An early earthquake alarming method using seismic P-wave double-parameter based on Bayesian theory
-
摘要: 为了及时、准确、可靠地发出地震预警信息，本文提出了一种基于贝叶斯理论的地震P波双参数预警方法。选取中国地震台网中心记录的四川地区的355条地震数据，统计P波触发后前3 s的P波平均周期τc和位移幅值Pd，结合贝叶斯理论建立震级和峰值加速度的预测模型，并以震级M4.5和峰值加速度为120 cm/s2为预警阈值，建立了地震危害性判别模型。与传统拟合方法进行对比仿真分析，并以汶川MS8.0地震为震例，进行地震危害性判别实验与分析。实验结果表明：本文提出的基于贝叶斯理论的地震 P 波双参数预警方法比传统拟合方法地震漏报率低 15.15%，可以快速、准确地估计震级与峰值加速度，并有效地评估地震的危害性，能够为地震监测预警提供数据支持和决策依据。Abstract: In order to send out earthquake alarm information timely, accurately and reliably, an early earthquake alarm method using P-wave double-parameter alarm method based on Bayesian theory is proposed in this paper. Based on 355 earthquake data recorded at Sichuan Province of China Earthquake Networks Center, the median period τc and ground motion amplitudes Pd in the first 3 seconds after P-wave triggering are calculated. Combined with Bayesian theory, the prediction model of magnitude and peak ground acceleration is established. Taking the magnitude M＝4.5 and PGA＝120 cm/s2 as the alarm threshold, the seismic hazard discrimination model is established. Compared with the traditional fitting method, the simulation analysis of earthquake early warming based on Bayesian theory, and then the Wenchuan MS8.0 earthquake is taken as an example to carry out the earthquake hazard identification. The experimentalresults show that early earthquake alarming method using seismic P-wave double-parameter based on Bayesian theory is 15.15% lower than the traditional fitting method, which can can quickly and accurately estimate the magnitude and peak acceleration, and effectively assess the hazard of earthquake, which can provide data support and decision-making basis for earthquake monitoring and alarming.
-
Keywords:
- earthquake alarm /
- Bayesian theory /
- magnitude prediction /
- PGA prediction
-
引言
地震预警是在地震发生以后，地震波传播到设防地区前，向设防地区提前几秒至几十秒发出的警报，可减轻当地的灾情（张晁军等，2014；郭凯等，2016）。实时估计地震动强度信息的准确性和时效性，成为地震预警的主要研究内容之一（冯继威，2019）。Kanamori （2005）分析了P波平均周期τc 与地震震级M的关系。赵岑（2013）使用与地震动强度有关的特征参数如
