The secular variation prediction method of geomagnetic field in Chinese mainland based on long short-term memory neural network
-
摘要:
选取中国大陆及邻近地区32个地磁台站地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据，利用磁静条件筛选并剔除异常值，通过月均值年差分得到主磁场各要素的长期变化序列，然后将深度学习方法应用到地球主磁场长期变化研究中，利用长短时记忆神经网络（LSTM）建立了未来一年台站各要素数据的预测模型。预测结果表明：LSTM模型预测的D要素均方根误差（RMSE）、归一化均方根误差（NRMSE）平均值为1.139′和0.040；H分量的RMSE、NRMSE平均值为11.85 nT和0.086；Z分量的RMSE、NRMSE平均值为15.10 nT和0.026，LSTM模型对Z分量的预测精度最高，其次是D要素，最差的是H分量。分别计算由LSTM模型、线性外推、二次外推得到的台站各要素年变率误差，结果显示：对于D要素，LSTM预测结果的RMSE平均值为0.361′/a，较线性外推法提高了54%，较二次外推法提高了59%；对于H分量，LSTM预测结果的RMSE平均值为3.921 nT/a，较线性外推法提高了58%，较二次外推法提高了76%；对于Z分量，LSTM预测结果的RMSE平均值为4.339 nT/a，较线性外推法提高了47%，较二次外推法提高了57%。
-
关键词:
- 地球磁场 /
- 长短时记忆（LSTM） /
- 长期变化 /
- 深度学习 /
- 中国大陆
Abstract:The geomagnetic field is the result of the superposition of different magnetic substances and their dynamic processes within the Earth, as well as the magnetic field generated by the current systems both inside and outside the Earth. Researching the geomagnetic field is not only crucial for revealing the Earth’s spatial electromagnetic environment, exploring the Earth’s internal structure, and understanding the magnetohydrodynamic dynamics of the Earth’s core, but also plays an extremely important role in monitoring earthquake and volcanic activity, exploring mineral and energy resources, as well as positioning and navigating carrier. The magnetic field of the Earth’s core, also known as the main magnetic field, is widely believed to be generated by the magnetohydrodynamic generator mechanism in the Earth’s core, accounting for over 95% of the total magnetic field. The wavelength of the main magnetic field is relatively long, and its spatial distribution is dominated by dipole fields. The temporal variation shows long-term changes on the scale of hundreds to thousands of years and polarity reversal on the scale of millions of years. The main magnetic field and its secular variation have always been important research topics in geomagnetism.
Machine learning can extract features from large amounts of data, and can also learn and iterate to discover the data patterns and features we need. As an important branch of machine learning, deep learning learns and mines data features through deep neural networks. Deep learning can handle non-linear data without relying on the spectral characteristics of temporal data, and has good performance. LSTM （long short-term memory） adds a gate mechanism to the traditional RNN （recurrent neural network） structure, which can effectively solve the problems of gradient explosion and vanishing during RNN training. Therefore, LSTM has more complex temporal information memory units and is widely used in temporal data analysis and modeling.
Thus, we apply deep neural network LSTM to the research of secular variation prediction of geomagnetic field. We select the time averaged data of the horizontal component H, magnetic declination D, and vertical component Z of the geomagnetic field from 32 geomagnetic stations in Chinese mainland and its neighboring regions; use local time conditions and geomagnetic index conditions to select and calculate the daily mean of the time averaged data; further filter the data based on the geomagnetic quiet days published by the World Geomagnetic Data Center, and perform linear fitting on the filtered data to remove outliers and calculate the monthly mean; further obtain the secular variation time-series of the main magnetic field through the annual difference of the monthly mean. Finally, the secular variation time-series of the main magnetic field is input into the LSTM model for training, and the predicted results of the model are compared and analyzed with those of general methods.
The prediction results shows that for the D element the average RMSE and NRMSE of LSTM are 1.139' and 0.040, for the H element the average RMSE and NRMSE of LSTM are 11.85 nT and 0.086, for the Z element the average RMSE and NRMSE of LSTM are 15.10 nT and 0.026, suggesting the LSTM model has the highest prediction accuracy for Z element, followed by D element, and the worst for H element. There are two main reasons why the model has poor accuracy in predicting H elements. Firstly, during the geomagnetic quiet period, the distribution of Sq current system and equatorial current directly affects the recording of H elements at ground stations, especially in low latitude areas where H elements undergo significant changes. Secondly, the training set has limited sample data and lacks comprehensive secular variation information, resulting in the model which is able to fit well on the training set but has poor prediction accuracy on the testing set. Expanding the sample size of the training set as much as possible can improve this situation.
