排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
实时烈度预测可在破坏性地震波到达前,根据P波估计地震可能造成的最大影响.预警对象可以采取措施,降低可能造成的损失.P波位移幅值是一种有效估计地震动峰值的参数,然而单个或多个参数难以全面表征地震动中的信息.同时,参数的计算需要确定时间窗大小,无法实现连续预测.为了解决上述问题,提出了一种基于长短期记忆网络的实时地震烈度预测模型.基于2010-2021年K-NET数据构建模型,并选取2022年3月MJMA7.3地震事件作为案例验证模型.结果表明,P波到达后可以在记录的每个时间步预测烈度,P波到达3 s时在测试集中准确率为96.47%.提出的LSTM模型改善了烈度预测的准确性和连续性,可为地震预警、应急响应等提供科学依据. 相似文献
2.
地震烈度的实时估计可为地震预警、紧急处置和应急响应提供决策依据.目前地震烈度实时预测方法多是基于P波提取单一特征参数估计全时程的峰值参数，然而单一特征难以表征地震动的全部信息.本文基于机器学习中的Extreme Gradient Boosting(xgBoost)算法提出了一种多参数驱动的实时仪器地震烈度预测方法.基于2010—2018年日本K-NET和KiK-net强震数据，使用24种特征参数建立地震烈度实时预测模型.为了解决模型复杂度的问题，本文研究了特征参数之间的相关性，并使用排列重要性方法优化模型，最终确定了10个重要特征参数.本文使用时间窗间隔为1 s的扩展时间窗方法实时预测地震烈度，P波到达1 s后在测试集中的预测准确率为86.56%,并在10-2～10-3 s内完成特征计算和预测.最后，假设2019—2021年的地震记录为新发生的地震事件，验证了模型的泛化性，证明其可应用于未来发生的地震事件.结果表明本文提出的模型改善了仪器地震烈度预测的准确性，为地震烈度的实时预测提供了一种可行的方法. 相似文献
1