【熊攀，张学民，申旭辉等-Remote Sensing】利用人工智能技术识别法国DEMETER电磁卫星震前异常

卫星遥感技术作为新兴的空间对地观测技术已经应用于震前异常的研究中，目前震前遥感异常研究多是针对单个物理参数或者特定地震的异常识别与分析，异常的分析结果缺少普遍性。

中国地震局地震预测研究所地震短临预测研究室地球电磁学学科组熊攀副研究员、张学民研究员与前意大利国家航天局局长、国际知名物理学家Roberto Battiston教授，国家灾研院申旭辉研究员，英国莱斯特大学周挥宇教授，新加坡南洋理工大学龙程助理教授等合作，基于2005年到2010年期间8760个5级以上的震例，和积累的6年法国DEMETER卫星电场和磁场谱密度数据，发展了一种基于人工智能技术的震前卫星异常识别新方法（图1）。

图1. 人工智能技术识别法国DEMETER电磁卫星震前异常框架

研究利用16种机器学习分类算法研究震前电磁场扰动，发现Light GBM算法在异常识别的精度和识别度上最高（图2）。

图2. 16种机器学习算法识别效能对比

同时，在多组对比实验后发现：异常出现多在电磁场低频、夜侧，其时间出现在震前48小时内，空间范围在Dobrovolsky距离范围内，机器学习算法在区分震前电磁场异常的精度能到95.01%（图3）。

图3. 不同数据集在震前电磁场扰动的精度分析

分析震前低频电磁场和高频电磁场扰动，发现异常在震前低频电磁场表现更加明显，电磁场低频异常的原因可能是由于震前出现的嘶声或者哨声增强引起的（图4）。

图4. 震前低频和高频电磁场扰动的精度分析

利用机器学习模型特征重要性与PCA分析开展震前电磁场特征分析，同样发现，发现异常在震前低频电磁场表现更加明显（图5）。

图5.  模型特征重要性与PCA分析震前电磁场特征

回顾历史震例事件，也验证了项目的研究结论。2006年7月17日发生的7.7级地震中ELF频段的350–400 Hz 范围，磁场和电磁同时出现了明显的扰动；2005年8月30日发生了6.2级地震，同样在低频500 Hz范围上发生了相似的扰动（图6）。

图6. 历史地震回顾与验证

对研究的地震数据距离发震时间和距离震中距离进行统计，研究发现：大部分地震数据集中在100到200公里范围，时间上距发震时间10到11个小时具有显著的统计特征（图7）。

图7. 地震数据距离发震时间和震中的统计分析

研究成果发表于国际期刊Remote Sensing (IF=4.509) (熊攀, 龙程, 周挥宇, Roberto Battiston, 张学民, 申旭辉*. Identification of Electromagnetic Pre-Earthquake Perturbations from the DEMETER Data by Machine Learning [J]. Remote Sensing. 2020; 12(21):3643. https://doi.org/10.3390/rs12213643)。