基于BP人工神經網絡的震前電離層VTEC異常擾動研究

孫茂存，李俊鋒，李　飛，劉寶鋒，周　波，劉　帥

(1. 楊凌職業技術學院，陜西 楊凌 712100； 2. 西北測繪職工培訓中心，陜西 西安 710054；

3. 紅河學院工學院，云南 蒙自 661100)

Research of Earthquake Precursors Ionosphere VTEC Disturbance

Based on BP Artificial Neural Network

SUN Maocun，LI Junfeng，LI Fei，LIU Baofeng，ZHOU Bo, LIU Shuai

?

基于BP人工神經網絡的震前電離層VTEC異常擾動研究

孫茂存1，李俊鋒2，李飛1，劉寶鋒1，周波1，劉帥3

(1. 楊凌職業技術學院，陜西 楊凌 712100； 2. 西北測繪職工培訓中心，陜西 西安 710054；

3. 紅河學院工學院，云南 蒙自 661100)

Research of Earthquake Precursors Ionosphere VTEC Disturbance

Based on BP Artificial Neural Network

SUN Maocun，LI Junfeng，LI Fei，LIU Baofeng，ZHOU Bo, LIU Shuai

摘要：利用BP神經網絡建立電離層VTEC模型，以年積日(DOY)、世界時(UT)、電磁KP數、Dst數、AP數、太陽黑子數(SSN)作為網絡輸入層參數，通過BP神經網絡的訓練和泛化功能，提供地震前10天理論意義上的平靜VTEC值，再與地震前10天的實測VTEC作比較。試驗結果表明，在地震發生之前3～5天電離層VTEC數值較VTEC平靜時刻增大20%左右。

關鍵詞：BP神經網絡；電離層VTEC；地震；建模

一、引言

地震災害一直是全世界最頻發、最嚴重的災害之一，據不完全統計，全球每年發生6級及以上地震達數百次之多。地震給人們造成了難以估量的傷害。然而，目前全球范圍內并沒有一種能夠準確預報地震的技術，因此越來越多的學者開始從事地震的研究工作。近年來，地震前夕電離層TEC的異常擾動開始備受關注。據研究統計，1999—2003年間臺灣地區發生的20次震級大于6.0級的地震中，TEC在震前1～5天明顯減小。1998—2008年中國大陸地區發生的35次震級大于6.0級的地震中，有17次在震前3～5天內孕震區上空出現TEC顯著減小的現象[1-3]。

雖然目前利用神經網絡預報TEC的方法已經被一些專家學者所采用，但是如何選取更加合理全面的輸入層參數以達到更好的預報效果一直是國內外專家討論研究的熱點。如李淑慧認為以預測日前一天的太陽黑子數(SSN)和地磁KP數，以及它們在一段時間內的擬合參數作為輸入層參數具有更好的預報效果；而陳春則利用預測時刻前27天電磁AP指數的平均值和30天的太陽黑子數均值作為輸入層參數。本文運用BP神經網絡，以智利8.2級地震(當地時間4月1日19時46分(北京時間2014年4月2日7時46分),智利伊基克西北發生8.2級地震，震中位于南緯19.6°、西經70.7°，震源深度為10 km。)為實例研究震前震中上空電離層的異常擾動。

二、BP神經網絡構建

選取年積日(DOY)、世界時(UT)、電磁KP數、Dst數、AP數、太陽黑子數作為輸入層參數，利用VTEC平靜時刻的震中上空的上述參數和對應VTEC數作為訓練數據進行訓練，再輸入地震前震中網絡輸入層參數，得到理論意義上對應時間的平靜VTEC數，再與實測的TEC數進行比較，得到地震前電離層VTEC數是否異常擾動的結論[3]。

