空基电场数据处理方法综述_李忠.pdf

2023 年第 38 卷 第2期2023，38(2):0562-0577地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P李忠，杨百一，黄建平，等2023 空基电场数据处理方法综述 地球物理学进展，38(2):0562-0577，doi:10 6038/pg2023GG0302LI Zhong，YANG BaiYi，HUANG JianPing，et al 2023 Overview of space-based electric field data processing methods Progress in Geophysics(inChinese)，38(2):0562-0577，doi:106038/pg2023GG0302空基电场数据处理方法综述Overview of space-based electric field data processing methods李忠1，2，杨百一1，2，黄建平1，3*，陈朝阳1，4，杨旭明1，2，韩莹4，张富志1，4，鲁恒新1，3LI Zhong1，2，YANG BaiYi1，2，HUANG JianPing1，3*，CHEN ZhaoYang1，4，YANG XuMing1，2，HAN Ying4，ZHANG FuZhi1，4，LU HengXin1，3收稿日期2022-09-09;修回日期2022-12-25投稿网址http:/www progeophys cn基金项目中央高校基本科研业务费专项(ZY20180121)、国家重点研发计划专题(2018YFC1503806-07)和亚太空间合作组织地震专项二期项目和 ISSI-BJ2019 联合资助第一作者简介李忠，男，1966 年生，博士，教授，硕士生导师，主要研究方向为人工智能和大数据技术 E-mail:Lizhong cidp edu cn*通讯作者黄建平，男，1979 年生，博士，副研究员，硕士生导师，主要研究方向为地震电离层的基础理论与应用研究E-mail:jianpinghuang ninhm ac cn1 防灾科技学院智能应急信息处理研究所，廊坊0652012 防灾科技学院应急管理学院，廊坊0652013 国家自然灾害防治研究院，北京1000854 防灾科技学院信息工程学院，廊坊0652011 Institute of Intelligent Emergency Information Processing，Institute of Disaster Prevention，Langfang 065201，China2 Emergency Management School，Institute of Disaster Prevention，Langfang 065201，China3 National Institute of Natural Hazards，Ministry of Emergency Management of China，Beijing 100085，China4 Information Engineering School，Institute of Disaster Prevention，Langfang 065201，China摘要地震孕育过程中激发的电磁波穿过大气层进入太空，引起电离层物理参量发生变化，这些扰动信号可被卫星记录下来，因此电磁卫星作为一种监测预测地震的新手段越来越受到重视 卫星记录的数据具有时空同步变化性、数据量大等特点，需要采用多种数据处理方法进行分析 本文分析了卫星观测的地震前兆电场数据服务的不同需求，对地震电离层异常分析的不同阶段所采用的数据处理方法进行了梳理和总结，指出了不同方法的适应条件和环境，对几种典型的算法给出了实例分析效果 这为利用电磁卫星进行数据分析和研究的工作者提供了参考，具有现实意义关键词数据处理方法;地震电离层现象;DEMETE;张衡一号卫星中图分类号P351文献标识码Adoi:10 6038/pg2023GG0302AbstractElectromagnetic waves excited in the process ofearthquake preparation can pass through the atmosphereand enter space，causing changes in ionospheric physicalparameters These disturbance