基于CNN-LSTM-CBAM模型的地震前兆重力異常檢測研究

中圖分類號：TP183；TP39；P315. 7 2 + 6 文獻(xiàn)標(biāo)識碼：A

文章編號：2096-4706（2025）08-0041-05

Abstract： This research proposes an anomaly detection method in earthquake precursor gravity data based on the CNNLSTM-CBAMmodel.The anomalydetection inearthquake precursor gravitydata is crucial for improving the timelinessof earthquakepredictions.Itextracts spatial features ofthegravitydata using CNN，anduses theLSTMtocapture long-term dependencyrelationships inthe time series.The CBAMisintroduced toenhance the model's abilityto focusonimportant features，thereby improving anomaly detection performance.Experimental comparisons with the anomaly detection methods suchas AutoEncoder，CNN，LST，andCNN-LSTmethodsshowthattheproposedmodelinthispaperoutperformsotrsin metrics such as MAE，MSE，RMSE，and .This model effectively identifies potential and abnormal dataand providesa reliable foundation forearthquakeriskmanagementandearly waming.Thisresearchofersnewinsights into theanalysisofearthquake precursor data.

Keywords： earthquake precursor anomaly; gravity data; time series; LSTM; Atention Mechanism

0 引言

在印度板塊與歐亞板塊相互作用及太平洋板塊影響下，中國是板塊內(nèi)地震活動最強(qiáng)烈、頻率最高的地區(qū)之一{I]。隨著對地震預(yù)報(bào)理解的深入，地震前兆被認(rèn)為是地震發(fā)生的直接標(biāo)志，因此尋找前兆異常在預(yù)報(bào)研究中具有重要意義[。大規(guī)模數(shù)字地震臺網(wǎng)平臺能夠收集形變、流體、地磁等海量前兆觀測資料，為相關(guān)研究提供關(guān)鍵數(shù)據(jù)。

目前的數(shù)據(jù)檢查主要依賴人工方法，存在煩瑣和低效的問題，不同臺站的異常判定標(biāo)準(zhǔn)不一，導(dǎo)致結(jié)果中存在主觀因素[3]。因此，結(jié)合現(xiàn)有異常檢測算法，提出針對前兆數(shù)據(jù)的自動異常檢測方法，可以顯著提高工作效率，減輕工作強(qiáng)度，減少人為主觀影響，確保數(shù)據(jù)客觀性。

現(xiàn)有大多數(shù)前兆異常檢測方法主要基于統(tǒng)計(jì)方法，例如通過計(jì)算正常數(shù)據(jù)的基線和變化率，判定超出范圍的觀測為異常[4]。此外，還有小波變換[5]和經(jīng)驗(yàn)?zāi)B(tài)分解[等數(shù)字信號分析技術(shù)，這些方法通過時域到頻域的轉(zhuǎn)換進(jìn)行異常分析。然而，這些技術(shù)僅適用于特定類型的時間序列異常，且不同類型的重力異常常常重疊，使得高精度檢測所有異常的推廣具有挑戰(zhàn)性。因此，需要一種能夠統(tǒng)一識別大多數(shù)異常的新方法。

深度學(xué)習(xí)技術(shù)已成為流行的機(jī)器學(xué)習(xí)方法，通過自學(xué)習(xí)提取深度特征，在有監(jiān)督和無監(jiān)督學(xué)習(xí)中表現(xiàn)優(yōu)異[7-8]。地震前兆重力數(shù)據(jù)是典型的時間序列，LSTM網(wǎng)絡(luò)能夠處理長期依賴關(guān)系，捕獲深層特征，從而提高地震異常自動識別的準(zhǔn)確性。然而，LSTM在處理長序列時可能面臨梯度消失或爆炸的問題，影響其學(xué)習(xí)效果，仍需改進(jìn)以適應(yīng)地震異常檢測的需求。