$ {\tau }_{\mathrm{P}}^{\mathrm{m}\mathrm{a}\mathrm{x}} $ ，位移幅值Pd和τc，利用统计回归方法进行地震峰值加速度（peak ground acceleration，缩写为PGA）和峰值速度（peak ground velocity，缩写为PGV）的实时预测。Iervolino等（2006）提出一种基于贝叶斯条件概率分布理论的地震预警震级预测方法，将意大利南部坎帕尼亚地区的历史地震活动性信息和台站记录的实时波形信息应用于地震震级计算中。武俊奇（2016）应用贝叶斯方法分别对Pd，Pa，Pv等地震动参数与PGV的关系予以分析。但只依靠单一的地震动强度参数，难以评估地震的危害性（周银兴等，2015）。需要研究基于多参数的地震危害性评估方法,为此本文应用贝叶斯理论，通过统计四川地区历史地震活动信息，利用古登堡−理查德（Gutenberg-Richter，缩写为G-R）关系得到先验概率分布，结合地震P波平均周期τc和位移幅值Pd，对震级和后续峰值加速度进行预测，并应用四等级划分方法完成对地震危害性联合判别。根据地震危害性等级给出相应的地震预警，以降低地震预警的漏报率与误报率。1. 地震数据选取和预处理
选取四川地区2008年汶川MS8.0和2017年九寨沟MS7.0两次地震的主震及其余震（震级范围MS3.5—8.0）记录（中国地震台网中心，2020），按以下标准对地震数据进行处理与筛选：
1） 选取震源深度25 km以内、震中距100 km以内的强震数据；
2） 对所有数据应用短长时窗均值之比（short term average to long term average，缩写为STA/LTA）和赤池信息准则（Akaike information criteria，缩写为AIC）相结合的方法进行P波到时自动拾取，同时对P波拾取进行人工校正；
3） 先对加速度记录进行基线校正；再对加速度记录进行积分得到速度记录和位移记录；最后进行0.075 Hz巴特沃斯高通滤波，以消除积分带来的低频漂移现象；
4） 计算时地震记录需要满足一定的信噪比要求，即选取P波触发后3 s内的速度幅值大于0.05 cm/s作为信噪比的选取标准筛选数据，并对所选记录进行降噪处理，以降低加速度记录的高频干扰。
经过上述处理，最终筛选出了355条地震数据，震中位置和震级、震中距及地震频次的分布情况如图1所示。
![]()
图 1 选取地震的震中（a）和震中距、震级及地震记录数（b）的分布Figure 1. Locations of earthquakes （a） and the number of earthquakes corresponding to different magnitudes and epicentral distances （b）2. 传统震级与峰值加速度的计算方法
传统震级与峰值加速度PGA通过各自拟合关系式，利用P波平均周期τc和位移幅值Pd分别带入拟合关系式进行计算。
2.1 利用平均周期τc计算震级
利用平均周期τc计算震级是目前地震预警系统中经常使用的一种震级预测方法，即通过建立P波前几秒内的τc与震级的线性统计关系，进行震级估算（Kanamori，2005；Zollo et al，2010；赵岑，2013；郝美仙，2020）。τc的计算公式如下：
$${\tau _{\rm{c}}} {\text{＝}} \frac{{2\pi }}{{\sqrt r }}{\text{，}}$$ (1) 其中
$$r {\text{＝}} \frac{{\displaystyle\int_0^{{\tau _0}} {\mathop {{{\dot u}^2}\!\!\!\!{\text{（}}\!t\!{\text{）}}\!\!\!\!{\rm{d}}t}\limits } }}{{\displaystyle\int_0^{{\tau _0}} {\mathop {{u^2}\!\!\!\!{\text{（}}\!t\!{\text{）}}\!\!\!\!{\rm{d}}t}\limits } }}{\text{，}} $$ (2) 式中：
$u\!\!\!\!{\text{（}}\!t\!{\text{）}}\!\!\!\!$ 为t时刻地震动记录的位移；$\dot{u}\!\!\!\!{\text{（}}\!t\!{\text{）}}\!\!\!\!$ 为t时刻地震动记录的速度，从台站触发开始计时并记为0点。对已处理的地震数据，根据式（1）求P波前3 s的τc值，建立τc与震级M的拟合关系
$${\lg }{\tau _{\rm{c}}} {\text{＝}} a M {\text{＋}} b {\text{±}} \delta {\text{，}}$$ (3) 式中，M为地震事件的震级，a，b为待拟合参数，δ为式（3）的标准差。利用最小二乘法拟合，拟合结果为：a＝0.19，b＝−1.26，δ＝0.2。
2.2 利用位移幅值Pd计算峰值加速度PGA
地震动峰值加速度PGA与地震烈度之间存在一定相关性（龙承厚等，2011；方嘉治等，2020）。分析地震危险性时，通常以台站记录地震动的PGA来估计当地可能遭受的地震灾害情况（赵岑，2013；马强等，2014）。且地震动记录的Pd与PGA存在较为良好的对数线性关系：
$${\rm{PGA}} {\text{＝}} \max [a\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\!]{\text{，}} $$ (4) 其中
