基于LSTM 预测模型的张衡一号卫星震前电场数据分析

摘要：研究指出，在地震形成阶段产生的低频电磁辐射能够释放出可探测的电磁信号。在地表，这种效应通常体现为地磁场强度的突发性变化，以及地电场中岩体裂隙电荷的异常波动；而在空间电离层中，则表现为电磁场辐射、电离层电子密度的变动和高能粒子的波动。特别是在地震发生前十五天内，这些参数的数值往往会出现显著的异常波动。本研究旨在探究强震对空间电离层造成的异常扰动情况，以期深入了解电离层作为地震前兆的潜在信息。本文采用LSTM长短期记忆神经网络方法，以2020年1月29日发生在古巴南部海域的地震作为研究对象，通过使用震前二十天的空间电场波形数据建立电场随时间变化的时间序列预测模型，对地震发生后的电场数据变化进行预测分析。实验结果表明，相比于目前流行的其他两种模型算法ARMA和ARIMA，本文提出的LSTM电场预测模型对震前电离层异常扰动的预测误差最小，为分析震前电场异常变化提供了依据。

关键词：震前电场变化；古巴南部海域；LSTM算法；信号预测

中图分类号：TP37 文献标识码：A

文章编号：1009-3044（2024）19-0030-03

0 引言

随着深度学习和人工智能等先进信息技术的快速发展，时间序列数据中的异常特征提取已有了高效的方法。Laura Beggel等研究者开发了基于时间序列形态变化的无监督Shapelet异常检测技术，为异常检测领域贡献了一种新工具[1]；Mikel Canizo等研究者则通过滑动窗口技术对时间序列进行分割，并利用RNN 模型对每个时间窗口内的特征进行分析和分类，实现了优异的异常检测性能[2]。张英等研究者针对航天器部件的遥测数据，运用时间序列异常检测与预测技术，对传感器收集的时间序列数据进行深入分析和处理，智能揭示了时间序列中的隐藏信息，为航天器的安全运行提供了有力的决策支持[3]。

众多专家和学者运用尖端技术，对地电场和电磁干扰的特征提取进行了广泛而深入的研究。陈全团队采用了深度学习算法，包括长短期记忆网络（LSTM） 、扩展因果卷积网络和奇异谱分析等技术，对地电场观测数据的异常检测进行了探讨。通过在模拟数据中设置特定异常点进行测试，他们验证了机器学习技术在异常检测中的可行性和有效性[4]。陈奇团队则运用模式识别技术，对地震波形特征进行了提取和检测，区分了天然地震和人工爆破的不同特征，为地震预警提供了更长的响应时间[5-6]。汪凯翔团队将长短时记忆（LSTM） 神经网络应用于地电场数据处理，从而避免了人工筛选特征的复杂过程，为处理大量地电场数据提供了一种高效手段[7]。

在空间电磁场异常信号的提取与分析领域，研究者们也进行了深入探索，特别是分析震前活动对空间电磁场波形和功率谱密度的扰动特征。欧阳新艳及其团队采用DEMETER卫星获取的直流/超低频（DC/ULF） 电场数据，研究了电离层夜间的超低频（ULF） 波特性，并通过自动检测算法和叠加历元分析方法来识别ULF波事件。他们的研究指出，地磁暴期间，ULF 波与磁暴恢复阶段显著相关，并表现出季节性变化，同时在北半球观察到了电导率的增加现象[8]。

一些研究者采用深度学习时间序列分析和时频分析技术来探索空间电磁异常扰动的特征提取。陈丽萍团队利用NOAA卫星提供的长波辐射数据，通过基于滑动窗口的几何移动平均鞅算法有效识别震前数据的异常特征，帮助研究者在地震发生前确定潜在危险区域[9]。李忠和宋奕瑶等研究者则聚焦于DEMETER卫星的电场数据，运用滑动平均法、峰度法和小波时频分析等技术提取异常特征，并构建自组织映射（SOM） 网络聚类模型。他们的研究指出，汶川地震前卫星在震区采集的信号中存在多个异常数据点，这些异常可能与震前电磁波辐射导致的电离层扰动有关[10]。张伟和宋奕瑶等人则使用空间超低频电场电位数据，通过改进的BP神经网络建立异常分类识别模型，识别汶川地震前的空间电场信号异常，并通过SOM神经网络验证，进一步确认了震前空间电磁扰动的存在[11-12]。

综上所述，不论是地震导致的地电场异常还是空间电离层扰动，都可以通过适当的技术手段进行特征识别。在地电场异常特征的提取方面，已有成熟且多样的研究方法，并取得了丰富成果。然而，在空间电离层扰动特征的研究中，统计分析仍是主流，运用现代信息技术进行特征提取的研究相对较少。本文旨在从大量卫星电场数据中分析和提取与地震电离层扰动相关的异常特征，归纳地震电场前兆的规律性，深化对震前卫星数据特征的理解，并为未来的研究奠定基础。