We calculate the annual rate error for various elements of the station obtained from LSTM model, linear extrapolation, and quadratic extrapolation. For the D element, the average RMSE of the LSTM prediction results is 0.361'/a, which is 54% higher than linear extrapolation and 59% higher than quadratic extrapolation. For the H element, the average RMSE of the LSTM prediction results is 3.921 nT/a, which is 58% higher than linear extrapolation and 76% higher than quadratic extrapolation. For the Z element, the average RMSE of the LSTM prediction results is 4.339 nT/a, which is 47% higher than linear extrapolation and 57% higher than quadratic extrapolation.
-
Keywords:
- geomagnetic field /
- LSTM /
- secular variation /
- deep learning /
- Chinese mainland
-
引言
随着我国数字地震观测技术的快速发展，台站密度逐渐增大，地震监测能力和水平得到大幅度提高，地震台网能够捕获更多事件信号。既可以记录到震级较小的天然地震事件，又可以记录到大量非天然地震事件（赵永等，1995），如会导致地震预警误触发的人工爆破等。及时准确地从天然地震目录中剔除人工爆破事件以保证目录的完备性和准确性对于区域强震预测及地震危险性评估至关重要（黄汉明等，2010；隗永刚等，2019）；快速有效且自动区分天然地震和人工爆破，对防震救灾工作中的抢险应急响应具有重要意义，已成为目前地震监测工作中面临的重要问题之一，也是近年来震灾救援部门和地震学者高度重视的问题。
随着AlphaGo和ChatGPT风靡全球，让人类重新思考人工智能的更多发展可能性，对于人类体力劳动和非创造性脑力劳动，利用人工智能的手段替代能很大程度的提高效率、节省人力成本并减少错误。例如在地震学上，研究学者应用人工智能手段进行地震波降噪、地震震源机制估算、微震识别及定位等（Gao，Zhang，2019；Kuang et al，2021；Zhang et al，2022）。近年来，部分学者尝试利用人工智能技术进行地震波形分类。例如，应用神经网络模型对地震和噪声波形进行分类，准确率普遍达到95%以上（赵明等，2019；Chen et al，2019；Men-Andrin et al，2019；Zhang et al，2020a，b）。其中，Men-Andrin等（2019）应用了五种神经网络模型对实时地震波形和噪声进行判别，卷积神经网络（convolutional neural network，缩写为CNN）的表现最为突出，拥有最高的精确率（precision）和召回率（recall）。不少学者也应用卷积神经网络模型进行天然地震与人工爆破的识别，例如：陈润航等（2018）从震源波形中提取梅尔频率倒谱系数图后用卷积神经网络进行天然地震与爆破事件分类识别，准确率（accuracy）达95%以上；Linville等（2019）利用卷积神经网络模型对美国犹他州的天然地震信号和采石场爆破信号进行区分，区分结果可达99%；周少辉等（2021）利用深度学习技术中的卷积神经网络模型对山东地区的天然地震与非天然地震进行学习训练，训练验证识别准确率达到98%以上；郑周等（2023）利用卷积神经网络对福建及邻省的地震、噪声、爆破及异常波形进行区分，识别率分别达到97.9%，99%，99.2%和99.3%。上述工作都证明深度学习在地震学上存在一定的发展潜力，卷积神经网络在波形区分上的表现更为突出。
目前广东省地震台网一周平均记录到爆破事件72次，且爆破识别工作完全通过人工完成，不仅耗时而且还高度依赖分析人员的专业水平，难免会出现错误，如广东丰顺地区的地震波形与爆破类似，极易判断错误。再者，随着预警系统的正式运行，全省预警速度达到秒级，需要我们对台站收集的各类信号进行快速并自动分类，以避免发生误触发。由于每个地区、省份的地质构造不同，其天然地震波形甚至包括爆破的其它非天然地震事件波形也大相径庭，即使是具有高泛化能力的卷积神经网络也不太可能将同一套训练好的模型用于区域或更大的范围。
为解决以上问题，本文拟搭建一个适用于广东地区的卷积神经网络模型，利用广东省地震台网的天然地震与人工爆破数据训练该模型，构建一个适用于广东地区的人工爆破智能识别器，以期简化数据预处理流程，缩短事件判定时间，高效、准确、稳定判别广东地区天然地震与人工爆破波形。
1. 数据资料
由于广东省人工爆破工程作业的日益增多，人工爆破成为广东省地震台网非天然地震事件记录最多的事件类型。2013—2023年广东省地震台网共记录到ML＞1.8的人工爆破事件472次， 其中发生在省内的事件达312次（图1红色圆圈）。而广东测震台网观测台站共112个，其中包含41个省外共享台，每个台站记录的波形均包括垂直、东西、南北三分向，台站观测数据采样率均为100 Hz。本文从广东测震台网选取2013—2023年发生在广东省内的人工爆破事件，并为平衡天然地震和人工爆破事件的数量，选取2017年6月至2019年1月期间发生在广东省陆地内ML＞1.4的526次天然地震事件（图1蓝色圆圈）。这些地震事件均由广东省地震局台网中心人员进行过专业的地震编目分析并入库。由于人工爆破面波能量衰减很快，为了达到更好的识别效果，选取震中距30 km内的事件波形。
![]()
图 1 所选事件空间分布图及广东省内台站分布图Figure 1. Spatial distribution of events uesd in this paper and seismic stations in Guangdong研究样本根据事件P波到时信息截取：截取P波到时前5 s的噪声记录、总长为60 s的波形，并能完整包含P波、S波，在事件资料充足的情况下，为满足快速识别的要求、尽可能减少识别时间以及达到更好的识别效果，最终选取单台单向（垂直向）波形为训练数据。去除标定、方波、突跳、干扰和仪器故障等异常信息后，共得到
1840 份有效波形，包括天然地震事件1 446份、人工爆破394份。选取其中1 000份天然地震事件波形和300份爆破波形用于训练学习，组成训练集；剩余用于测试训练后的模型，组成测试集。图2给出了天然地震（图2a）与人工爆破（图2b）的波形样本图。![]()
图 2 天然地震（a）和人工爆破（b）的有效波形示例Figure 2. Examples of effective waveforms for earthquake （a） and blasting （b）利用神经网络较强的分类能力，将本研究内容变为天然地震与人工爆破的二分类问题，并建立样本标签。天然地震作为第一类，输出标签结果为0；人工爆破为第二类，输出标签结果为1。
2. 卷积神经网络模型
2.1 卷积神经网络的原理
Hinton等（2006）最早提出深度学习的概念，意指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程（Bengio et al，2013）。深度学习所得到的深度网络结构类似于神经网络，故称之为深度神经网络。深度神经网络分为三类：前馈深度网络、反馈深度网络以及双向深度网络。典型的前馈深度网络包括多层感知机、卷积神经网络等。
卷积神经网络可以用来处理具有类似网格结构的数据（LeCun et al，2015），不仅容错性好、自适应性与自学能力强，而且还可将图像作为数据输入，具有自动识别图像特征、参数估计数量较少、可以采用权值共享网络结构来降低模型复杂度等优势，提高了图像识别效率和准确率。Krizhevsky等（2012）首次将卷积神经网络应用于ImageNet大规模视觉识别挑战赛（imageNet large scale visual recognition challenge，缩写为ILSVRC），并取得图像分类和目标定位任务第一名。
CNN以原始数据作为输入，通过卷积、池化和非线性激活函数映射等一系列计算，将原始数据逐层抽象为自身任务所需的最终特征表示，最后以特征到任务目标的映射作为结束。卷积神经网络的基本结构包括输入层（input）、卷积层（convolutional layers）、池化层（pooling layers）、全连接层（fully-connected layers）和输出层（output）（图3）。卷积层由多个滤波器组成，进行卷积计算，旨在学习输入的特征表示，并通过激活函数传递给下一层。激活函数又称非线性映射函数，非线性被引入后实现了多层网络对非线性特征的检测，典型的激活函数有sigmoid，tanh和ReLU等（Han，Moraga，1995；Glorot，Bengio，2010；Nair，Hinton，2010）。池化层位于两个卷积层之间，其作用是将卷积层提取的事件特征信号进行降维处理，防止出现过拟合现象。典型的池化操作有最大池化、平均池化和随机池化。全连接层是当前层每个神经元与上一层所有神经元的连接，目的在于产生全局语义信息。卷积层的输出特征公式为：