$$ a\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\! {\text{＝}} \sqrt {a_{{\rm{EW}}}\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\!^2 {\text{＋}} a_{{\rm{NS}}}\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\!^2 {\text{＋}} a_{{\rm{UD}}}\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\!^2}{\text{，}}$$ (5) 式中：
$a\!\!\!\!{\text{（}}\!{t}_{i}\!{\text{）}}\!\!\!\!$ 为ti时刻三个方向的合成加速度记录；$a_{\mathrm{E}\mathrm{W}} \!\!\!\!{\text{（}}\!{t}_{i}{\!{\text{）}}\!\!\!\!}$ ，$a_{\mathrm{N}\mathrm{S}}\!\!\!\!{\text{（}}\!{t}_{i}{\!{\text{）}}\!\!\!\!}$ 和$a_{\mathrm{U}\mathrm{D}}\!\!\!\!{\text{（}}\!{t}_{i}{\!{\text{）}}\!\!\!\!}$ 分别为$ {t}_{i} $ 时刻东西、南北和垂直向加速度记录。对于位移幅值Pd计算如下：
$${P_{\rm{d}}} {\text{＝}} \max [d\!\!\!\!{\text{（}}\!{t_i}\!{\text{）}}\!\!\!\!]{\text{，}}$$ (6) 式中，
$d\!\!\!\!{\text{（}}\!{t}_{i}\!{\text{）}}\!\!\!\!$ 为垂直向地震记录的位移记录，表示由P波初至点到$ {t}_{i} $ 时刻的位移序列。对已经过处理地震数据，根据式（4），（5）与（6）求得P波前3 s的PGA和Pd值，建立Pd与PGA的对数线性关系，具体形式为
$$\lg {\rm{PGA}} {\text{＝}} a \lg {P_{\rm{d}}} {\text{＋}} b {\text{±}} \delta{\text{，}}$$ (7) 式中，a和b为待拟合参数，δ为式（7）的标准差。利用最小二乘法拟合，拟合结果为：a＝0.45，b＝2.35，δ＝0.28。
3. 基于贝叶斯理论估计的震级与PGA双参数地震预警模型
3.1 基于贝叶斯理论估计的震级与PGA双参数预测
根据贝叶斯理论，应用选取的四川地区汶川MS8.0和九寨沟MS7.0两次地震主震及其余震数据，建立震级和PGA预测模型。以历史地震数据为先验信息，以P波特征信息为似然函数，将其代入贝叶斯公式中有：
$$f\!\!\!\!{\text{（}}\!x\;|\;{y_{{\rm{obs}}}}\!{\text{）}}\!\!\!\! {\text{＝}} \frac{{f\!\!\!\!{\text{（}}\!{y_{{\rm{obs}}}}|x\!{\text{）}}\!\!\!\! \cdot f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\!}}{{\displaystyle\int\nolimits_{{x_{\min }}}^{{x_{\max }}} {f\!\!\!\!{\text{（}}\!{y_{{\rm{obs}}}}|x\!{\text{）}}\!\!\!\! \cdot f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\!{\rm{d}}x} }}{\text{，}}$$ (8) 式中：
$ {y}_{\mathrm{o}\mathrm{b}\mathrm{s}} $ 为地震动观测数据，在本文中为平均周期τc和位移幅值Pd；x为待求参数，在本文中为地震震级M和峰值加速度PGA；$ f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\! $ 为先验概率函数，表示在地震发生以前所有可用于地震参数实时预测的信息；$f\!\!\!\!{\text{（}}\!x\;|\;{y}_{\mathrm{o}\mathrm{b}\mathrm{s}}\!{\text{）}}\!\!\!\!$ 为后验概率函数；$ f\!\!\!\!{\text{（}}\!{y}_{\mathrm{o}\mathrm{b}\mathrm{s}}|x\!{\text{）}}\!\!\!\! $ 作为似然函数用来整合新采集到的特征参数值；${x}_{{\rm{max}}}$ 和$ {x}_{\mathrm{m}\mathrm{i}\mathrm{n}} $ 指研究地区可能发生地震的震级或PGA的最大值和最小值。由上式G-R关系得到先验概率函数