signals can be recorded bysatellites Therefore，electromagnetic satellites，as a newmeans of monitoring and predicting earthquakes，haveattracted more and more attention With the characteristicsof spatiotemporal synchronous change and large amount ofdata recorded by satellite，it needs a variety of dataprocessing methodsThis paper analyzes the differentrequirements of seismic precursory electric field dataservice observed by satellite，combs and summarizes thedata processing methods used in different stages of seismicionospheric anomaly analysis，points out the adaptiveconditions and environment of different methods，and givesthe practical analysis results of several typical algorithmsThisprovidesareferenceforworkerswhouseelectromagnetic satellites for data analysis and research，and has practical significanceKeywordsData processing method;Seismic ionosphericphenomena;DEMETE;ZH-1 satellite2023，38(2)李忠，等:空基电场数据处理方法综述(www progeophys cn)0引言地震在所有的自然灾害中对人类社会造成的影响最大，严重地威胁着人类的生产活动和日常生活，因此被称为百害之首(张培震，2008)地震的产生是一个非常复杂的物理化学过程，这使得地震的预测预报成为当前世界的一大难题，因此准确地预测和预报地震一直是地震学家乃至全人类共同的希冀(尼鲁帕尔买买吐孙和张永仙，2012)但在地震产生的同时，还伴随着地球物理、化学、压电、压磁等效应，这些效应可以通过岩石圈-大气层-电离层之间的耦合作用传播开来，向上穿透大气层，到达电离层，引起孕震区上空一定范围内的电离层发生异常变化(丁鉴海等，2006)，这就为利用空间电离层扰动变化研究地震提供了可能性自从 Leonard 和 Barnes 在 1964 年的阿拉斯加大地震中首次发现地震电离层效应(Moore，1964;Davies and Baker，1965)以来，关于地震电离层的研究与报道便如雨后春笋般层出不穷 同时，卫星观测技术的不断升级也为研究电离层提供了新的途径进入 21 世纪后，许多国家发射了用于监测空间环境的卫星，甚至于专用于地震观测，如法国在 2004 年发射的 DEMETE 卫星，是第一颗进行地震电离层扰动监测的专用卫星(Cussac et al，2006;Zhao etal，2020)其稳定在轨运行 6 年，积累了大量的原始观测数据和典型震例 我国借鉴了其成功经验，于2018 年2 月2 日将一颗自主研发的专用地震电磁监测卫星 张衡一号(China Seismo-ElectromagneticSatelite，CSES)成功发射入轨(张学民等，2016)该卫星的科学目标是获取全球电磁场、电离层等离子体、高能粒子观测数据，对中国及周边区域开展电离层动态实时监测和地震前兆跟踪监测，探索地震电离层的扰动机制(申旭辉等，2018;袁仕耿等，2018;马勉军等，2018)地球被大气层、电离层、磁层等层层包裹，电磁监测卫星在电离层中工作，而电离层容易受到来自上、下两个方向(太阳活动、磁暴、岩石圈等)的干扰(胡云鹏等，2020)如何将有效的地震信号从复杂的空间环境中准确地提取出来，已经成为研究人员关注的重要科学问题 对于不同的空间观测任务目标，需要采用不同的数据处理方法 