由于本次地震發生于當地時間4月1日，本文經研究決定使用3月份前12天的數據進行神經網絡的訓練，第13—20天的數據用來進行網絡的泛化，以檢驗網絡在非訓練區域內的模型逼近能力。在確認網絡的泛化性良好的前提下，繼續利用泛化功能驗證地震前電離層VTEC的異常擾動情況[4]。目前全球電離層VTEC數據是由IGS(Internation GPS Service)站的電離層研究工作組以IONEX文件格式對外發布(ftp:∥cddis.gsfc.nasa.gov)，由于IGS站提供的TEC數據是格網差分數據，格網間隔為經度每5°(-180°—180°)、緯度每2.5°(-90°—90°)為間隔，只有格網點上有TEC數值，因此并不是全球任意地點的TEC數值都能通過IONEX文件得到，本文震中的位置并不在差分格網點上。為了獲取震中上空的VTEC值，本文利用相關軟件通過對IONEX中的各網點數據進行差分插值的方法獲得震中上空的VTEC值，作為研究對象的VTEC期望輸出。由于IGS站發布的IONEX文件為每2 h發布一次，因此神經網絡的采樣頻率為2 h。同時，為了避免數據過多造成網絡運算內存溢出，本文選擇每天的12：00UT—16:00UT作為采樣時段，即所有的數據可以分為3組，12：00UT為一組，14:00UT為一組，16:00UT為一組。

其他的輸入層參數數據都比較容易獲取，由專門的機構通過專門網站對外提供。如太陽黑子數由專門的網站(http:∥sidc.oma.be/sunspot-data)發布，發布頻率為每天一次。電磁Dst數、電磁KP數、電磁AP數也可由網站(http:∥wdc.kugi.kyoto-u.ac.jp)獲取，其中Dst數每1 h發布一次，KP數與AP數每3 h發布一次。

BP神經網絡的部分訓練樣本數據見表1，泛化樣本部分數據見表2。

表1　BP神經網絡訓練部分樣本集

表2　BP神經網絡泛化部分樣本集

這里需要說明的是為了防止非地震時刻電離層VTEC擾動對試驗結果產生干擾，在試驗開始前需對訓練和泛化數據進行篩選。本文篩選的標準是2倍的VTEC中誤差，若該組數據中對應VTEC值與平均值之差超過2倍中誤差，則剔除該組數據。

三、數據分析

1. BP神經網絡參數設置

圖1為網絡參數設置界面，設置輸入層節點數為6，輸出層節點數為1，學習速率和動量因子分別默認為0.99和0.79，選擇傳遞函數為sigmoid function函數，隱含層節點數按照(2n+1)的規則設置為13。為防止程序陷入局部最小值或死循環，設置最大訓練次數為2000，默認最小精度為0.001。

圖1　網絡參數設置界面

2. BP神經網絡神經網絡訓練結果

利用神經網絡的訓練功能分別對當地時為12:00UT、14:00UT、16:00UT的數據進行訓練，可分別得到圖2—圖4成果。

圖2　當地時12:00UT數據訓練結果

圖3　當地時14:00UT數據訓練結果

圖4　當地時16：00UT數據訓練結果

圖中X軸為訓練次數，Y軸為總體均方差數值，黑色線條為總體均方差的不斷變化過程。分別比較分析3組數據的訓練成果，可以發現通過訓練過程不斷調整網絡的連接權值，使網絡輸出值不斷趨近于期望輸出，均方差進一步減小，最終可以把總體均方差限制在0.05左右。

3. BP神經網絡神經網絡泛化結果

網絡泛化的目的是檢驗訓練數據外的空白區域數據的網絡輸出值與期望輸出的接近程度，為了說明由訓練過程得到的網絡連接權值是否也適用于非訓練數據。網絡泛化訓練分別得到圖5—圖7成果。

圖5　世界時12:00UT數據泛化結果

圖6　世界時14:00UT數據泛化結果

圖7　世界時16:00UT數據泛化結果

圖中曲線1表示網絡輸出值，曲線2表示期望輸出值，曲線3表示相對誤差。因為BP神經網絡是網絡建模擬合的過程，因此必然會存在一定的誤差，本文規定如果相對誤差在限定誤差范圍內，表明神經網絡的泛化能力強，否則反之。經過對本案例的數據研究與分析，取10%作為限定誤差。對照圖5、圖6、圖7可知，3個時段數據的網絡輸出值與期望輸出值基本上趨于一致，泛化誤差均小于限定誤差，由此可以判斷神經網絡模型泛化能力較強[4-5]。