$$f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\! {\text{＝}} \left\{ \begin{gathered} \frac{{\beta {{\rm{e}}^{ {\text{－}} \beta x}}}}{{{{\rm{e}}^{ {\text{－}} \beta {{{x}}_{\min }}}} {\text{－}} {{\rm{e}}^{ {\text{－}} \beta {x_{\max }}}}}}{\text{，}}\begin{array}{*{20}{c}} {}&{}&{} \end{array}{x_{\min }} {\text{≤}} x {\text{≤}} {x_{\max }}{\text{，}} \\ 0{\text{，}}\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {}&{}&{} \end{array}}&{} \end{array}}&{}&{}&{} \end{array}{x_{}} \notin [{x_{\min }}{\text{，}}\!\!\!{x_{\max }}] {\text{，}} \\ \end{gathered} \right.$$ (9) 式中，β是地震大小与地震数量之比，通过统计四川地区2007—2018年M3—8.2地震记录，使用最小二乘拟合方法（李世杰，2018）计算得到β＝2.047 2。
联合概率密度分布
$f\!\!\!\!{\text{（}}\!{y}_{\mathrm{o}\mathrm{b}\mathrm{s}}|x\!{\text{）}}\!\!\!\!$ 为似然函数，即给定x时监测数据$ {y}_{\mathrm{o}\mathrm{b}\mathrm{s}} $ 的条件概率密度。通过似然函数将实时采集到的信息和特征参数信息进行整合，代入贝叶斯公式，实现了似然函数根据采集的信息进行概率的实时更新。当各地震监测台站接收到的地震预警信息$ {y}_{\mathrm{o}\mathrm{b}\mathrm{s}} $ 符合独立同分布的条件，t为P波到达时间，将不同台站的预警信息累乘可得$$f\!\!\!\!{\text{（}}\!{y_{\rm{obs} }}|x\!{\text{）}}\!\!\!\! {\text{＝}} \prod\limits_{{{k {\text{＝}} 1}}}^{{n}} {f\!\!\!\!{\text{（}}\!{y_{k,t}}|x\!{\text{）}}\!\!\!\!} {\text{＝}} \prod\limits_{k {\text{＝}} 1}^{{n}} {\frac{1}{{\sqrt {2{\rm{\pi }}} {\sigma }{y_{k,t}}}}} \exp \left[ { - \frac{1}{2}{{\left( {\frac{{\lg {y_{k{\text{，}}\!\!\!t}} - \mu }}{\delta }} \right)}^2}} \right]{\text{.}}$$ (10) 本文研究采用单台监测原位预警信息计算。捡拾到P波初始震相到时，从中提取各种特征参数
${y}_{{\rm{obs}}}$ 统一用${y}_{1{\text{，}}t}$ 表示，由式（10）可以得出：$$f\!\!\!\!{\text{（}}\!{y_{1,t}}|x\!{\text{）}}\!\!\!\! {\text{＝}} \frac{1}{{\sqrt {2\pi } {\sigma }{y_{1{\text{，}}\!\!\!\!t}}}}\exp \left[ { - \frac{1}{2}{{\left( {\frac{{\lg {y_{1{\text{，}}\!\!\!\!t}} - \mu }}{\delta }} \right)}^2}} \right]{\text{，}}$$ (11) 式中，
$f\!\!\!\!{\text{（}}\!{y}_{1,{t}}|x\!{\text{）}}\!\!\!\!$ 为似然函数；$\mu$ 为${\rm{lg}}{y}_{\mathrm{o}\mathrm{b}\mathrm{s}}$ 均值；$\sigma$ 为${\rm{ lg}}{y}_{\mathrm{o}\mathrm{b}\mathrm{s}}$ 的标准差。当地震仪器检测到有地震发生时，利用G-R关系统计历史地震信息而得出先验概率函数，只要可以提取到用于震级预测的特征参数，就可根据新提取的信息对先验概率函数进行更新，即在台站监测到P波到达之前
$f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\!$ 由G-R关系决定。当t大于P波到时tfirst，即台站记录到新信息时，$ f\!\!\!\!{\text{（}}\!x\!{\text{）}}\!\!\!\!$ 的大小需要根据新信息改变为$${f_{{{t {\text{＞}} }}{{{t}}_{{\rm{first}}}}}}\!\!\!\!{\text{（}}\!x \!{\text{）}}\!\!\!\! {\text{＝}} {f_{{{t {\text{－}} 1}}}}\!\!\!\!{\text{（}}\!{x\;|\;{y_{{{1{\text{，}}\!\!\!t {\text{－}} 1}}}}} \!{\text{）}}\!\!\!\!{\text{.}}$$ (12) 将式（9）和式（11）代入式（8）中，将会得到在特征参数
