基于LSTM 預測模型的張衡一號衛星震前電場數據分析

摘要：研究指出，在地震形成階段產生的低頻電磁輻射能夠釋放出可探測的電磁信號。在地表，這種效應通常體現為地磁場強度的突發性變化，以及地電場中巖體裂隙電荷的異常波動；而在空間電離層中，則表現為電磁場輻射、電離層電子密度的變動和高能粒子的波動。特別是在地震發生前十五天內，這些參數的數值往往會出現顯著的異常波動。本研究旨在探究強震對空間電離層造成的異常擾動情況，以期深入了解電離層作為地震前兆的潛在信息。本文采用LSTM長短期記憶神經網絡方法，以2020年1月29日發生在古巴南部海域的地震作為研究對象，通過使用震前二十天的空間電場波形數據建立電場隨時間變化的時間序列預測模型，對地震發生后的電場數據變化進行預測分析。實驗結果表明，相比于目前流行的其他兩種模型算法ARMA和ARIMA，本文提出的LSTM電場預測模型對震前電離層異常擾動的預測誤差最小，為分析震前電場異常變化提供了依據。

關鍵詞：震前電場變化；古巴南部海域；LSTM算法；信號預測

中圖分類號：TP37 文獻標識碼：A

文章編號：1009-3044（2024）19-0030-03

0 引言

隨著深度學習和人工智能等先進信息技術的快速發展，時間序列數據中的異常特征提取已有了高效的方法。Laura Beggel等研究者開發了基于時間序列形態變化的無監督Shapelet異常檢測技術，為異常檢測領域貢獻了一種新工具[1]；Mikel Canizo等研究者則通過滑動窗口技術對時間序列進行分割，并利用RNN 模型對每個時間窗口內的特征進行分析和分類，實現了優異的異常檢測性能[2]。張英等研究者針對航天器部件的遙測數據，運用時間序列異常檢測與預測技術，對傳感器收集的時間序列數據進行深入分析和處理，智能揭示了時間序列中的隱藏信息，為航天器的安全運行提供了有力的決策支持[3]。

眾多專家和學者運用尖端技術，對地電場和電磁干擾的特征提取進行了廣泛而深入的研究。陳全團隊采用了深度學習算法，包括長短期記憶網絡（LSTM） 、擴展因果卷積網絡和奇異譜分析等技術，對地電場觀測數據的異常檢測進行了探討。通過在模擬數據中設置特定異常點進行測試，他們驗證了機器學習技術在異常檢測中的可行性和有效性[4]。陳奇團隊則運用模式識別技術，對地震波形特征進行了提取和檢測，區分了天然地震和人工爆破的不同特征，為地震預警提供了更長的響應時間[5-6]。汪凱翔團隊將長短時記憶（LSTM） 神經網絡應用于地電場數據處理，從而避免了人工篩選特征的復雜過程，為處理大量地電場數據提供了一種高效手段[7]。

在空間電磁場異常信號的提取與分析領域，研究者們也進行了深入探索，特別是分析震前活動對空間電磁場波形和功率譜密度的擾動特征。歐陽新艷及其團隊采用DEMETER衛星獲取的直流/超低頻（DC/ULF） 電場數據，研究了電離層夜間的超低頻（ULF） 波特性，并通過自動檢測算法和疊加歷元分析方法來識別ULF波事件。他們的研究指出，地磁暴期間，ULF 波與磁暴恢復階段顯著相關，并表現出季節性變化，同時在北半球觀察到了電導率的增加現象[8]。

一些研究者采用深度學習時間序列分析和時頻分析技術來探索空間電磁異常擾動的特征提取。陳麗萍團隊利用NOAA衛星提供的長波輻射數據，通過基于滑動窗口的幾何移動平均鞅算法有效識別震前數據的異常特征，幫助研究者在地震發生前確定潛在危險區域[9]。李忠和宋奕瑤等研究者則聚焦于DEMETER衛星的電場數據，運用滑動平均法、峰度法和小波時頻分析等技術提取異常特征，并構建自組織映射（SOM） 網絡聚類模型。他們的研究指出，汶川地震前衛星在震區采集的信號中存在多個異常數據點，這些異常可能與震前電磁波輻射導致的電離層擾動有關[10]。張偉和宋奕瑤等人則使用空間超低頻電場電位數據，通過改進的BP神經網絡建立異常分類識別模型，識別汶川地震前的空間電場信號異常，并通過SOM神經網絡驗證，進一步確認了震前空間電磁擾動的存在[11-12]。

綜上所述，不論是地震導致的地電場異常還是空間電離層擾動，都可以通過適當的技術手段進行特征識別。在地電場異常特征的提取方面，已有成熟且多樣的研究方法，并取得了豐富成果。然而，在空間電離層擾動特征的研究中，統計分析仍是主流，運用現代信息技術進行特征提取的研究相對較少。本文旨在從大量衛星電場數據中分析和提取與地震電離層擾動相關的異常特征，歸納地震電場前兆的規律性，深化對震前衛星數據特征的理解，并為未來的研究奠定基礎。