4. VTEC異常分析

前面的泛化過程已經證明了網絡模型的泛化能力強，可認為建立的網絡模型已有效逼近訓練樣本所蘊含的規律。接著利用網絡的泛化功能驗證地震前10天震中上空VTEC的異常擾動。如果網絡輸出值與期望輸出的相對誤差超過限定誤差10%，說明VTEC發生異常擾動；如果相對誤差在限定范圍以內，說明VTEC沒有異常。

2014智利地震發生在4月1日，圖8—圖10研究的是地震前11天，也就是從2014年3月21日—4月1日的VTEC異常情況。仔細研究圖像，綜合3幅圖像的共同點可以大致發現：從3月21日—3月25日，VTEC的網絡輸出值與期望輸出基本一致，相對誤差很小[6-7]；從3月26日起相對誤差開始增大，并且在3月28日左右到達一個峰值；接下來一直到地震發生這段時間內相對誤差又開始減小，直到地震發生當天(4月1日)減少到一個較小值。其中有3月28、29、30這3天的網絡輸出值與期望輸出的相對誤差超過10%。由此筆者得出結論：2014年4月1日智利地震發生前3～5 d下午電離層VTEC值異常增加，增幅在20%左右[8]。

圖8　世界時12:00UT VTEC異常成果圖

圖9　世界時14:00UT VTEC異常成果圖

圖10　世界時16:00UT VTEC異常成果圖

四、結束語

利用BP神經網絡建立的電離層VTEC模型，鑒于其學習能力強、容錯能力強、模糊性分析等特點，選擇12:00UT—16:00UT作為采樣時段，運用其訓練和泛化過程擬合VTEC平靜時期變化規律，同時驗證地震前一段時間內VTEC的異常擾動情況[9-11]。試驗結果說明本文建立的神經網絡電離層是可靠的，運用BP神經網絡建模的方法研究VTEC異常的方法是可行的。

參考文獻：

[1]李淑慧，彭軍還，徐偉超，等.利用神經網絡預報短期電離層TEC變化[J].測繪科學，2013，38(1)：8-9，12.

[2]熊晶,吳云,林劍.用BP神經網絡技術探測汶川地震前電離層NmF2異常擾動[J].大地測量與地球動力學,2013,33(1)：13-16.

[3]翁利斌，方涵先，繆子青，等.利用人工神經網絡提前1 h預報電離層TEC[J].空間科學學報，2012，32(2)：204-208.

[4]徐磊，林劍，李艷華，等.基于BP人工神經網絡的遙感影像分類[J].地理空間信息，2012，10(4)：83-85，88.

[5]曹先革，楊金玲，曹先密. GPS高程擬合的BP人工神經網絡算法及結構探討[J]. 地理空間信息，2010，8(4)：48-51.

[6]劉嬌玲，肖盛燮.基于BP人工神經網絡的滑坡預測分析[J].西部交通科技，2012(1)：12-14，36.

[7]任成冕，熊晶.利用BP神經網絡探測2012年印尼8.6級地震前的電離層異常擾動[J]. 大地測量與地球動力學，2012，32(S1)：28-31.

[8]范國清，王威，郗曉寧.基于廣義回歸神經網絡的電離層VTEC建模[J].測繪學報，2010，39(1)：16-21.

[9]張小紅，任曉東，吳風波，等.自回歸移動平均模型的電離層總電子含量短期預報[J].測繪學報，2014，43(2)：118-124.

[10]張小偉，解智強，侯至群，等.一種基于BP神經網絡耦合排水管線信息的城市河道風險評價研究[J].測繪通報，2014(12)：93-96.

[11]王新志，曹爽，丁海勇.VB調用Matlab神經網絡工具箱在測繪軟件設計中的應用[J].測繪通報，2011(11)：59-62.

引文格式：孫茂存，李俊鋒，李飛，等. 基于BP人工神經網絡的震前電離層VTEC異常擾動研究[J].測繪通報，2015(6)：16-19.DOI:10.13474/j.cnki.11-2246.2015.0168

通信作者：李俊鋒

作者簡介：孫茂存(1982—)，男，工程碩士，講師，主要從事測繪、地信等相關專業教學研究工作。E-mail：sunmaocun@qq.com

基金項目：國家自然科學基金(41301442)

收稿日期：2015-01-26

中圖分類號：P228.4

文獻標識碼：B

文章編號：0494-0911(2015)06-0016-04