![]()
图 3 本文采用的卷积神经网络结构Figure 3. The architecture of the proposed convolutional neural network$$ x_j^l ＝ f\left(\sum\limits_{i \in {M_j}} {{x^{l － 1}}k_{ij}^l ＋ b_j^l} \right) \text{，} $$ (1) 式中，$ {M_j} $为上层特征子集，$ l $为层数，$ x_j^l $为第$ l $层的第$ j $个特征图，$ b $表示偏置，$ k $表示卷积核，$ f $表示激活函数。
AlexNet卷积神经网络模型较早被提出且至今仍被广泛应用，该网络模型为2012年Krizhevsky赢得ILSVRC比赛冠军所用的模型，其主要由5个卷积层和3个全连接层组成，共包含约65万个神经元以及6 000万个可训练参数（Krizhevsky et al，2012）。为了适应小批量的训练集和验证集数据，更好地适应广东地区地震事件特征分类，本文将AlexNet模型的最后三层替换为全连接层、softmax层和分类输出层，并在全连接层中设置分类数目及增大其学习率因子以达到加快最终层学习速度的目的。Softmax函数将分类输出中的概率进行归一化处理，计算式为：
$${q_i} （ x ） ＝ \frac{{{{{\mathrm{e}}} ^{{{\textit{z}}_i} （ x ） }}}}{{{{{\mathrm{e}}} ^{{{\textit{z}}_1} （ x ） }} ＋ {{{\mathrm{e}}} ^{{{\textit{z}}_2} （ x ） }}}}\text{，} $$ (2) 式中，$ i ＝ 0\text{，} 1 $分别表示天然地震事件和人工爆破事件，$ {{\textit{z}}_i} （ x ） $是最后一层全连接层输出的未归一化的$ i $类概率。两个卷积层间采用的激活函数为ReLU （Nair，Hinton， 2010），其将特征映射中的所有负像素值替换为零的非线性操作极大地减少了计算量，加快了收敛速度；池化层采用最大池化函数（Zhou，Chellappa，1988），池化层各输出特征图计算方法为：
$$ x_j^l ＝ f ［ \beta _j^iD （ x{}_j^{l - 1} ） ＋ b_j^l ］ \text{，} $$ (3) 式中，$D （ ） $表示池化函数，每一个输出特征图对应一个权重系数$ \beta $和偏置$ b $。图3为本文所采用的卷积神经网络结构示意图。神经网在双GPU上运算，输入图片大小为227×227×3；各卷积层采用的卷积核大小依次为11×11，5×5，3×3，3×3，3×3；各池化层采用的最大池化操作都是3×3，即以3×3的窗口大小进行缩放，获取不同粗糙程度的特征。
2.2 代价函数
模型训练过程中，为了让实际网络输出更准确，需要调试各层的权值，故使用交叉熵作为代价函数计算预测值与真实值之间的误差并反向传播给各层，并更新各层权值，其计算方法为：
$$ H （ p\text{，} q ） ＝ - {\sum\limits_x} {p （ x ） \ln q （ x ） } \text{，} $$ (4) 式中：$ p $为真实概率值；$ q $为预测值，由CNN最后一层输出值经过Softmax函数计算后所得。
2.3 搭建卷积神经网络模型
针对波形分类问题，采用单台单通道60 s波形作为输入，输出判别结果为0 （天然地震）或1 （人工爆破）。卷积神经网络利用卷积操作提取波形特征，经过一系列计算和处理，最后采用类似投票的形式输出对应波形类别的概率。基于AlexNet卷积神经网络模型搭建的快速高效识别天然地震与人工爆破的识别器主要由两个模块组成：训练模块和测试模块，图4给出了两个模块的简化图。
![]()
图 4 基于AlexNet卷积神经网络模型搭建的人工爆破识别器流程图Figure 4. AlexNet-based blasting classifier flow chart训练模块的核心步骤包括：
1） 在模型构建之前，挑选信噪比高、记录清晰、波形震相明显且两类事件特征较突出的数据作为训练学习的素材，这将有利于模型快速抓取事件特征、快速生成适合区分广东省内地震波型类型的参数集。
2） 为训练数据集添加相应的事件类型标签。
3） 将用于训练的各类事件波形作为输入，利用AlexNet卷积神经网络对事件进行识别训练和验证。前人的研究表明概率阈值的设定对事件判别的准确率影响不大（Li et al，2018；郑周等，2023），即CNN对事件判定较为准确：对一个图片的判断概率值基本接近1或0，中间值很少。因此，对于本文研究的二分类，将概率阈值设为0.5。单次训练周期中根据迭代的次数随机选择计算验证集代价函数以及准确率，当验证集代价函数曲线趋于直线且识别准确率几乎不变时停止训练。随后根据验证集呈现的结果进行效能评估和模型优化，包括改变初始学习率、调整迭代次数、改变梯度下降速度等，使该模型更好地适应广东地区非天然地震的识别任务，进而让识别结果达到最优。
将用于测试的事件波形随机打乱后输入经参数优化后的卷积神经网络模型中，根据模型输出的事件概率大小，判定波形为天然地震事件或者人工爆破，构建一个自动识别器。
3. 结果分析
3.1 评价指标
虽然准确率A可以判断总的正确率，但在样本不均衡的情况下，并不能作为衡量结果的最优指标；在文中天然地震事件与人工爆破事件样本不均衡的情况下，引入精确率P、召回率R和F1分数（F1-score）对模型结果进行全面评价。其中精确率表示模型正确预测为正的样本的数量；召回率表示正例样本被预测出的数量；F1分数则是对精确率和召回率的一种调和平均。计算式为：
$$ A ＝ \frac{{{\mathrm{TP}} ＋ {\mathrm{TN}}}}{{{\mathrm{TP}} ＋ {\mathrm{TN}} ＋ {\mathrm{FP}} ＋ {\mathrm{FN}}}} \text{，} $$ (5) $$ P ＝ \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} ＋ {\mathrm{FP}}}}\text{，} $$ (6) $$ R ＝ \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} ＋ {\mathrm{FN}}}}\text{，} $$ (7) $${ F_1 }＝ {\frac{{2PR}}{P＋R}} \text{，} $$ (8) 式中：$ {\mathrm{TP}} $和$ {\mathrm{FP}} $分别代表真阳性（true positive，即天然地震波形正确预测为天然地震波形）和假阳性（false positive，即人工爆破波形错误预测为天然地震波形），而$ {\mathrm{TN}} $和$ {\mathrm{FN}} $代表真阴性（true negative，即人工爆破波形正确预测为人工爆破波形）和假阴性（false negative，即天然地震波形错误预测为人工爆破波形）。
3.2 验证集比例及训练样本数量对准确率的影响
在模型的训练模块中，将输入的训练数据集分为训练集和验证集，两者常见比例为7 ∶ 3或8 ∶ 2。为了得到最好的训练效果，先按不同比例分割训练所用数据，再进行测试，使用训练后验证集的准确率来评估效果。同样，为了测试不同训练样本数量对训练效果的影响，改变数据量比较大的天然地震事件的训练数量，查看验证集准确率的改变。
如图5a所示：当训练集与验证集比例大于3 ∶ 7后，根据式（5）计算的准确率A随比例小幅度增大，人工爆破的准确率在波动但总的趋势为随比例增大而增大，且天然地震事件的准确率高于95%；当比例为8 ∶ 2时，总准确率达到最大97.31%；当比例大于8 ∶ 2时（9 ∶ 1），总准确率呈下降趋势。可见，训练过程提供给模型学习的样本数应多于其用于验证模型参数以及评估模型效果的数量，此模型中训练集与验证集比例为8 ∶ 2时准确率达到最佳。如图5b所示，随着用于训练的天然地震事件数量增加，其准确率增加，当数量大于600后，准确率高于95%。人工爆破事件的准确率虽随地震数量增加而下降，但其准确率始终高于90%，如果有数量足够多的爆破素材且与天然地震数量相当，预计其准确率有望达到95%以上，模型学习效果也会更佳。
![]()
图 5 训练过程中训练集与验证集比例（a）及天然地震训练数量（b）与验证集准确率的对应关系Figure 5. Validation accuracies verus ratios of training and validation （a） and validation accuracies verus training sizes of natural earthquakes （b）3.3 神经网络训练结果
将用于训练学习的
1000 份天然地震波形和300份爆破波形按照8 ∶ 2的比例随机分为训练集和验证集后导入AlexNet卷积神经网络模型，详细训练过程如图6所示，整个训练过程用时7分4秒。由图可知，随着训练次数的增加，训练集的准确率逐渐上升并超越90%，最终稳定在某一数值附近；与此同时，代价函数曲线快速下降并最终稳定在相对较小的数值附近不再变化；需要强调的是，模型未发生过度拟合现象。最终，训练集准确率高达100%，验证集为97.31%。![]()
图 6 AlexNet卷积神经网络模型训练结果（a） 准确率；（b） 代价函数损失Figure 6. Training performance of convolutional neural network of AlexNet（a） Accuracy；（b） Cost function loss3.4 测试结果
对训练好的模型进行测试，将剩余的446份天然地震与94份人工爆破事件的波形随机打乱后导入模型中进行事件类型识别，识别完成花费时间不到2 s，准确识别样本数526个，准确率达到97.41%。用正确分类到不同波形类型的百分比来评估该网络模型的鲁棒性，从表1可以看出：天然地震的精确率达到98%以上，爆破精确率达到90%以上，得出该模型能有效识别广东地区的天然地震与人工爆破波形。