由于前兆數(shù)據(jù)特殊的觀測目標(biāo)和自身獨(dú)有的特點(diǎn)，目前基于深度學(xué)習(xí)的異常檢測算法在前兆數(shù)據(jù)中的應(yīng)用仍較少，本文嘗試引入基于CNN-LSTM-CBAM的異常檢測模型，對前兆重力數(shù)據(jù)進(jìn)行檢測，以解決臺網(wǎng)海量數(shù)據(jù)人工檢測效率低下和人為主觀影響的問題，探索地震前兆數(shù)據(jù)分析與異常檢測的新方法。

1前兆重力數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)介紹

本文研究所用的連續(xù)觀測重力數(shù)據(jù)由江蘇省地震局提供，主要圍繞重力儀的秒采樣數(shù)據(jù)展開，時間范圍為2022年1月1日至2022年1月31日。

在對前兆數(shù)據(jù)進(jìn)行分析之前，必須進(jìn)行科學(xué)有效的數(shù)據(jù)存儲。由于前兆數(shù)據(jù)包含多種觀測指標(biāo)且數(shù)據(jù)量日益增長，規(guī)范的數(shù)據(jù)編制對于保證科學(xué)存儲至關(guān)重要。規(guī)范的要點(diǎn)包括數(shù)據(jù)類型、臺站、測點(diǎn)、測項(xiàng)和采樣率等指標(biāo)。在文件命名時，各項(xiàng)要點(diǎn)應(yīng)以下劃線形式隔開，例如：DYU32011_F_21210_02.txt，其中：DYU表示預(yù)處理前兆數(shù)據(jù)；32011表示具體臺站；F表示臺站的某個具體測點(diǎn)（每套儀器對應(yīng)一個測點(diǎn)）；21210表示具體的測項(xiàng)，2xx指代地形變觀測，即對由地殼運(yùn)動引起的垂直形變、水平形變、斷裂錯動、重力及應(yīng)力應(yīng)變等變化量的觀測；21210特指重力潮汐變化測項(xiàng)，表示測量臺站重力數(shù)據(jù)；02表示采樣率為秒。

此外需要特別注意的是，當(dāng)儀器無法采集數(shù)據(jù)或數(shù)據(jù)上傳過程中出現(xiàn)問題時，檢測儀會自動填補(bǔ)缺失數(shù)據(jù)，但這些填補(bǔ)的數(shù)據(jù)可能顯著高于或低于正常數(shù)據(jù)的數(shù)倍甚至百倍，缺失數(shù)據(jù)的標(biāo)志值默認(rèn)為999999。測項(xiàng)對應(yīng)的編號及說明如表1所示。

1.2 重采樣

前兆重力數(shù)據(jù)作為一組秒采樣的時間序列數(shù)據(jù)，一天的數(shù)據(jù)量為86400條數(shù)據(jù)，數(shù)據(jù)量較大。為方便后續(xù)分析與可視化，對預(yù)處理后的前兆重力數(shù)據(jù)進(jìn)行重采樣，重采樣為每30分鐘1個數(shù)據(jù)點(diǎn)，這意味著每個重采樣后的數(shù)據(jù)將包含1800條秒級數(shù)據(jù)。重采樣后數(shù)據(jù)的平滑程度和整體趨勢更為明顯，有助于我們更好地識別潛在的異常變化和趨勢，為異常識別提供可靠的基礎(chǔ)。重采樣前后的數(shù)據(jù)如圖1和圖2所示。

1.3 數(shù)據(jù)標(biāo)注

在對重采樣后的數(shù)據(jù)進(jìn)行異常檢測前，采用人工標(biāo)注的方法來識別異常數(shù)據(jù)。基于原始數(shù)據(jù)，新增了label列，其中正常數(shù)據(jù)被標(biāo)注為0，而異常數(shù)據(jù)則被標(biāo)注為1。經(jīng)過標(biāo)注處理后的數(shù)據(jù)如圖3所示，其中虛線代表被標(biāo)記為異常的數(shù)據(jù)點(diǎn)。