$ {y}_{1{\text{，}}\!\!\!\!t} $ 的信息已知情况下的后验概率密度函数，即x的概率密度值，即$$f\!\!\!\!{\text{（}}\!x\;{\rm{|}}\;{y_{1{\text{，}}\!\!\!t}}\!{\text{）}}\!\!\!\! {\text{＝}} \dfrac{{\exp \left( {\dfrac{{2\mu {\rm{lg}}{y_{1{\text{，}}\!\!\!\!t}} - {\mu ^2}}}{{2{\sigma ^2}}} + \beta x} \right)}}{{\displaystyle\int\nolimits_{{x_{\min }}}^{{x_{\max }}} {\exp \left( {\dfrac{{2\mu {\rm{lg}}{y_{1{\text{，}}\!\!\!\!t}} - {\mu ^2}}}{{2{\sigma ^2}}} + \beta x} \right){\rm{d}}x} }}{\text{.}}$$ (13) 3.2 基于贝叶斯理论的震级预测模拟
由式（3）和
${{\rm{lg}}}{\tau }_{{\rm{c}}}$ 的拟合结果可以得出${{\rm{lg}}}{\tau }_{{\rm{c}}}$ 的数学期望$\;{\mu }_{\mathrm{lg}{\tau }_{\mathrm{c}}}$ 与标准差${\sigma }_{\mathrm{lg}{\tau }_{\mathrm{c}}}$ 分别为$$ {\begin{array}{*{20}{c}} {{\mu _{\lg {\tau _{\rm{c}}}} } {\text{＝}} 0.19M {\text{－}} 1.26}{\text{，}} {{\sigma _{\lg {\tau _{\rm{c}}}}} {\text{＝}} 0.20} {\text{，}} \end{array}} $$ (14) 将式（14）的结果带入到式（13），即可得到该台站平均周期参数为τc， t的震级概率密度函数。
假设震级分别为M＝4，M＝5和M＝6时，根据统计关系可得τc值分别为0.316 2，0.489 8和0.758 6。将假设的三个震级代入式（13）中，得到的概率密度分布如图2所示，可以看出最大概率密度所对应的估计震级分别为3.57，4.57和5.57。对模型进行验证可知误差为0.43，这是由模型误差和计算误差引起的。通过模型验证，证明了基于贝叶斯理论可以实现预警震级预测。
3.3 基于贝叶斯理论的PGA预测模拟
由式（7）和
${{\rm{lg}}}{P}_{\mathrm{d}}$ 的拟合结果可以得到${{\rm{lg}}}{P}_{\mathrm{d}}$ 的数学期望$\;{\mu }_{\mathrm{lg}{P}_{\mathrm{d}}}$ 与标准差${\sigma }_{\mathrm{lg}{P}_{{\rm{d}}}}$ 分别为$$ \begin{split}& {{\mu _{\lg {P_{\rm{d}}}}} {\text{＝}} 2.22\lg {\rm{PGA}} {\text{－}} 5.22} {\text{，}}\\ &{{\sigma _{\lg {P_{\rm{d}}}}} {\text{＝}} 0.62} {\text{，}} \end{split} $$ (15) 将参数带入式（13），即可得到位移幅值Pd参数的预测峰值加速度概率密度函数。
假设PGA为70，80和90 cm/s2时，根据统计关系lgPd值分别为0.21，0.28和0.38。将这三个位移幅值代入式（13），得到不同lgPGA的概率密度分布如图3所示，从图3可以看出lgPGA最大概率密度分别为1.81，1.87和1.92，最大概率密度对应的PGA值分别为64.57，74.13和83.18 cm/s2。由于PGA数据离散度大，导致计算误差和模型误差也较大。
![]()
图 3 不同PGA的lgPGA概率密度分布Figure 3. Probability density distributions of lgPGA with different PGA3.4 基于双参数预测的地震判断模型
参考Zollo等（2010）的思路，建立一个区分地震大小及远近的判断模型。根据我国地震预警等级与震级和烈度的关系（宋晋东等，2018），设置震级M和PGA的预警值，可以将地震事件判别为如图4所示的四种类型，本文设置的阈值分别为M＝4.5，PGA＝120 cm/s2，图4还给出了不同地震类型的人体感觉、破坏程度和相应的地震预警措施。
4. 对比试验与分析
对已经处理的地震数据，取P波前3 s的τc 值，按照传统方法进行拟合计算，得到预测震级Mf；然后使用本文提出的基于贝叶斯理论的双参数预测模型进行震级预测，预测震级用Mb表示。最后分别将预测震级Mf和Mb与真实震级M进行离散程度和误差分布的对比分析，离散程度和误差分布如图5所示。
![]()
图 5 实际震级与传统方法预测震级Mf和基于贝叶斯理论的预测震级Mb的比较（a）及其误差分布（b）Figure 5. Comparison of value M with fitting predicted values Mf and Bayesian predictors Mb （a） and the error distribution （b） of predicted magnitude由图5a可以看出，应用贝叶斯理论预测震级的标准差比传统拟合方法得到的震级标准差降低了0.333 4，表明贝叶斯理论预测方法结果更加稳定，可信度更高。由图5b可以看出，基于贝叶斯理论的预测方法所得误差的分布范围更小，拟合精度更高，而偏离程度降低，可以为四等级判别模型提供更准确地震参数信息。