表 1 测试得到的地震与爆破的精确率、召回率和F1分数Table 1. Precision，recall and F1-score for two classification categories事件类型 精确率 召回率 F1分数 天然地震 0.989 0.980 0.984 人工爆破 0.908 0.947 0.927 如混淆矩阵（表2）所示（每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数），天然地震波形出现了9次分类错误，人工爆破出现了5次分类错误，从比例可以看出，该模型对天然地震波形的识别率优于人工爆破。
表 2 测试识别结果的混淆矩阵Table 2. Confusion matrix of waveform classification天然地震预测值 人工爆破预测值 天然地震真实值 437 9 人工爆破真实值 5 89 4. 讨论与结论
为解决广东台网目前费时又考验工作人员专业知识的靠人工的事件分类难题，并且为探索卷积神经网络模型在天然地震与人工爆破识别应用中的泛化性，本文构建了AlexNet卷积神经网络模型，并利用广东省台网编目入库事件震中距30 km内的单台垂直向波形，训练模型并优化参数后进一步测试该模型，尝试搭建人工爆破自动识别器，获得如下认识：
1） 对训练好的模型进行测试，共 540份样本中，正确识别526份，准确率达97.41%，其中天然地震事件和人工爆破事件的精确率、召回率以及F1分数分别均大于0.98和0.90。从实际应用而言，因为广东地区的爆破震级不大，所以保证地震目录完备性和准确性更具重要意义，因此要求天然地震事件的精确率和召回率高于爆破，实验结果说明AlexNet卷积神经网络模型对地震与爆破的识别率高，且拥有基本不漏地震事件的能力，具有较好的实际应用价值；
2） 训练AlexNet卷积神经网络模型所需要的样本不仅前期处理简单且所需训练的数据量少，当样本数多于600时，准确率可高于95%，虽然此处的样本数量600不一定存在普适性，但可以看出训练样本数达到百级后，该卷积神经网络便可得到较高的准确率，颇具高效性；
3） 随着天然地震样本数增加，天然地震识别率上升，人工爆破下降（图5b），这是因为模型接收了更多天然地震的信息和特征，对地震的适应性更高，随着时间推移，爆破素材不断累积，便可持续不断往模型中输入新的训练数据，这将不断提高爆破事件识别的适应性和准确性，进一步提高其识别率。
本文模型训练所用人工爆破事件数量不够充足，该实验结果并不能代表卷积神经网络模型未来的实际应用效果。但实验结果显示：基于AlexNet卷积神经网络模型对广东天然地震与人工爆破的事件波形类型识别准确率达97%以上，天然地震事件的精确率、召回率以及F1分数均大于0.98，能够满足及时准确地从天然地震目录中剔除人工爆破事件保证目录完备性和准确性的要求，有利于区域强震预测及地震危险性评估；另外，随着后续更多爆破事件素材的输入，将进一步提高模型对人工爆破的识别率，基于该模型搭建的爆破识别器将能为广东省地震台网工作节省大量时间和人力成本，并为震后应急工作提供类型结果支撑。未来研究方向将围绕识别器实用化展开，立足于广东省地震台网记录资料，通过不断检验，进一步提高识别器的准确性和稳健性，并将其应用于实际地震预警与日常地震监测中。
-
![]()
图 3 本文研究所用的地磁台站位置分布
地形图来自于Natural Earth提供的公共地图数据集
Figure 3. Location of geomagnetic observatories used in this paper
Relief map is available from Natural Earth public domain map dataset
![]()
图 6 LSTM模型在D （左） ，H （中），Z （右）要素的模型值与相应的台站观测值对比
图中蓝实线是台站的观测值，绿实线是基于地磁台站观测值提取的长期变化，红实线是LSTM模型在训练集上的拟合值，红虚线是LSTM模型在测试集上的预测值（a） MZL台；（b） COM台；（c） QIX台；（d） QGZ台；（e） WMQ台；（f） KSH台；（g） KAK台
Figure 6. Comparison of LSTM model values for elements D （left），H （middle） and Z （right） with corresponding station observations
The blue solid line represents the station observation，the green solid line represents the secular variation extracted from the observations of the geomagnetic station，the red solid line represents the fitted value of the LSTM model on the training set，and the red dashed line represents the predicted value of the LSTM model on the validation set （a） MZL station；（b） COM station；（c） QIX station；（d） QGZ station；（e） WMQ station；（f） KSH station；（g） KAK station
![]()
图 7 由LSTM、线性外推、二次外推法得到的D （左），H （中）和Z（右）要素年变率
图中蓝线表示由原始数据计算的年变率，红线表示由LSTM模型计算的年变率，绿线表示由线性外推计算的年变率，黄线表示由二次外推计算的年变率（a） MZL台；（b） COM台；（c） QIX台；（d） QGZ台；（e） WMQ台；（f） KSH台；（g） KAK台
Figure 7. Annual variation rates of the elements D （left），H （middle） and Z （right） obtained from LSTM，Liner extrapolation and Quadratic extrapolation
The blue line represents the annual variation rates calculated from the original data，the red line represents the annual variation rates calculated from the LSTM model，the green line represents the annual variation rates calculated from the linear extrapolation，and the yellow line represents the annual variation rates calculated from the Quadratic extrapolation （a） MZL station；（b） COM station；（c） QIX station；（d） QGZ station；（e） WMQ station；（f） KSH station；（g） KAK station
表 1 LSTM模型在各台站的预测精度
Table 1 Prediction accuracy of LSTM model at each stations
D/´ H/nT Z/nT MAE RMSE NRMSE R2 MAE RMSE NRMSE R2 MAE RMSE NRMSE R2 CDP 0.615 0.837 0.037 0.991 15.265 17.04 0.039 0.927 9.66 10.28 0.012 0.999 CHL 0.983 1.072 0.030 0.994 11.45 13.14 0.074 0.959 5.82 6.51 0.038 0.998 CNH 1.254 1.362 0.037 0.988 15.58 16.83 0.072 0.873 7.91 9.10 0.026 0.992 COM 0.578 0.649 0.009 0.998 0.96 1.94 0.016 0.994 13.523 13.80 0.008 0.995 DED 0.386 0.452 0.014 0.999 6.34 7.17 0.024 0.989 3.90 4.85 0.052 0.996 DLG 0.516 0.551 0.018 0.998 10.587 11.41 0.073 0.959 11.293 12.56 0.024 0.993 GLM 1.438 1.683 0.121 0.929 8.31 10.05 0.040 0.985 12.933 14.27 0.014 0.998 GZH 2.640 2.776 0.022 0.930 10.03 10.81 0.084 0.569 8.51 10.92 0.022 0.998 JIH 0.823 0.901 0.026 0.996 11.086 12.83 0.043 0.968 4.56 7.03 0.019 0.998 JYG 0.670 0.772 0.036 0.993 10.112 11.17 0.042 0.989 6.91 8.49 0.014 0.999 KSH 0.229 0.277 0.023 0.998 3.01 4.01 0.024 0.995 9.53 11.27 0.013 0.998 LSA 0.857 0.920 0.158 0.897 4.27 5.56 0.022 0.886 39.15 43.80 0.019 0.979 LYH 0.591 0.681 0.032 0.998 11.912 13.32 0.065 0.966 12.787 13.26 0.029 0.996 LZH 1.347 1.513 0.057 0.975 7.88 9.33 0.047 0.985 14.20 21.60 0.025 0.991 MCH 1.004 1.248 0.030 0.991 12.940 13.89 0.041 0.906 16.467 17.87 0.033 0.993 MZL 0.430 0.504 0.028 0.995 9.12 9.82 0.052 0.987 7.39 8.12 