基于BP人工神经网络的震前电离层VTEC异常扰动研究

孙茂存，李俊锋，李　飞，刘宝锋，周　波，刘　帅

(1. 杨凌职业技术学院，陕西 杨凌 712100； 2. 西北测绘职工培训中心，陕西 西安 710054；

3. 红河学院工学院，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人工神经网络的震前电离层VTEC异常扰动研究

孙茂存1，李俊锋2，李飞1，刘宝锋1，周波1，刘帅3

(1. 杨凌职业技术学院，陕西 杨凌 712100； 2. 西北测绘职工培训中心，陕西 西安 710054；

3. 红河学院工学院，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神经网络建立电离层VTEC模型，以年积日(DOY)、世界时(UT)、电磁KP数、Dst数、AP数、太阳黑子数(SSN)作为网络输入层参数，通过BP神经网络的训练和泛化功能，提供地震前10天理论意义上的平静VTEC值，再与地震前10天的实测VTEC作比较。试验结果表明，在地震发生之前3～5天电离层VTEC数值较VTEC平静时刻增大20%左右。

关键词：BP神经网络；电离层VTEC；地震；建模

一、引言

地震灾害一直是全世界最频发、最严重的灾害之一，据不完全统计，全球每年发生6级及以上地震达数百次之多。地震给人们造成了难以估量的伤害。然而，目前全球范围内并没有一种能够准确预报地震的技术，因此越来越多的学者开始从事地震的研究工作。近年来，地震前夕电离层TEC的异常扰动开始备受关注。据研究统计，1999—2003年间台湾地区发生的20次震级大于6.0级的地震中，TEC在震前1～5天明显减小。1998—2008年中国大陆地区发生的35次震级大于6.0级的地震中，有17次在震前3～5天内孕震区上空出现TEC显著减小的现象[1-3]。

虽然目前利用神经网络预报TEC的方法已经被一些专家学者所采用，但是如何选取更加合理全面的输入层参数以达到更好的预报效果一直是国内外专家讨论研究的热点。如李淑慧认为以预测日前一天的太阳黑子数(SSN)和地磁KP数，以及它们在一段时间内的拟合参数作为输入层参数具有更好的预报效果；而陈春则利用预测时刻前27天电磁AP指数的平均值和30天的太阳黑子数均值作为输入层参数。本文运用BP神经网络，以智利8.2级地震(当地时间4月1日19时46分(北京时间2014年4月2日7时46分),智利伊基克西北发生8.2级地震，震中位于南纬19.6°、西经70.7°，震源深度为10 km。)为实例研究震前震中上空电离层的异常扰动。

二、BP神经网络构建

选取年积日(DOY)、世界时(UT)、电磁KP数、Dst数、AP数、太阳黑子数作为输入层参数，利用VTEC平静时刻的震中上空的上述参数和对应VTEC数作为训练数据进行训练，再输入地震前震中网络输入层参数，得到理论意义上对应时间的平静VTEC数，再与实测的TEC数进行比较，得到地震前电离层VTEC数是否异常扰动的结论[3]。

由于本次地震发生于当地时间4月1日，本文经研究决定使用3月份前12天的数据进行神经网络的训练，第13—20天的数据用来进行网络的泛化，以检验网络在非训练区域内的模型逼近能力。在确认网络的泛化性良好的前提下，继续利用泛化功能验证地震前电离层VTEC的异常扰动情况[4]。目前全球电离层VTEC数据是由IGS(Internation GPS Service)站的电离层研究工作组以IONEX文件格式对外发布(ftp:∥cddis.gsfc.nasa.gov)，由于IGS站提供的TEC数据是格网差分数据，格网间隔为经度每5°(-180°—180°)、纬度每2.5°(-90°—90°)为间隔，只有格网点上有TEC数值，因此并不是全球任意地点的TEC数值都能通过IONEX文件得到，本文震中的位置并不在差分格网点上。为了获取震中上空的VTEC值，本文利用相关软件通过对IONEX中的各网点数据进行差分插值的方法获得震中上空的VTEC值，作为研究对象的VTEC期望输出。由于IGS站发布的IONEX文件为每2 h发布一次，因此神经网络的采样频率为2 h。同时，为了避免数据过多造成网络运算内存溢出，本文选择每天的12：00UT—16:00UT作为采样时段，即所有的数据可以分为3组，12：00UT为一组，14:00UT为一组，16:00UT为一组。

其他的输入层参数数据都比较容易获取，由专门的机构通过专门网站对外提供。如太阳黑子数由专门的网站(http:∥sidc.oma.be/sunspot-data)发布，发布频率为每天一次。电磁Dst数、电磁KP数、电磁AP数也可由网站(http:∥wdc.kugi.kyoto-u.ac.jp)获取，其中Dst数每1 h发布一次，KP数与AP数每3 h发布一次。

BP神经网络的部分训练样本数据见表1，泛化样本部分数据见表2。

表1　BP神经网络训练部分样本集

表2　BP神经网络泛化部分样本集

这里需要说明的是为了防止非地震时刻电离层VTEC扰动对试验结果产生干扰，在试验开始前需对训练和泛化数据进行筛选。本文筛选的标准是2倍的VTEC中误差，若该组数据中对应VTEC值与平均值之差超过2倍中误差，则剔除该组数据。

三、数据分析

1. BP神经网络参数设置

图1为网络参数设置界面，设置输入层节点数为6，输出层节点数为1，学习速率和动量因子分别默认为0.99和0.79，选择传递函数为sigmoid function函数，隐含层节点数按照(2n+1)的规则设置为13。为防止程序陷入局部最小值或死循环，设置最大训练次数为2000，默认最小精度为0.001。