同理，通过捡拾P波到时后3 s内的Pd，根据传统拟合关系计算出PGA预测值，用PGAf表示；根据贝叶斯理论模型进行PGA预测，预测值用PGAb表示；然后分别将两种方法得到的预测值与真实PGA进行比较，其离散程度和误差分布如图6所示。图6a和图6b中绿线的斜率为1，从图中可以看出应用贝叶斯理论预测方法的结果比传统拟合方法所得PGA的标准差提高了0.403 2 cm/s2。
![]()
图 6 真实值PGA与传统拟合预测值PGAf （a）和基于贝叶斯理论的预测值PGAb（b）的比较Figure 6. Comparison of real values PGA with fitting predicted values PGAf （a） and Bayesian predictors PGAb （b）5. 讨论与结论
选取66个不同台站测得的2008年汶川MS8.0地震前3 s内的P波地震数据，分别对震级和PGA进行估计，并对地震危害性进行预测判别，由于篇幅有限，表1仅给出11个试验数据与结果的对比，台站的经纬度，用本文贝叶斯理论计算的震级和PGA，以及将基于贝叶斯理论的预测方法、传统拟合方法所得数值和真实数值分别代入本文判别模型，得到的地震危害性判别结果。全部地震危害性判别结果分布如图7所示。
表 1 实验数据与结果Table 1. Experimental data and results台站位置 贝叶斯理论预测结果 地震危害性判别结果 东经/° 北纬/° MS PGA/（cm·s−2） 贝叶斯方法 传统拟合方法 真实 102.20 29.90 7.03 79.43 大震远震 大震远震 大震远震 102.90 30.20 6.35 104.71 大震远震* 大震近震 大震近震 103.80 30.90 7.71 173.78 大震近震 大震近震 大震近震 102.90 30.10 7.11 107.15 大震远震 大震近震# 大震远震 102.20 28.30 6.91 53.70 大震远震 大震远震 大震远震 102.60 29.50 6.88 75.86 大震远震 大震远震 大震远震 102.10 29.40 6.02 69.18 大震远震 大震远震 大震远震 102.20 29.70 4.52 83.18 小震近震 小震近震 大震远震 103.50 30.60 3.00 138.04 小震近震* 小震近震* 大震近震 103.60 30.30 7.77 123.03 大震近震# 大震近震# 大震远震 102.40 29.30 7.94 85.11 大震远震 大震远震 大震远震 注：表中地震危害性判别结果中右上角标准为*的表示漏报；标注为#的表示误报。 ![]()
图 7 基于贝叶斯理论的预测方法（a）和传统拟合方法（b）所得结果与真实数据判别结果的对比Figure 7. Comparison of discrimination results by Bayesian theory method （a） and fitting method （b） with real data从表1和图7可以看出，无论是本文的基于贝叶斯理论预测方法还是传统拟合方法都存在漏报和误报现象。漏报是估计的震级和PGA比阈值小，未发出地震报警，而真实情况是震级和PGA大于阈值，应该报警。误报是估计的震级和PGA比阈值大，发出了地震报警，而真实情况是震级和PGA小于阈值，不应该报警。本次的66个实验结果中，基于贝叶斯理论的预测方法的漏报率为7.58%，误报率为6.06%；而传统拟合方法的漏报率为6.06%，误报率为21.21%。实验结果表明基于贝叶斯理论的预测方法可以根据P波到时3秒内的数据，预测出震级和PGA，并可以识别出地震的大小和远近，准确率高于传统拟合方法，可以为下一步地震警报发布和采取救援行动提供有效的决策依据。
本文提出了基于贝叶斯理论的震级和PGA双参数预警方法，对地震危害性进行四等级划分，有效地提高了预警信息准确性和可靠性。针对实时震级和PGA预测问题，首先利用P波前3秒τc和Pd分别与震级PGA进行拟合，得出经验预测公式；然后结合历史地震信息，以古登堡-里克特关系为初始先验概率，以地震台站实时记录P波到时后3秒内的τc和Pd为似然函数，实时预测震级和PGA。本文将该方法与传统拟合方法对比分析，结果显示基于贝叶斯理论的预测方法准确率更高。最后以汶川MS8.0地震为算例进行地震大小和远近的评估与判别，分析了漏报和误报情况。结果表明应用贝叶斯理论预测震级和PGA，提高了预测准确度，可以为地震危害判断模型提供更准确的评判依据。
然而本文的地震类型划分模型还不够完善，预警阈值的设定还需要结合当地地理环境特点综合考量，并非固定不变。下一步将在此基础上进行模型细化，进一步探讨可用预警时间等地震预警指标。
-
![]()
图 1 选取地震的震中（a）和震中距、震级及地震记录数（b）的分布
Figure 1. Locations of earthquakes （a） and the number of earthquakes corresponding to different magnitudes and epicentral distances （b）