0.023 0.991 QGZ 0.669 0.701 0.019 0.995 6.89 7.17 0.028 0.836 7.75 8.55 0.008 0.999 QIX 0.282 0.307 0.006 0.999 2.94 3.27 0.012 0.998 9.12 10.51 0.016 0.998 QZH 0.793 1.211 0.037 0.992 12.682 15.64 0.130 0.030 17.004 19.28 0.028 0.992 SYG 1.058 1.270 0.024 0.983 14.713 17.09 0.108 0.362 15.319 16.90 0.033 0.996 TAA 0.919 1.189 0.024 0.992 16.291 19.53 0.069 0.892 14.583 16.23 0.039 0.992 TAY 1.552 1.729 0.040 0.981 12.059 14.67 0.066 0.965 4.53 5.69 0.024 0.999 THJ 0.572 0.635 0.038 0.990 8.05 9.03 0.070 0.902 19.547 21.42 0.020 0.995 TSY 1.078 1.216 0.030 0.988 10.249 12.19 0.034 0.965 4.79 6.01 0.014 0.999 WHN 1.337 1.437 0.045 0.985 13.02 15.39 0.057 0.801 13.64 14.02 0.021 0.996 WMQ 0.899 0.982 0.086 0.926 10.67 12.09 0.018 0.987 28.81 30.12 0.015 0.985 XIC 0.577 0.674 0.048 0.990 4.11 5.11 0.023 0.988 9.72 16.31 0.020 0.997 YON 0.892 1.256 0.047 0.980 6.01 6.66 0.911 0.880 16.822 20.06 0.015 0.995 IRT 2.674 3.062 0.076 0.979 24.03 27.84 0.038 0.977 17.46 19.39 0.059 0.974 KAK 0.795 1.090 0.043 0.994 13.38 15.66 0.191 0.906 11.17 12.07 0.013 0.994 KNY 2.590 2.713 0.014 0.981 11.39 12.47 0.113 0.864 19.31 20.18 0.015 0.989 GUA 0.588 0.784 0.025 0.997 14.88 17.15 0.123 0.962 27.01 32.68 0.118 0.885 注：RMSE为均方根误差，MAE为平均绝对误差，NRMSE为归一化均方根误差，R2为决定系数，下同。 
下载: 导出CSV
表 2 LSTM模型预测精度汇总
Table 2 Summary for prediction accuracy of LSTM model
D/（´） H/（nT） Z/（nT） MAE RMSE NRMSE R2 MAE RMSE NRMSE R2 MAE RMSE NRMSE R2 Min 0.229 0.277 0.006 0.897 0.96 1.94 0.012 0.030 3.90 4.85 0.008 0.885 Max 2.674 3.062 0.158 0.999 24.03 27.84 0.911 0.998 39.15 43.80 0.118 0.999 Mean 0.989 1.139 0.040 0.982 10.32 11.85 0.086 0.883 13.16 15.10 0.026 0.991
下载: 导出CSV
表 3 LSTM模型、线性外推、二次外推预测的D，H，Z要素年变率精度
Table 3 The accuracy of annual rate for D，H，and Z elements predicted by LSTM model，liner extrapolation and quadratic extrapolation
台站 D年变/（′⋅a−1） H年变/（nT⋅a−1） Z年变/（nT⋅a−1） 方法 MAE RMSE NRMSE $ {R}^{2} $ MAE RMSE NRMSE $ {R}^{2} $ MAE RMSE NRMSE $ {R}^{2} $ CDP LSTM 0.222 0.288 0.195 0.942 4.545 5.545 0.424 0.785 2.674 3.368 0.140 0.981 线性外推 0.398 0.512 0.327 0.817 6.598 9.445 0.632 0.375 5.109 6.306 0.242 0.933 二次外推 0.354 0.475 0.354 0.843 14.88 18.814 0.885 −1.481 4.662 5.924 0.231 0.941 CHL LSTM 0.352 0.453 0.300 0.909 3.830 4.680 0.369 0.812 3.082 3.854 0.170 0.972 线性外推 0.660 0.895 0.506 0.645 5.492 6.839 0.508 0.600 4.543 5.908 0.232 0.934 二次外推 0.567 0.694 0.407 0.786 13.87 16.380 0.907 −1.297 8.046 10.042 0.402 0.809 CNH LSTM 0.337 0.502 0.318 0.884 3.576 4.534 0.358 0.859 3.128 4.152 0.206 0.957 线性外推 0.484 0.571 0.351 0.850 6.844 8.162 0.567 0.543 5.367 7.277 0.321 0.869 二次外推 0.672 1.156 0.619 0.384 12.81 15.556 0.821 −0.661 8.741 11.486 0.501 0.674 COM LSTM 0.151 0.197 0.124 0.984 0.894 1.837 0.181 0.959 1.615 2.782 0.102 0.988 线性外推 0.533 0.724 0.427 0.784 6.185 8.400 0.747 0.137 5.580 8.318 0.289 0.895 二次外推 0.516 0.638 0.388 0.832 11.92 14.526 0.936 −1.580 8.189 10.196 0.381 0.842 DED LSTM 0.219 0.305 0.210 0.954 2.066 2.549 0.172 0.966 2.749 3.516 0.217 0.954 线性外推 0.496 0.673 0.453 0.776 7.208 9.438 0.571 0.532 6.354 7.890 0.433 0.767 二次外推 0.890 1.148 0.685 0.349 12.10 14.817 0.761 −0.152 7.203 9.696 0.532 0.648 DLG LSTM 0.271 0.360 0.263 0.927 3.359 4.222 0.406 0.822 2.519 2.977 0.120 0.984 线性外推 0.496 0.676 0.448 0.743 5.587 6.965 0.555 0.516 5.463 7.079 0.272 0.909 二次外推 0.557 0.708 0.485 0.718 11.94 14.201 0.933 −1.011 6.792 8.964 0.356 0.853 GLM LSTM 0.501 0.656 0.422 0.807 3.091 3.631 0.318 0.837 3.110 3.993 0.176 0.969 线性外推 0.937 1.251 0.656 0.298 6.170 7.929 0.706 0.225 7.064 9.033 0.371 0.840 二次外推 0.944 1.201 0.679 0.353 14.41 17.390 1.028 −2.730 9.053 11.905 0.464 0.721 GZH LSTM 0.157 0.214 0.095 0.989 3.384 4.040 0.418 0.788 4.419 5.723 0.225 0.948 线性外推 0.266 0.416 0.187 0.958 5.803 7.141 0.626 0.337 8.291 12.332 0.447 0.760 二次外推 0.564 0.791 0.351 0.848 10.41 12.718 0.900 −1.102 10.125 14.212 0.501 0.681 JIH LSTM 0.216 0.303 0.224 0.947 2.725 3.395 0.305 0.900 2.274 3.333 0.141 0.981 线性外推 0.333 0.453 0.297 0.882 4.721 6.028 0.467 0.686 3.808 5.087 0.190 0.955 二次外推 0.544 0.671 0.471 0.741 12.91 15.893 0.879 −1.183 5.848 6.873 0.273 0.917 JYG LSTM 0.165 0.241 0.134 0.972 2.925 3.674 0.345 0.866 3.915 5.155 0.204 0.959 线性外推 0.768 0.984 0.533 0.537 7.782 10.522 0.767 −0.100 9.179 12.754 0.456 0.748 二次外推 0.618 0.780 0.442 0.709 11.04 13.002 0.731 −0.679 10.725 12.683 0.460 0.751 KSH LSTM 0.141 0.167 0.168 0.973 2.200 2.831 0.287 0.884 3.743 4.412 0.193 0.958 线性外推 0.972 1.657 1.110 −1.65 10.56 15.045 1.184 −2.276 8.898 11.765 0.486 0.701 二次外推 1.144 1.556 0.869 −1.34 13.10 15.314 0.878 −2.394 6.125 7.716 0.323 0.871 LSA LSTM 0.255 0.350 0.315 0.876 2.390 3.942 0.322 0.897 5.106 6.289 0.189 0.959 线性外推 0.578 0.768 0.598 0.405 8.991 11.874 0.759 0.063 8.145 10.640 0.319 0.883 二次外推 0.482 0.624 0.527 0.607 16.05 23.492 0.935 −2.667 6.962 8.610 0.264 0.923 LYH LSTM 0.490 0.659 0.490 0.718 3.755 4.766 0.406 0.811 2.603 3.202 0.132 0.983 线性外推 0.683 0.936 0.619 0.430 5.225 6.410 0.470 0.657 4.994 6.933 0.259 0.921 二次外推 1.019 1.635 0.841 −0.74 17.16 21.387 1.041 −2.816 5.337 6.504 0.248 0.930 LZH LSTM 0.411 0.536 0.336 0.837 3.988 4.797 0.420 0.774 2.785 4.536 0.176 0.951 线性外推 0.815 1.198 0.698 0.186 8.578 12.882 0.945 −0.627 5.358 7.398 0.328 0.871 二次外推 0.862 1.165 0.700 0.230 15.27 22.319 0.871 −3.883 10.247 13.422 0.562 0.575 MCH LSTM 0.261 0.340 0.246 0.920 2.495 3.633 0.291 0.892 4.396 5.115 0.199 0.962 线性外推 0.734 1.075 0.737 0.200 7.035 9.009 0.623 0.336 7.389 9.072 0.323 0.879 二次外推 0.692 0.853 0.579 0.496 18.39 21.430 0.989 −2.755 9.028 11.092 0.398 0.819 MZL LSTM 0.194 0.253 0.161 0.973 3.025 4.173 0.284 0.921 1.915 2.219 0.119 0.982 线性外推 0.563 0.710 0.398 0.791 5.268 6.800 0.400 0.791 5.328 6.679 0.365 0.832 二次外推 0.624 0.786 0.435 0.744 12.41 16.565 0.797 −0.242 6.961 8.457 0.449 0.731 QGZ LSTM 0.114 0.165 0.126 0.969 2.116 2.858 0.316 0.896 2.863 4.121 0.159 0.974 线性外推 0.582 0.766 0.656 0.326 8.834 11.160 0.949 −0.586 6.213 7.912 0.284 0.905 二次外推 0.734 0.893 0.603 0.085 14.86 18.402 1.081 −3.311 8.916 11.902 0.428 0.785 QIX LSTM 0.077 0.145 0.110 0.985 0.816 0.975 0.071 0.991 2.753 3.986 0.161 0.975 线性外推 0.459 0.563 0.368 0.779 7.115 8.569 0.673 0.306 4.923 6.140 0.229 0.940 二次外推 0.513 0.735 0.484 0.623 13.97 17.477 0.980 −1.885 8.186 10.228 0.380 0.833 QZH LSTM 0.228 0.368 0.214 0.916 3.793 5.074 0.506 0.734 4.675 5.604 0.222 0.950 线性外推 0.657 0.910 0.608 0.485 7.955 9.824 0.764 0.002 4.997 6.433 0.233 0.935 二次外推 0.620 0.792 0.503 0.610 15.60 19.366 1.025 −2.877 6.195 8.256 0.309 0.892 SYG LSTM 0.246 0.351 0.324 0.885 3.743 5.301 0.374 0.801 4.216 5.357 0.189 0.964 线性外推 0.438 0.602 0.449 0.660 11.89 17.502 1.079 −1.164 5.255 6.877 0.223 0.941 二次外推 0.624 0.772 0.576 0.442 16.81 19.542 1.052 −1.697 6.784 9.348 0.312 0.891 TAA LSTM 0.276 0.357 0.279 0.913 4.464 5.181 0.494 0.766 4.029 4.650 0.192 0.963 线性外推 0.487 0.703 0.489 0.663 7.638 9.009 0.671 0.293 6.313 8.079 0.306 0.889 二次外推 0.467 0.591 0.435 0.762 12.19 14.390 0.814 −0.803 6.354 9.361 0.360 0.851 TAY LSTM 0.575 0.774 0.494 0.646 4.511 5.512 0.436 0.775 3.337 4.486 0.198 0.962 线性外推 0.954 1.328 0.740 −0.04 9.085 11.003 0.750 0.103 6.555 8.597 0.345 0.860 二次外推 1.517 1.980 0.945 −1.31 18.75 28.224 1.098 −4.902 6.905 8.272 0.336 0.871 THJ LSTM 0.174 0.207 0.164 0.958 3.185 4.323 0.419 0.830 3.677 4.883 0.214 0.954 线性外推 0.342 0.449 0.341 0.805 6.149 7.727 0.577 0.457 4.817 6.475 0.262 0.920 二次外推 0.307 0.368 0.329 0.868 12.07 14.113 0.824 −0.811 5.103 6.332 0.263 0.923 TSY LSTM 0.283 0.353 0.254 0.923 5.178 6.948 0.691 0.498 3.513 4.464 0.188 0.965 线性外推 0.634 0.815 0.519 0.591 10.36 14.890 1.057 −1.308 5.861 8.257 0.325 0.880 二次外推 0.544 0.740 0.500 0.662 13.63 16.474 1.058 −1.825 6.355 7.402 0.297 0.904 WHN LSTM 0.192 0.326 0.199 0.929 3.269 4.208 0.393 0.801 4.148 5.250 0.215 0.947 线性外涂 0.556 0.767 0.540 0.605 5.735 7.552 0.607 0.360 8.213 14.070 0.532 0.621 二次外推 0.641 0.827 0.528 0.541 9.705 12.099 0.842 −0.642 9.227 13.362 0.481 0.658 WMQ LSTM 0.347 0.466 0.390 0.817 1.504 2.034 0.154 0.974 3.802 4.501 0.169 0.970 线性外推 0.659 1.002 0.711 0.153 6.708 8.291 0.577 0.576 7.164 8.661 0.303 0.890 二次外推 0.738 1.091 0.790 −0.004 8.861 11.928 0.664 0.123 9.198 12.274 0.418 0.779 XIC LSTM 0.268 0.316 0.248 0.909 1.979 2.509 0.172 0.969 4.144 5.646 0.190 0.958 线性外推 0.572 0.799 0.591 0.420 8.932 12.246 0.647 0.272 8.479 11.392 0.369 0.830 二次外推 0.663 0.885 0.560 0.290 19.14 24.864 0.887 −2.003 12.220 16.116 0.470 0.660 YON LSTM 0.245 0.331 0.322 0.851 1.917 2.467 0.180 0.952 2.767 3.911 0.158 0.975 线性外推 0.420 0.527 0.489 0.622 6.527 8.712 0.603 0.407 4.585 6.065 0.222 0.940 二次外推 0.502 0.745 0.636 0.246 11.47 13.378 0.775 −0.398 6.459 7.450 0.286 0.909 IRT LSTM 0.532 0.796 0.260 0.914 3.619 4.408 0.214 0.950 3.774 5.111 0.218 0.949 线性外推 0.750 1.001 0.341 0.865 5.788 7.471 0.351 0.856 7.499 10.957 0.449 0.764 二次外推 0.971 1.209 0.408 0.803 8.129 11.606 0.526 0.652 11.499 15.821 0.595 0.508 KAK LSTM 0.178 0.254 0.216 0.944 2.500 3.221 0.314 0.888 0.345 2.891 0.117 0.984 线性外推 0.266 0.335 0.293 0.902 4.618 6.035 0.541 0.608 4.186 0.889 0.198 0.955 二次外推 0.342 0.471 0.419 0.806 8.103 11.395 0.864 −0.399 5.543 7.227 0.301 0.902 KNY LSTM 0.178 0.264 0.208 0.957 2.842 3.604 0.347 0.873 2.350 2.893 0.116 0.986 线性外推 0.233 0.291 0.215 0.948 4.799 6.127 0.514 0.634 3.687 4.623 0.178 0.963 二次外推 0.340 0.465 0.333 0.867 8.297 11.233 0.763 −0.232 5.078 6.300 0.251 0.932 GUA LSTM 0.155 0.195 0.142 0.979 3.154 4.112 0.319 0.889 3.871 5.472 0.172 0.970 线性外推 0.352 0.453 0.321 0.887 6.679 8.376 0.591 0.541 6.561 8.524 0.252 0.927 二次外推 0.391 0.458 0.324 0.885 11.55 14.381 0.815 −0.354 5.756 8.547 0.251 0.927