有鉴于此，本文将从不同业务角度进行归纳分类，按照算法适应性加以梳理，总结一些在空间电离层研究中的典型方法，以及这些方法在地震中的应用1背景场构建阶段的方法在研究地震的电离层现象中，想要获取到显著的震前电离层异常变化，需要首先构建能够描绘出震区上空的时空规律的背景场1.1空间网格化划分方法为获取真实的地震信息，尽可能排除干扰，需要构建观测值统计背景场信息 但空间背景场很不均匀，不同的高度、不同的区域、不同的时间，空间背景都不一样，这就需要对空间进行划分 空间网格化划分方法，顾名思义，就是将大尺度的空间划分为小尺度的、更加精细的网格，通常是均等网格，以捕获较为准确的异常变化 在研究地震电离层前兆信号时，需要按照下面的孕震区范围的经验公式计算不同震级条件下的孕震区大小(Dobrovolsky et al，1979):=100.43M，(1)其中 M 为震级，为孕震区半径 然后将孕震区切分为均匀的网格，计算落在每个网格内的背景信号，这种背景信号可能会是几个周期、几个月或者几年内同一网格范围的观测数据(Le et al，2011;杨牧萍等，2018;杨静等，2021)图 1AIMA 计算流程Fig 1Arima calculation process365地球物理学进展www progeophys cn2023，38(2)图 2电场 ULF 频段原始波形(a)及去除趋势后的电场扰动波形(b)(欧阳新艳和申旭辉，2015b)Fig 2Original waveform of electric field ULF band(a)and electric field disturbancewaveform after trend removal(b)(Ouyang and Shen，2015b)图 3去除电场趋势后的小尺度残差扰动波形Fig 3Small scale residual disturbance waveform after removing electric field trend在对汶川地震分析中，杨静等(2021)使用DEMETE 卫星 20052007 年间每年的 5 8 月份的汶川地区的电场数据，运用网格划分法分析了其时空规律，发现在汶川地震前电场各个频段均发生了 PSD(Power spectral density)增强的现象;泽仁志玛等(2012)使用 DEMETE 卫星观测震前 5 个月的4652023，38(2)李忠，等:空基电场数据处理方法综述(www progeophys cn)图 4残差扰动波形的小波时频变换图Fig 4Wavelet time-frequency transformation diagram of residual disturbance waveform磁场数据，利用网格化划分的数据方法构建了背景场，研究发现汶川地震前空间磁场发生了强烈的扰动，其扰动幅度超过了 3 倍标准差;Li 等(2012)同样使用网格化的方法发现了在汶川地震前 12 天出现了电离层的异常现象 空间网格化划分方法的优点在于能够将电离层扰动的背景值进行精细地划分和准确地描述 但如果在某段时间或空间内出现了较强的电磁异常，则会对背景场模型的构建带来严重的干扰1.2对比重访轨道法在构建背景场阶段中，利用重访轨道进行背景场的构建也是一种常用的方法(黄建平等，2010)通过观察利用重访轨道构建的背景场信息，能够获取到某个区域长时间的背景资料，包括月变、季变、年变等趋势，从而能够在此基础上分析异常变化(张学民等，2009;颜蕊等，2013b;Zhang et al，2009b)利用重访轨道构建背景场，通常应用于震例分析中 Zhima 等(2012)使用 DEMETE 卫星磁场410 Hz 的 PSD 数据与重访轨道数据对比，发现了2009 年 8 月 28 日的 MS6.4 级海西地震前 10 天与2010 年4 月14 日玉树地震前4 天与前17 天出现了电磁异常现象1.3自回归滑动平均(AIMA)法卫星观测的电离层数据常常因为地理位置、季节、太阳活动及地磁活动等伴随着产生周期性、季节性以及随机波动等变化，没有固定的平均中心值，属于非平稳时间序列数据 对于非平稳时间序列数据的处理，一般需要将其转换为平稳的时间序列，如通过差分、取对数等方法 时间序列算法主要从数据的时间域与频率域两个方面进行分析，时间域可以进行预报预警，频率域可以分析数据的特征(周煜林，2021)整合滑动平均自回归模型(AIMA，Autoregressive Integrated Moving Average mode)是一种时间序列预测分析方法，通过整合 A 和 MA 