![]()
图 3 不同PGA的lgPGA概率密度分布
Figure 3. Probability density distributions of lgPGA with different PGA
![]()
图 5 实际震级与传统方法预测震级Mf和基于贝叶斯理论的预测震级Mb的比较（a）及其误差分布（b）
Figure 5. Comparison of value M with fitting predicted values Mf and Bayesian predictors Mb （a） and the error distribution （b） of predicted magnitude
![]()
图 6 真实值PGA与传统拟合预测值PGAf （a）和基于贝叶斯理论的预测值PGAb（b）的比较
Figure 6. Comparison of real values PGA with fitting predicted values PGAf （a） and Bayesian predictors PGAb （b）
![]()
图 7 基于贝叶斯理论的预测方法（a）和传统拟合方法（b）所得结果与真实数据判别结果的对比
Figure 7. Comparison of discrimination results by Bayesian theory method （a） and fitting method （b） with real data
表 1 实验数据与结果
Table 1 Experimental data and results
台站位置 贝叶斯理论预测结果 地震危害性判别结果 东经/° 北纬/° MS PGA/（cm·s−2） 贝叶斯方法 传统拟合方法 真实 102.20 29.90 7.03 79.43 大震远震 大震远震 大震远震 102.90 30.20 6.35 104.71 大震远震* 大震近震 大震近震 103.80 30.90 7.71 173.78 大震近震 大震近震 大震近震 102.90 30.10 7.11 107.15 大震远震 大震近震# 大震远震 102.20 28.30 6.91 53.70 大震远震 大震远震 大震远震 102.60 29.50 6.88 75.86 大震远震 大震远震 大震远震 102.10 29.40 6.02 69.18 大震远震 大震远震 大震远震 102.20 29.70 4.52 83.18 小震近震 小震近震 大震远震 103.50 30.60 3.00 138.04 小震近震* 小震近震* 大震近震 103.60 30.30 7.77 123.03 大震近震# 大震近震# 大震远震 102.40 29.30 7.94 85.11 大震远震 大震远震 大震远震 注：表中地震危害性判别结果中右上角标准为*的表示漏报；标注为#的表示误报。 
下载: 导出CSV
-
方嘉治,张颖,汪逵,董奕. 2020. 地震动场地影响校正在烈度速报中的应用研究[J]. 华南地震,40(3):17–26. Fang J Z,Zhang Y,Wang K,Dong Y. 2020. The research on application of site correction of ground motion in rapid reporting of seismic intensity[J]. South China Journal of Seismology,40(3):17–26 (in Chinese).
冯继威.2019. 大震地震动场的实时估计[D]. 哈尔滨: 中国地震局工程力学研究所:1–164. Feng J W. 2019.Real-time Estimation of the Ground Motion Field of Large Earthquakes[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Adminiistration: 1–164 （in Chinese）.
郭凯,温瑞智,彭克银. 2016. 地震预警系统的效能评估和社会效益分析[J]. 地震学报,38(1):146–154. doi: 10.11939/jass.2016.01.015 Guo K,Wen R Z,Peng K Y. 2016. Effectiveness evaluation and social benefits analyses on earthquake early warning system[J]. Acta Seismologica Sinica,38(1):146–154.
郝美仙,周银兴,张建中,张珂,尹战军. 2020. τc方法在内蒙古地区预警震级计算中的应用[J]. 中国地震,36(1):136–145. Hao M X,Zhou Y X,Zhang J Z,Zhang K,Yin Z J. 2020. Application of τc method in the early warning magnitude calculation in Inner Mongolia region[J]. Earthouake Research in China,36(1):136–145.