下载: 导出CSV
表 4 LSTM模型、线性外推和二次外推预测的各要素年变率精度汇总
Table 4 Summary of annual rate accuracy for elements predicted by LSTM model，linear extrapolation and quadratic extrapolation
方法 D年变/（′⋅a−1） H年变/（nT⋅a−1） Z年变/（nT⋅a−1） MAE RMSE NRMSE $ {R}^{2} $ MAE RMSE NRMSE $ {R}^{2} $ MAE RMSE NRMSE $ {R}^{2} $
LSTMMin 0.077 0.145 0.095 0.646 0.816 0.975 0.071 0.498 0.345 2.219 0.102 0.947 Max 0.575 0.796 0.494 0.989 5.178 6.948 0.691 0.991 5.106 6.289 0.225 0.988 Mean 0.264 0.361 0.251 0.909 3.021 3.921 0.335 0.854 3.283 4.339 0.177 0.966
线性外推Min 0.233 0.291 0.187 −1.653 4.618 6.028 0.351 −2.276 3.687 0.889 0.178 0.621 Max 0.972 1.657 1.110 0.958 11.89 17.502 1.184 0.856 9.179 14.070 0.532 0.963 Mean 0.568 0.777 0.502 0.541 7.160 9.374 0.676 0.150 6.185 8.173 0.320 0.866
二次外推Min 0.307 0.368 0.324 −1.340 8.103 11.233 0.526 −4.902 5.078 6.300 0.248 0.489 Max 1.517 1.980 0.945 0.885 19.14 28.224 1.098 0.652 12.220 16.116 0.595 0.932 Mean 0.663 0.889 0.546 0.416 13.15 16.652 0.885 −1.499 7.800 10.133 0.389 0.796
下载: 导出CSV
-
常宜峰. 2015. 卫星磁测数据处理与地磁场模型反演理论与方法研究[D]. 郑州:中国人民解放军战略支援部队信息工程大学,106−110. Chang Y F. 2015. Research On Satellite Geomagnetic Data Process And Geomagnetic Model Recovery Theory And Method[D]. Zhengzhou:Information Engineering University,106−110 (in Chinese).
陈斌,顾左文,高金田,袁洁浩,狄传芝. 2010. 中国地区地磁长期变化研究[J]. 地球物理学报,53(9):2114–2154. Chen B,Gu Z W,Gao J T,Yuan J H,Di C Z. 2010. Study of geomagnetic secular variation in China[J]. Chinese Journal of Geophysics,53(9):2114–2154 (in Chinese).
杜奕. 2023. 基于多源遥感数据的大气PM2.5产品缺失数据重构方法研究[D]. 上海:上海师范大学,12−23. Du Y. 2023. Research On the Reconstruction Method of Missing Data For Atmospheric PM2.5 Products Based on Multi-source Remote Sensing Data[D]. Shanghai:Shanghai Normal University,12−23 (in Chinese).
葛轶洲,许翔,杨锁荣,周青,申富饶. 2021. 序列数据的数据增强方法综述[J]. 计算机科学与探索,15(7):1207–1219. doi: 10.3778/j.issn.1673-9418.2012062 Ge Y Z,Xu X,Yang S R,Zhou Q,Shen F R. 2021. Survey on Sequence Data Augmentation[J]. Journal of Frontiers of Computer Science and Technology,15(7):1207–1219 (in Chinese).
顾左文,陈斌,高金田,辛长江,袁洁浩,狄传芝. 2009. 应用NOC方法研究中国地区地磁时空变化[J]. 地球物理学报,52(10):2602–2612. doi: 10.3969/j.issn.0001-5733.2009.10.020 Gu Z W,Chen B,Gao J T,Xin C J,Yuan J H,Di C Z. 2009. Research of geomagnetic spatial-temporal variations in China by the NOC method[J]. Chinese Journal of Geophysics,52(10):2602–2612 (in Chinese).
康国发,高国明,白春华,狄传芝. 2009. CHAMP卫星主磁场长期变化和长期加速度的分布特征[J]. 地球物理学报,52(8):1976–1984. doi: 10.3969/j.issn.0001-5733.2009.08.004 Kang G F,Gao G M,Bai C H,Di C Z. 2009. Characteristics of the secular variation and secular acceleration distributions of the main geomagnetic field for the CHAMP satellite[J]. Chinese Journal of Geophysics,52(8):1976–1984 (in Chinese).
卢兆兴,吕志峰,李婷,张金生,姚垚. 2021. 基于BP神经网络的地磁变化场预测研究[J]. 大地测量与地球动力学,41(3):229–233. Lu Z Y,Lü Z F,Li T,Zhang J S,Yao Y. 2021. Forecasting of the Variable Geomagnetic Field Based on BP Neural Network[J]. Journal of Geodesy and Geodynamics,41(3):229–233 (in Chinese).
毛宁,陈石,杨永友,吴旭,李永波. 2023. 地磁长期变化信号提取和模型预测精度评估[J]. 地球物理学报,66(8):3302–3315. doi: 10.6038/cjg2022Q0499 Mao N,Chen S,Yang Y Y,Wu X,Li Y B. 2023. Extraction of secular variation signals of geomagnetic field and evaluation of prediction accuracy of geomagnetic field models[J]. Chinese Journal of Geophysics,66(8):3302–3315 (in Chinese).
邱耀东. 2018. 联合CHAMP和Swarm卫星磁测数据反演中国大陆区域岩石圈磁场[D]. 武汉:武汉大学,1−2. Qiu Y D. 2018. Invert the Lithospheric Magnetic Field in China Mainland by Combining CHAMP And Swarm Satellite Data[D]. Wuhan:Wuhan University:1−2 (in Chinese).
汪凯翔,黄清华,吴思弘. 2020. 长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报,63(8):3015–3024. doi: 10.6038/cjg2020O0119 Wang K X,Huang Q H. Wu S H. 2020. Application of long short-term memory network in geoelectric field data processing[J]. Chinese Journal of Geophysics,63(8):3015–3024 (in Chinese).