2 CNN-LSTM-CBAM網(wǎng)絡(luò)模型結(jié)構(gòu)

本文提出的CNN-LSTM-CBAM異常檢測模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶網(wǎng)絡(luò)（LSTM）和通道-空間注意力模塊（CBAM），旨在有效檢測地震前兆重力數(shù)據(jù)中的異常。這一模型不僅能夠捕捉時間序列數(shù)據(jù)中的時序特征，還能增強(qiáng)對數(shù)據(jù)內(nèi)部結(jié)構(gòu)的解釋能力，從而提高異常檢測的精度。

CNN作為深度學(xué)習(xí)的一個重要組成部分，廣泛應(yīng)用于時間序列預(yù)測等領(lǐng)域。其結(jié)構(gòu)包括卷積層、池化層和全連接層[9。在卷積層中，模型通過對一維矩陣提取最佳特征，生成卷積輸出，如式（1）所示：

其中 表示卷積輸出，tanh表示激活函數(shù)， 表示輸入值， 表示權(quán)重， 表示偏置。

從而為后續(xù)處理提供有效信息。池化層則通過最大池化等方式，減少特征維度并保留重要信息。最終，全連接層對經(jīng)過處理的數(shù)據(jù)進(jìn)行分類或回歸任務(wù)。

在地震前兆重力數(shù)據(jù)的應(yīng)用中，CNN通過自動提取重力數(shù)據(jù)中的關(guān)鍵特征，幫助識別可能的異常模式。

LSTM是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），專門設(shè)計(jì)用于處理長期依賴問題和梯度消失問題[10]。它通過輸入門、遺忘門和輸出門的門控機(jī)制，有效地管理信息流，決定在每個時間步應(yīng)保留多少信息，如圖4所示。

LSTM的設(shè)計(jì)使其在處理時間序列數(shù)據(jù)時具有顯著優(yōu)勢，能夠捕捉數(shù)據(jù)的動態(tài)變化和非線性關(guān)系。

一個標(biāo)準(zhǔn)的LSTM單元包括三個門：遺忘門 決定要遺忘多少先前的數(shù)據(jù)；輸入門 ，用于計(jì)算要寫入單元存儲器的信息；輸出門 ，決定如何計(jì)算當(dāng)前信息的輸出，如式（2）～式（4）所示：

其中， W， R 和 變量表示可訓(xùn)練的矩陣和向量參數(shù)。

LSTM單元定義，如式（5）～式（8）所示：

候選細(xì)胞狀態(tài) 是使用輸入數(shù)據(jù) 和前一個隱藏狀態(tài) 計(jì)算的。細(xì)胞記憶或當(dāng)前細(xì)胞狀態(tài) 是使用遺忘門 前一個細(xì)胞狀態(tài) 、輸入門 和候選細(xì)胞狀態(tài) 計(jì)算的。Hadamard積 ? 表示所涉及矩陣的元素積。輸出 是通過將相應(yīng)的權(quán)重（ 和 ）應(yīng)用于隱藏狀態(tài) 來計(jì)算的。

在地震前兆重力數(shù)據(jù)的分析中，LSTM能夠?qū)νㄟ^CNN提取的特征進(jìn)行時間序列建模，學(xué)習(xí)數(shù)據(jù)中的時間依賴性，從而更準(zhǔn)確地預(yù)測異常事件的發(fā)生。

CBAM是一種有效的注意力機(jī)制，旨在通過選擇性地聚焦于重要特征，增強(qiáng)模型的表達(dá)能力[]。在CBAM中，通道注意力模塊和空間注意力模塊相輔相成，分別對特征的通道和空間維度進(jìn)行加權(quán)處理，從而提高網(wǎng)絡(luò)的利用率和異常檢測能力，其結(jié)構(gòu)如圖5所示。

通道注意力和空間注意力的計(jì)算如式（9）～式（10）所示：

其中， 表示通道注意力模塊計(jì)算因子， 表示空間注意力模塊計(jì)算因子， ε 表示Sigmoid激活函數(shù)，MLP表示多層感知器， F 表示特征向量，unit表示通道組合，conv表示卷積操作。