李世杰,吕悦军,刘静伟. 2018. 古登堡-里希特定律中的b值统计样本量研究[J]. 震灾防御技术,13(3):636–645. Li S J,Lü Y J,Liu J W. 2018. Research on b-value statistical sample size in Gutenberg Richter law[J]. Technology for Earthquake Disaster Prevention,13(3):636–645 (in Chinese).
龙承厚,赖敏,余桦,黎大虎. 2011. 地震有效峰值加速度与地震烈度相关性研究[J]. 四川地震,2011(2):26–31. Long C H,Lai M,Yu H,Li D H. 2011. Study on the correction between effective peak ground acceleration and seismic intensity[J]. Earthquake Research in Sichuan,2011(2):26–31 (in Chinese).
马强,李水龙,李山有,陶冬旺. 2014. 不同地震动参数与地震烈度的相关性分析[J]. 地震工程与工程振动,34(4):83–92. Ma Q,Li S L,LiS Y,Tao D W. 2014. On the correlation of ground motion parameters withseismic intensity[J]. Earthquake Engineering and Engineering Dynamics,34(4):83–92 (in Chinese).
宋晋东,教聪聪,李山有,侯宝瑞. 2018. 基于地震P波双参数阈值的高速铁路Ⅰ级地震警报预测方法[J]. 中国铁道科学,39(1):138–144. doi: 10.3969/j.issn.1001-4632.2018.01.19 Song J D,Jiao C C,Li S Y,Hou B R. 2018. Prediction method of first-level earthquake warning for high speed railway based on two-parameter threshold of seismic P-wave[J]. China Railway Science,39(1):138–144 (in Chinese).
武俊奇. 2016. 基于Bayes原理的渐进地面震动强度预警与P波特征参数研究[D]. 北京: 北京交通大学: 37–70. Wu J Q. 2016. Research on Progressive Ground Motion Intensity Warning Based on Bayes Principle and Characteristic Parameters of the P-Wave[D]. Beijing: Beijing Jiaotong University: 37–70 （in Chinese）.
张晁军,陈会忠,蔡晋安,侯燕燕,许洪华,李卫东. 2014. 地震预警工程的若干问题探讨[J]. 工程研究-跨学科视野中的工程,6(4):344–370. Zhang C J,Chen H Z,Cai J A,Hou Y Y,Xu H H,Li W D. 2014. Discussion on some issues of earthquake early warning engineering[J]. Journal of Engineering Studies,6(4):344–370 (in Chinese).
赵岑. 2013. P波预警中的震级预测和PGA、PGV估算研究[D]. 成都: 西南交通大学: 33–61. Zhao C. 2013. Study on the Characteristics of P-Wave to Estimate Magnitude and PGA, PGV in the Field of Earthquake Early Warning[D]. Chengdu: Southwest Jiaotong University: 33–61 （in Chinese）.
中国地震台网中心. 2020. 国家地震科学数据中心[DB/OL]. [2020-03-07]. http://data.earthquake.cn. China Earthquake Networks Center. 2020. China earthquake data center[DB/OL]. [2020-03-07]. http://data.earthquake.cn （in Chinese）.
周银兴,张素灵,郭凯,张岩. 2015. 高速铁路地震预警系统控车方案研究[J]. 震灾防御技术,10(1):116–125. doi: 10.11899/zzfy20150112 Zhou Y X,Zhang S L,Guo K,Zhang Y. 2015. High speed train control strategy in earthquake early warning system[J]. Technology for Earthquake Disaster Prevention,10(1):116–125 (in Chinese).
Iervolino I,Convertito V,Giorgio M,Manfredi G,Zollo A. 2006. Real-time risk analysis for hybrid earthquake early warning systems[J]. J Earthq Eng,10(6):867–875.
Kanamori H. 2005. Real-time seismology and earthquake damage mitigation[J]. Ann Rev Earth Planet Sci,33:195–214. doi: 10.1146/annurev.earth.33.092203.122626
Zollo A,Amoroso O,Lancieri M,Wu Y M,Kanamori H. 2010. A threshold-based earthquake early warning using dense accelerometer networks[J]. Geophys J Int,183(2):963–974. doi: 10.1111/j.1365-246X.2010.04765.x
-
期刊类型引用(0)
其他类型引用(3)
计量
- 文章访问数: 715
- HTML全文浏览量: 287
- PDF下载量: 50
- 被引次数: 3