图1　网络参数设置界面

2. BP神经网络神经网络训练结果

利用神经网络的训练功能分别对当地时为12:00UT、14:00UT、16:00UT的数据进行训练，可分别得到图2—图4成果。

图2　当地时12:00UT数据训练结果

图3　当地时14:00UT数据训练结果

图4　当地时16：00UT数据训练结果

图中X轴为训练次数，Y轴为总体均方差数值，黑色线条为总体均方差的不断变化过程。分别比较分析3组数据的训练成果，可以发现通过训练过程不断调整网络的连接权值，使网络输出值不断趋近于期望输出，均方差进一步减小，最终可以把总体均方差限制在0.05左右。

3. BP神经网络神经网络泛化结果

网络泛化的目的是检验训练数据外的空白区域数据的网络输出值与期望输出的接近程度，为了说明由训练过程得到的网络连接权值是否也适用于非训练数据。网络泛化训练分别得到图5—图7成果。

图5　世界时12:00UT数据泛化结果

图6　世界时14:00UT数据泛化结果

图7　世界时16:00UT数据泛化结果

图中曲线1表示网络输出值，曲线2表示期望输出值，曲线3表示相对误差。因为BP神经网络是网络建模拟合的过程，因此必然会存在一定的误差，本文规定如果相对误差在限定误差范围内，表明神经网络的泛化能力强，否则反之。经过对本案例的数据研究与分析，取10%作为限定误差。对照图5、图6、图7可知，3个时段数据的网络输出值与期望输出值基本上趋于一致，泛化误差均小于限定误差，由此可以判断神经网络模型泛化能力较强[4-5]。

4. VTEC异常分析

前面的泛化过程已经证明了网络模型的泛化能力强，可认为建立的网络模型已有效逼近训练样本所蕴含的规律。接着利用网络的泛化功能验证地震前10天震中上空VTEC的异常扰动。如果网络输出值与期望输出的相对误差超过限定误差10%，说明VTEC发生异常扰动；如果相对误差在限定范围以内，说明VTEC没有异常。

2014智利地震发生在4月1日，图8—图10研究的是地震前11天，也就是从2014年3月21日—4月1日的VTEC异常情况。仔细研究图像，综合3幅图像的共同点可以大致发现：从3月21日—3月25日，VTEC的网络输出值与期望输出基本一致，相对误差很小[6-7]；从3月26日起相对误差开始增大，并且在3月28日左右到达一个峰值；接下来一直到地震发生这段时间内相对误差又开始减小，直到地震发生当天(4月1日)减少到一个较小值。其中有3月28、29、30这3天的网络输出值与期望输出的相对误差超过10%。由此笔者得出结论：2014年4月1日智利地震发生前3～5 d下午电离层VTEC值异常增加，增幅在20%左右[8]。

图8　世界时12:00UT VTEC异常成果图

图9　世界时14:00UT VTEC异常成果图

图10　世界时16:00UT VTEC异常成果图

四、结束语

利用BP神经网络建立的电离层VTEC模型，鉴于其学习能力强、容错能力强、模糊性分析等特点，选择12:00UT—16:00UT作为采样时段，运用其训练和泛化过程拟合VTEC平静时期变化规律，同时验证地震前一段时间内VTEC的异常扰动情况[9-11]。试验结果说明本文建立的神经网络电离层是可靠的，运用BP神经网络建模的方法研究VTEC异常的方法是可行的。

参考文献：

[1]李淑慧，彭军还，徐伟超，等.利用神经网络预报短期电离层TEC变化[J].测绘科学，2013，38(1)：8-9，12.

[2]熊晶,吴云,林剑.用BP神经网络技术探测汶川地震前电离层NmF2异常扰动[J].大地测量与地球动力学,2013,33(1)：13-16.

[3]翁利斌，方涵先，缪子青，等.利用人工神经网络提前1 h预报电离层TEC[J].空间科学学报，2012，32(2)：204-208.

[4]徐磊，林剑，李艳华，等.基于BP人工神经网络的遥感影像分类[J].地理空间信息，2012，10(4)：83-85，88.

[5]曹先革，杨金玲，曹先密. GPS高程拟合的BP人工神经网络算法及结构探讨[J]. 地理空间信息，2010，8(4)：48-51.

[6]刘娇玲，肖盛燮.基于BP人工神经网络的滑坡预测分析[J].西部交通科技，2012(1)：12-14，36.

[7]任成冕，熊晶.利用BP神经网络探测2012年印尼8.6级地震前的电离层异常扰动[J]. 大地测量与地球动力学，2012，32(S1)：28-31.

[8]范国清，王威，郗晓宁.基于广义回归神经网络的电离层VTEC建模[J].测绘学报，2010，39(1)：16-21.

[9]张小红，任晓东，吴风波，等.自回归移动平均模型的电离层总电子含量短期预报[J].测绘学报，2014，43(2)：118-124.

[10]张小伟，解智强，侯至群，等.一种基于BP神经网络耦合排水管线信息的城市河道风险评价研究[J].测绘通报，2014(12)：93-96.

[11]王新志，曹爽，丁海勇.VB调用Matlab神经网络工具箱在测绘软件设计中的应用[J].测绘通报，2011(11)：59-62.

引文格式：孙茂存，李俊锋，李飞，等. 基于BP人工神经网络的震前电离层VTEC异常扰动研究[J].测绘通报，2015(6)：16-19.DOI:10.13474/j.cnki.11-2246.2015.0168

通信作者：李俊锋

作者简介：孙茂存(1982—)，男，工程硕士，讲师，主要从事测绘、地信等相关专业教学研究工作。E-mail：sunmaocun@qq.com

基金项目：国家自然科学基金(41301442)

收稿日期：2015-01-26

中图分类号：P228.4

文献标识码：B

文章编号：0494-0911(2015)06-0016-04