在地震前兆重力數(shù)據(jù)中，CBAM通過增強(qiáng)重要特征的權(quán)重，減少低效信息的影響，從而提升模型對異常情況的敏感性和識別能力。

結(jié)合以上三個模塊，CNN-LSTM-CBAM模型能夠在時間序列數(shù)據(jù)處理上實(shí)現(xiàn)更高的效果。CNN層提取輸入重力數(shù)據(jù)的高維卷積特征，LSTM層對這些特征進(jìn)行序列建模，學(xué)習(xí)其內(nèi)部的時間依賴性，而CBAM模塊則動態(tài)調(diào)整每個通道和空間位置的加權(quán)系數(shù)，進(jìn)一步提升模型的擬合精度和適應(yīng)性。

通過這種組合，模型能夠有效捕捉地震前兆重力數(shù)據(jù)中的時序特征和動態(tài)變化，顯著提高異常檢測的準(zhǔn)確性。模型的整體結(jié)構(gòu)如圖6所示。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)流程

基于CNN-LSTM-CBAM模型的地震重力前兆重力異常檢測算法的整體流程如圖7所示。

在本研究中，首先對地震前兆重力數(shù)據(jù)進(jìn)行標(biāo)注，將數(shù)據(jù)劃分為正常數(shù)據(jù)和異常數(shù)據(jù)。正常數(shù)據(jù)不包含異常情況，用于訓(xùn)練模型以學(xué)習(xí)正常模式；異常數(shù)據(jù)則包含異常樣本，用于測試模型性能。此外， 1 5 % 的數(shù)據(jù)被劃分為驗(yàn)證集，以平衡模型訓(xùn)練和驗(yàn)證的需求。

接下來，構(gòu)建CNN-LSTM-CBAM模型，并使用訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。訓(xùn)練完成后，模型將對測試數(shù)據(jù)進(jìn)行預(yù)測，通過輸入前一段時間的重力數(shù)據(jù)，預(yù)測接下來的重力變化。模型的性能通過均方誤差（MSE）[12]、平均絕對誤差（MAE）[13]、均方根誤差（RMSE）[14]和決定系數(shù) ）等指標(biāo)進(jìn)行評估[15]。

異常分?jǐn)?shù)的計(jì)算基于模型預(yù)測值與實(shí)際重力數(shù)據(jù)之間的差異，常用的距離度量包括均方誤差和絕對誤差。計(jì)算后的異常分?jǐn)?shù)經(jīng)過標(biāo)準(zhǔn)化處理，范圍調(diào)整為0到1，便于比較。異常分?jǐn)?shù)越接近1，表示數(shù)據(jù)越可能是異常值。

設(shè)定合理的閾值以標(biāo)記異常數(shù)據(jù)。例如，若閾值設(shè)為0.5，則所有異常分?jǐn)?shù)高于該值的數(shù)據(jù)將被標(biāo)記為異常。最終，通過檢測到的異常分?jǐn)?shù)繪制異常檢測圖示，以便于分析人員快速識別和響應(yīng)異常現(xiàn)象。

3.2 實(shí)驗(yàn)分析

為了更好地評估CNN-LSTM-CBAM模型的前兆重力數(shù)據(jù)異常檢測算法的有效性，本文選擇了經(jīng)典的異常檢測算法作為對比模型，具體包括AutoEncoder（自編碼器）、CNN、LSTM和CNN-LSTM。

本文提出的CNN-LSTM-CBAM模型在CNN-LSTM的基礎(chǔ)上引入了通道和空間注意力機(jī)制，進(jìn)一步增強(qiáng)了模型對重要特征的關(guān)注能力。通過這種方式，模型能夠更精準(zhǔn)地捕捉異常數(shù)據(jù)，提高檢測效果。

