大,达到43%。
而因子分析的结果显示,因子1主要反映了异常相对较好的M f 值、 值2个参数的信息。
其他2个因子得分各有所异,且异常变化特征不甚显著,但由于它们的贡献率较小,因此综合指标W 值可以较好地反映出震前的异常变化。
由此可以看出,因子分析可以通过研究各参量的相关矩阵内部结构,得到各参量的因子载荷和因子贡献率,将一些包含异常信息较大的参量和因子赋予较大的权值,从而使得综合指标W 值的异常变化明显。
4结论图3 主成分1、2、3随时间的变化本文研究结果表明,目前在地震预测中,由于地震活动性参数较多,这些参数从不同侧面反映了地震在时间、空间和强度方面的特征,由于指标之间有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠,而且无论在正常情况还是异常情况下各个参数的形态变化各不相同。
这不但给分析预测工作带来不必要的麻烦,还可能存在主观片面性,不能很好地抓住事物的主要矛盾。
而主成分分析正是解决这一问题的理想工具。
主成分分析法可在力保原始数据信息丢失最少的情况下,对高维变量空间进行降维处理,经过线性变换和舍弃部分信息,以少数的综合变量取代原有的多维变量。
本文使用综合反映地震活动时间、空间和强度特征的W 值,包含了上述6个参数中的绝大部分信息,从而可以较好地反映地震活动的时、空、强异常变化特征。