两个模型的优点，能够处理非平稳时间序列数据，而不考虑其他随机变量的变化 利用 AIMA 模型，对一565地球物理学进展www progeophys cn2023，38(2)图 5ZH-1 卫星观测的 NAA 发射站上空的电场信噪比时空图Fig 5Spatio-temporal map of electric field signal-to-noise ratio over NAA launch station observed by ZH-1 satellite组有限并有序的数据，通过求和与自回归移动平均模型进行研究、分析，并观察其规律，能够较好地抑制已知的异常变化，并计算出不明确的变化成分，得到更为准确的电离层参考模型(Tang et al，2020;Saqib et al，2021)AIMA 模型计算过程如图 1所示利用自回归滑动平均法，计算参考背景值的方法如下:(1)数据平稳化:通过图像或者时间序列的自相关函数进行判断，获取数据的周期 d，并以此为步长对电离层参量的时间序列数据进行差分运算，计算过程如公式(2)所示:d=(1 Bd)Xi，(2)其中 Xi为第 i 个时间序列数据，B 为后移因子，为差分因子 如果第一次差分运算之后，时间序列仍然存在背景趋势，可以对结果再进行二次差分:d=(1 B)(1 Bd)Xi，(3)倘若数据仍为不平稳序列，可继续进行差分运算，直至原始的数据序列成为平稳的时间序列(杨可可，2018)(2)构建模型:使用时间序列的求和自回归移动平均模型进行拟合，通过最小信息量准则(AIC)6652023，38(2)李忠，等:空基电场数据处理方法综述(www progeophys cn)和贝叶斯信息准则(BIC，BIC 准则是 Schwartz 提出，又称 SBC 准则)调整参数，最终获得最优模型，得到电离层参量的背景参考值张小红等(2013)在分析 2012 年6 月10 日的苏门答腊 7.0 级地震时，利用 AIMA 模型对电离层数据进行研究，其异常的识别效果如表 1 所示表 1苏门答腊地震前扰动的时空统计表(张小红等，2013)Table 1Temporal and spatial statistics of disturbance before Sumatra earthquake(Zhang et al，2013)时间/天131211109876543210东北111西北111东南1111西南111表 1 中，1 表示正扰动，1 表示负扰动 从表 1中可以看出，在震前 13 天震中的东北、西北方向出现了正扰动，而震前 10 天同方向出现了负扰动;震前 9 天震中范围均出现了负扰动，震前 2 天、震前 1天及地震当天的震中南侧均有异常负扰动出现图 6LSTM 网络结构图(汪凯翔等，2020)Fig 6LSTM network structure diagram(Wang et al，2020)该方法在实际的业务处理中，不仅能够兼顾电离层年变化、季节变化、月变化、卫星运行周期变化、日变化等因素，还能够计算太阳活动、地磁活动、自然灾害(地震、火山喷发)等电离层变化的不确定影响，从而获得较为准确的电离层背景参考模型2地震异常提取阶段的方法卫星在采集数据的过程中，由于切割地球磁力线的运动将产生的 V B 电场与原始的电场信号叠加在一起，增加了观测数据的噪声(欧阳新艳和申旭辉，2015a)，以及外界的影响因素，导致原始的地震信号被噪声数据所掩埋 因此需要采用合适的算法压制噪声，突出数据特征，从而找到地震自身的信号数据2.1滑动主成分分析法主成分分析法(Principal Component Analysis，PCA)是由 Pearson 提出，通过特征分解的方式将数据中主要成分提取出来(Londoo et al，2005;邹斌等，2016;Lin，2011;穆大鹏等，2014;Yao et al，2012)，在数据科学领域有着广泛地应用(Pearson，1901;谢婷等，2021)在地震电磁场前兆异常研究中，PCA 方法具有明显的优势，可以有效地将受到空间天气活动(如太阳活动、地磁活动等)的成分剔765地球物理学进展www progeophys cn2023，38(2)除出去，从而保证数据处理结果的精确性(王新安等，2019;姚休义和冯志生，2018)但 PCA 算法仍存在某些不足，比如对于地震造成异常的空间特征的识别效果不好、对于长时间序列的数据异常识别能力不足等问题(谢婷等，2021)目前在地震电离层异常探测中通常使用一种滑动 PCA 方法滑动 PCA 方法是由 Chang 等人在 2017 年提出(Chang et al，2017)，基本思想是将 n 维的数据特征映射至具有正交特征的 n(n n)维上，这些正交特征称做主成分，然后利用滑动窗口对其进行检测 那么如何求得 n呢?