各模型的異常檢測的實(shí)驗(yàn)結(jié)果如表2所示。

從實(shí)驗(yàn)結(jié)果來看，AutoEncoder的重建誤差相對較高，顯示其對數(shù)據(jù)特征的學(xué)習(xí)能力有限。盡管能夠檢測到一些異常，但整體效果較差，特別是在復(fù)雜數(shù)據(jù)場景中。相比之下，CNN顯著提升了檢測性能，其強(qiáng)大的局部特征提取能力使得異常識別更加準(zhǔn)確，但仍缺乏處理時間序列信息的能力。

LSTM在處理時間序列數(shù)據(jù)方面表現(xiàn)出色，能夠有效捕捉數(shù)據(jù)中的時序特征。盡管在誤差指標(biāo)上與CNN相似，但在動態(tài)數(shù)據(jù)分析中，LSTM更能識別潛在的異常模式。結(jié)合CNN和LSTM優(yōu)勢的CNN-LSTM模型在空間特征提取和時間序列處理上都有所增強(qiáng)，其 值的提升表明該模型能夠更準(zhǔn)確地識別異常情況，顯著降低了重建誤差。

引入CBAM后，CNN-LSTM-CBAM模型表現(xiàn)出色，所有性能指標(biāo)均達(dá)到了最佳水平。該模型在特征選擇上更為精細(xì)，能夠更有效地關(guān)注關(guān)鍵特征，進(jìn)一步提升了異常檢測的準(zhǔn)確性。

綜上所述，CNN-LSTM-CBAM模型在異常檢測任務(wù)中展現(xiàn)了最高的性能，尤其是在 值上達(dá)到了0.887，表明其對數(shù)據(jù)異常的捕捉能力極強(qiáng)。相比于其他模型，該算法在處理復(fù)雜數(shù)據(jù)時能夠更精準(zhǔn)地識別潛在異常。實(shí)驗(yàn)結(jié)果清楚地表明，結(jié)合空間和通道注意力機(jī)制的CNN-LSTM-CBAM模型顯著優(yōu)于傳統(tǒng)的單一模型，為異常檢測提供了更為有效的解決方案。

為了進(jìn)一步優(yōu)化異常檢測過程，本文設(shè)置了一個合理的閾值，用于將異常分?jǐn)?shù)與該閾值進(jìn)行比較。當(dāng)樣本的異常分?jǐn)?shù)高于這一閾值時，對應(yīng)的重力數(shù)據(jù)將被標(biāo)記為異常。例如，將閾值設(shè)為0.5，所有異常得分高于0.5的樣本將被視為異常。這種方法使得異常檢測過程更加系統(tǒng)化，并有效減少了誤報(bào)。得到的異常分?jǐn)?shù)如圖8所示。

根據(jù)異常檢測分?jǐn)?shù)的結(jié)果，將高于設(shè)定閾值的點(diǎn)標(biāo)記為異常。基于重采樣數(shù)據(jù)，標(biāo)記檢測到的異常并繪制了異常檢測圖示，如圖9所示，其中虛線代表被檢測為異常的數(shù)據(jù)。這種可視化方式便于分析人員快速識別異常，提升了對重力數(shù)據(jù)異常的響應(yīng)效率，同時也有助于進(jìn)一步追蹤和研究這些異常現(xiàn)象的潛在原因及后果。

4結(jié)論

本研究提出的CNN-LSTM-CBAM模型在地震前兆重力數(shù)據(jù)的異常檢測中表現(xiàn)出色。該模型通過結(jié)合CNN和LSTM，有效捕捉多維時序數(shù)據(jù)中的潛在非線性關(guān)系和長期特征。CNN負(fù)責(zé)提取重力數(shù)據(jù)的空間特征，而LSTM則專注于學(xué)習(xí)時間序列的動態(tài)變化。引入的CBAM注意力機(jī)制進(jìn)一步增強(qiáng)了特征提取能力，使模型能夠更精準(zhǔn)地關(guān)注重要特征。這種綜合方法不僅提高了異常檢測的準(zhǔn)確性，還能有效識別潛在的異常數(shù)據(jù)，為地震前兆信號的監(jiān)測提供了可靠依據(jù)。