王月华. 2002. 1985-1997年中国地磁场长期变化的正交模型[J]. 地球物理学报,45(5):624–630. doi: 10.3321/j.issn:0001-5733.2002.05.004 Wang Y H. 2002. Regional orthogonal model of secular variation of the geomagnetic field in China during 1985-1997[J]. Chinese Journal of Geophysics,45(5):624–630 (in Chinese).
王振东,王粲,袁洁浩,毛丰龙. 2019. 中国及邻近地区地磁长期变化分析[J]. 地震研究,42(1):102–111. doi: 10.3969/j.issn.1000-0666.2019.01.014 Wang Z D,Wang C,Yuan J J,Mao F L. 2019. Analysis of Geomagnetic Secular Variation in China and Its Neighboring Regions[J]. Journal of Seismological Research,42(1):102–111 (in Chinese).
熊波,李肖霖,王宇晴,张瀚铭,刘子君,丁锋,赵必强. 2022. 基于长短时记忆神经网络的中国地区电离层TEC预测[J]. 地球物理学报,65(7):2365–2377. doi: 10.6038/cjg2022P0557 Xiong B,Li X L,Wang Y Q,Zhang H M,Liu Z J,Ding F,Zhao B Q. 2022. Prediction of ionospheric TEC over China based on long and short-term memory neural network[J]. Chinese Journal of Geophysics,65(7):2365–2377 (in Chinese).
徐文耀. 2009. 地球电磁现象物理学[M]. 合肥:中国科学技术大学出版社:19−29. Xu W Y. 2009. Physics of Electromagnetic Phenomena of the Earth[M]. Hefei:Science and technology of China press:19−29 (in Chinese).
张素琴,陈传华,王建军,赵旭东,何宇飞,李琪,杨冬梅,胡秀娟. 2021. 1985-1990年地磁基准台时均值数据集[J]. 地震地磁观测与研究,42(4):173–182. Zhang S Q,Chen C H,Wang J J,Zhao X D,He Y F,Li Q,Yang D M,Hu X J. 2021. Hourly mean values datasets of geomagnetic stations from 1985-1990[J]. Seismological and Geomagnetic Observation and Research,42(4):173–182 (in Chinese).
赵旭东,何宇飞,李琪,刘晓灿. 2022. 基于中国地磁台网数据的太阳静日期间地磁场Z分量日变化幅度分析[J]. 地球物理学报,65(10):3728–3742. doi: 10.6038/cjg2022P0628 Zhao X D,He Y F,Li Q,Liu X C. 2022. Analysis of the geomagnetic component Z daily variation amplitude based on the Geomagnetic Network of China during solar quiet days[J]. Chinese Journal of Geophysics, 65 (10):3728−3742 Regional orthorgonal model of secular variation of the geomagnetic f.
Alken P,Thébault E,Beggan C D,Amit H,Aubert J,Baerenzung J,Bondar T N,Brown W J,Califf S,Chambodut A,Chulliat A,Cox G A,Finlay C C,Fournier A,Gillet N,Grayver A,Hammer M D,Holschneider M,Huder L,Hulot G,Jager T,Kloss C,Korte M,Kuang W,Kuvshinov A,Langlais B,Léger J M,Lesur V,Livermore P W,Lowes F J,Macmillan S,Magnes W,Mandea M,Marsal S,Matzka J,Metmab M C,Minami T,Morschhauser A,Mound J E,Nair M,Nakano S,Olsen N,Pavón-Carrasco F J,Petrov V G,Ropp G,Rother M,Sabaka T J,Saturnino D,Schnepf N R,Shen X,Stolle C,Tangborn A,TØffner-Clausen L,Toh H,Torta J M,Varner J,Vervelidou F,Vigneron P,Wardinski I,Wicht J,Woods A,Yang Y,Zeren Z,Zhou B. 2021. International Geomagnetic Reference Field:the thirteenth generation[J]. Earth Planets and Space,73(1):1–25. doi: 10.1186/s40623-020-01323-x
Brown W J,Mound J E,Livermore P W. 2013. Jerks abound:An analysis of geomagnetic observatory data from 1957 to 2008[J]. Physics Earth Planet Inter,223:62–76. doi: 10.1016/j.pepi.2013.06.001
Finlay C C,Maus S,Beggan C D,Bondar T N,Chambodut A,Chernova T A,Chulliat A,Golovkov V P,Hamilton B,Hamoudi M,Holme R,Hulot G,Kuang W,Langlais B,Lesur V,Lowes F J,Lühr H,Macmillan S,Mandea M,McLean S,Manoj C,Menvielle M,Michaelis I,Olsen N,Rauberg J,Rother M,Sabaka T J,Tangborn A,TØffner-Clausen L,Thébault E,Thomson A W P,Wardinski I,Wei Z,Zvereva T I. 2010. International Geomagnetic Reference Field:the eleventh generation[J]. Geophys J Inter,183(3):1216–1230. doi: 10.1111/j.1365-246X.2010.04804.x
Golovkov V P,Papitashvili N E,Tiupkin I S,Kharin E P. 1978. Separation of geomagnetic field variations on the quiet and disturbed components by the MNOC[J]. Geomagnetic and Aeronomy,18(18):511–515.
Hamed A,Langel A,Purucker M. 1994. Secular magnetic anomaly maps of earth derived from POGO and MAGSAT data[J]. Journal of Geophysical Research Solid Earth,99(B12):24075–24090.
Hochreiter S,Schmidhuber J. 1997. Long Short-Term Memory[J]. Neural Computation, 9 (8):1735–1780.
Kother L,Hammer M D,Finlay C C,Olsen N. 2015. An equivalent source method for modelling the global lithospheric magnetic field[J]. Geophysical Journal International,203(1):553–566.
Maus S,Yin F,Lühr H,Manoj C,Rother M,Rauberg J,Michaelis I,Stolle C,Müller R D. 2008. Resolution of direction of oceanic magnetic lineations by the sixth-generation lithospheric magnetic field model from CHAMP satellite magnetic measurements[J]. Geochemistry,Geophysics,Geosystems,9(7):1335–1346.
Nevanlinna H. 1987. On the drifting parts in the spatial power spectrum of geomagnetic secular variation[J]. Journal of Geomagnetism and Geoelectricity,39(6):367–376.
Olsen N,Lühr H,Finlay C C,Sabaka T J,Rauberg J,TØffner-Clausen Lr. 2014. The CHAOS-4 geomagnetic field model[J]. Geophysical Journal International,197(2):815–827.
Pushkov A N,Frynberg E B,Chernova T A,Fiskina M V. 1976. Analysis of the space-time structure of the main geomagnetic field by expansion into natural orthogonal component[J]. Geomagnetic and Aeronomy,16:337–343.
Singh D,Singh B. 2020. Investigating the impact of data normalization on classification performance[J]. Applied Soft Computing,97.
Wen Q,Sun L,Yang F,Song X M,Gao J K,Wang X,Xu H. 2021. Time Series Data Augmentation for Deep Learning:A Survey. International Joint Conferences on Artifical Intelligence Organization.
Xu J Y,Lin Y F. 2023. Dynamic mode decomposition of the geomagnetic field over the last two decades[J]. Earth Planet. Phys,7(1):32–38
Zhang G P,Qi M. 2005. Neural network forecasting for seasonal and trend time series[J]. Operations Research,160(2):501–514.
计量
- 文章访问数: 176
- HTML全文浏览量: 55
- PDF下载量: 30