首先建立时间序列样本集矩阵 D 为:D=x11x1nxm1xmn=X1，X2，Xn，(4)对所有样本对中心作差处理:Xi1mmj=1xjiXi，(5)式中，Xi为样本集中第 i 个样本，m 为每个样本的元素个数计算样本的协方差矩阵和特征值，并将特征值从大到小排序，设定阈值 t=95%(周志华，2016)，按照公式(6)计算 n:ni=1ini=1i t，(6)得到的第一个 n的值即为所求 取互相正交的 n个向量 W=w1，w2，w3，wn，作为新空间的特征向量，并将样本数据转换到低维空间中 滑动主成分分析方法在地震前兆分析中的应用非常广泛Chang 等(2017)用滑动 PCA 方法分析了 2010年 4 月的青海地震、2011 年的日本本州地震、2014年的和田地震、2015 年的尼泊尔地震等四次强震，均在震前发现了明显的电离层异常变化，并指出，滑动 PCA 特征提取方法在低纬度地区的地震中效果更好 杨超等(2021)在 2018 年印尼 MS7.4 级地震中，使用滑动 PCA 方法对张衡一号卫星观测的 ULF磁场数据进行分析，发现在震前 5 天各个特征成分占比均出现异常，第一主成分占比下降，第二、三主成分占比上升2.2滑动平均算法由于卫星运行中切割大地磁力线而产生的V B 电场与原始的电场信号叠加在一起，增加了数据噪声，因此可以利用滑动平均算法去噪 滑动平均的思想在于设定一个适当的窗口，以窗口内的数据均值代表这个窗口的值 滑动平均算法的实现过程如下:第一步:求取趋势数据序列 对数据的原始序列进行滑动平均到原始数据序列的趋势序列，称为近似序列 对于原始序列两边的数据，需要动态地改变两边的窗口大小 其计算过程如公式(7)所示:Xi=12i 12i1i=1xji=1，2n12n+1i+nj=inxji=n+1，n+2N n12(N i)+1NJ=2iNxji=N n+1，N n+2，N)，(7)式中，n 为滑动因子，2n+1 为滑动窗口，N 为序列的数据个数第二步:求取实际数值 将原始波形与第一步得到的趋势波形作差，得到实际的观测值 计算公式为:xi=xi Xi，(8)式中，xi为原始序列，Xi为趋势波形序列观察以上计算可知，整个方法的核心在于滑动窗口大小的设置，其值直接影响数据的平滑效果 若滑动窗口选取太小，则数据的平滑效果明显，但对高频数据的变化难以抑制，较难得到大范围的趋势数据;如滑动窗口选取太大，虽然能够抑制高频变化，但对于数据中的近似部分不能很好地反映出来 一般滑动窗口大小的设定需要根据数据分布特点、维数等进行选取滑动平均算法的好处在于，处理卫星数据时，可以高效地扫描轨道文件，准确地发现异常 宋奕瑶等(2018)利用 DEMETE 卫星获得的汶川大地震前30 天的 ULF 电场数据，使用滑动平均算法处理后，发现震前 10 天出现了强烈的异常扰动异常 欧阳新艳和申旭辉(2015b)利用滑动平均算法处理 2010年 2 月 27 日智利 MS8.8 级大地震前一段时间的数8652023，38(2)李忠，等:空基电场数据处理方法综述(www progeophys cn)图 7自动检测流程图Fig 7Flow chart of automatic detection据，发现震中及其磁共轭区的 ULF 电场信号出现了扰动现象，如图 2 所示 图 2a 是智利地震前 10 天(2010 年 2 月 17 日)电场 ULF 频段三个分量 Ex、Ey、Ez的原始波形，子图 2b 为对应的原始波形进行移动平均去除趋势波形后的电场三分量扰动波形从图中可以清晰地看出，在震中同纬度的区域出现了幅度约为 5 mV/m 的扰动2.3滑动四分位距法在地震电离层探测领域，滑动四分位距法是一种常用的异常检测方法 四分位距法由中国台湾刘正彦教授提出，在数据呈现出不规则分布的状态下有着非常明显的优势，所以常被用来进行异常检测(Liu et al，2004;谢益炳等，2014;姚璐等，2014;李磊等，2015)四分位距法的思路是将数据集按照一定的规则分为不同的数组，在数组内数据从小到大依次排列，然后四等分数据，依次将等分点标记为Q1、Q2、Q3 例如，有 16 个数据，从小到大依次排列为 x1，x2，x3，x16，则上分位数为:Q3=x12+x132，(9)中位数为:Q2=x8+x92，(10)下分位数为:Q1=x4+x52，(11)四分位距为:IQ=Q3 