模型通過其高效的特征學(xué)習(xí)和異常檢測能力，為地震前兆的研究提供了一種科學(xué)、系統(tǒng)的方法，增強(qiáng)了對地震風(fēng)險(xiǎn)的管理能力，助力于提升地震預(yù)測的準(zhǔn)確性和及時性，研究人員和決策者可以更有效地利用這些數(shù)據(jù)進(jìn)行前期預(yù)警和防災(zāi)減災(zāi)工作。

參考文獻(xiàn)：

[1]李艷娥.基于孕震過程追蹤的強(qiáng)震預(yù)測方法研究[D].北京：中國地震局地球物理研究所，2023.

[2]徐錫統(tǒng).地震擾動下地球多圈層異常分析及其演化模式研究[D].長春：吉林大學(xué)，2024.

[3]池成全.鉆孔應(yīng)變前兆觀測數(shù)據(jù)分析與異常提取研究[D].長春：吉林大學(xué)，2020.

[4]辛建村，方煒，楊宜海，等.2021年酒泉阿克塞縣MS（S下標(biāo)）5.5地震前地電場變化分析[J].地震，2023，43（4）：153-168.

[5]劉杰.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的汶川地震地下流體前兆識別方法研究[D].成都：成都理工大學(xué)，2021.

[6]孫一書.城市拖電瞬變電磁數(shù)據(jù)降噪與反演方法研究[D].長春：吉林大學(xué)，2023.

[7]王洪洲.基于深度學(xué)習(xí)的地震勘探數(shù)據(jù)去噪及速度模型反演技術(shù)研究[D].長春：吉林大學(xué)，2024.

[8] KAVIANPOUR P，KAVIANPOUR M，JAHANI E，etal.ACNN-BiLSTMModelwithAttentionMechanism forEarthquake Prediction [J].Journal of Supercomputing，2023，79（17）：19194-19226.

[9] ZHANG H，ZHAI H，LIU T T，et al. Short-termComprehensive Prediction Method for Regional EarthquakesBased on Multi-source Information Fusion [J].Proceedings of theIndian National Science Academy，2024 （prepublish）：1-11.

[10]BUDAKC，GIDERV.LSTMBasedForecastingof theNext Day's Values of Ionospheric Total Electron Content （TEC）as an Earthquake Precursor Signal [J].Earth Science Informatics，2023，16（3）：2323-2337.

[11] LIHY，LIJH，LIXG，et al. Seismic PickingAttention Module[J].IEEE TransactionsonGeoscienceandRemote Sensing，2024，62：1-6.

[12] MOUDDEN TEL，AMNAI M，CHOUKRIA，etal. Artificial Intelligence for Assessing the Planets' Positions asa Precursor to Earthquake Events [J].Journal of Geodynamics，2024，162：102057.

[13]羅旭辰.基于多源深度學(xué)習(xí)的地震預(yù)測模型研究[D].成都：電子科技大學(xué)，2023.

[14] ZHANGJY，SUNK，ZHUJQ，et al.ApplicationofModel-based Time Series Prediction of Infrared Long-waveRadiation Data for Exploring the Precursory Patterns Associatedwith the 2021 Madoi Earthquake[J].Remote Sensing，2023，15（19）：1-22.

[15]史翔宇.基于機(jī)器學(xué)習(xí)回歸算法的地震預(yù)測研究及其在中國地震科學(xué)實(shí)驗(yàn)場的應(yīng)用[D].北京：中國地震局地震預(yù)測研究所，2021.

作者簡介：邢乾龍（1999一），男，漢族，河南商丘人，碩士在讀，研究方向：地震前兆異常、大數(shù)據(jù)處理、深度學(xué)習(xí)；通信作者：劉慶杰（1978一），男，漢族，河南洛陽人，教授，碩士，研究方向：大數(shù)據(jù)處理。