Q1(12)为了提高异常识别的准确度，通常设置 Q2 n倍的 IQ 的阈值检测方式来检测异常:LOW=Q2 n IQ，(13)UP=Q2+n IQ，(14)其中 UP 和 LOW 分别代表数据的上限和下限 N 在通常情况下取 1.5 或 2，其对应异常检验的置信度为 95%(杨可可等，2019;张小红等，2013)该方法能够有效地消除背景趋势的干扰，从众多干扰中将异常提取出来(翟笃林，2019;刘静等，2011)2015 年中国台湾花莲发生了 MW6.4 级地震，曹华东等(2016)使用滑动四分位距的方法检测出震前17 天出现了电离层异常扰动，且扰动持续长达10 h2.4时频变换分析方法由于地震产生的信号具有非线性、非平稳的特征，即在实际的观测中地震信号中的频率部分随着时间的变化而变化，因此就需要对信号进行时频联合域分析(陈雨红等，2006)这一类的方法不仅能够清晰地反映出信号在时间域和频率域的强度变化情况，还能够反映出信号频率随时间的变化 下面介绍在空基地震前兆数据分析中比较常用的短时傅里叶变换和连续小波变换两种时频分析方法2.4.1短时傅里叶变换短时傅里叶变换(Short-Term Fourier Transform，STFT)是由 Gabor 在传统傅里叶变换的基础上改进而来的一种时频域分析方法(Gabor，1946)传统傅里叶变换(Fourier Transform，FT)只适用于平稳信号，并且不能将信号频率随时间的变化特征描述出来(许畅，2016)而 STFT 在 FT 中引入了一个滑动窗口，在每个窗口内对平稳信号进行傅里叶变换，得到原始信号的时变频谱 其计算公式为:X(t，)=t=x(t)(t t)ejt，(15)式中，x(t)为 t 时刻的输入信号，(t)为窗口函数，X(t，)是时间 t和频率 的二维函数，表示将信号的时间域和频率域联系起来2.4.2连续小波变换虽然短时傅里叶变换能够处理非平稳的信号，但是由于需要设定滑动窗口的大小，且其大小直接影响分析的结果(范兴利和成谷，2014)当信号中存在有多个分量信息时，一个窗口更是难以满足 连续小波变换是在短时傅里叶变换的基础上做了进一步的改进，加入了尺度因子这一参量，从而解决了短时傅里叶变换的缺陷，提高了对原始数据分析的时域分辨率(高静怀等，2007)连续小波变换的定义为:CWT(b，a)=1a+x(t)*t b()adt，(16)式中，(t)为母小波函数，*(t)为其复共轭波函数，a 为尺度因子，b 为平移参数其小波族可表示为:a，b(t)=1at b()a，(17)965地球物理学进展www progeophys cn2023，38(2)图 8古巴南部海域地震前时段 F10.7、和指数变化Fig 8Pre earthquake period F10.7、Kpand Dstindex changes in the southern sea area of Cuba式中，尺度因子 a 用于控制小波的伸缩 时域小波被压缩，在频率域的频谱被拉伸，反之小波在频域被压缩，在时间域其频谱被拉伸时频变换方法对于检测地震信号的异常变化有着良好的自适应性，尤其对地震引发的空间电磁场变化研究中有着广泛的应用(Sondhiya et al，2014)2020 年 1 月 29 日，古巴南部加勒比海域发生了一次里氏 7.7 级强震 作者利用张衡一号卫星采集的地震前一条轨道的电场 ULF 波形数据进行处理 首先将原始数据去除电场趋势后，得到小尺度的残差扰动波形，如图 3 所示 在图 3 中，最左边图表示轨道位置，右边三个子图分别是电场三分量 Ex、Ey、Ez去除电场趋势后的小尺度残差扰动波形图，蓝色五角星表示震中，红色五角星表示其磁共轭点从图中可以看出，电场三个分量在震中及其磁共轭点同纬度范围内均出现了小尺度的扰动然后利用连续小波算法对三个分量 Ex、Ey、Ez进行时频变换后，结果如图 4 所示 从图 4 中可以看出，频域出现了比残差信号更清晰的增强变化，在震中上空位置出现了连续且高于其他纬度上的信号跳变 小波时频分析将时域信号转换到频率域，提供了波形信号的能量特征，进一步放大了震中的信号扰动，有效地展示出信号在频域、时域上的变化，为残差信号在震中的变化提供了频域上的信息补充2.5信噪比方法相关研究表明，地面源辐射的 VLF(Very LowFrequency)信号在能量足够强时，不仅能够穿透电离层，还造成电离层中电场局部的异常变化(何宇飞，2009)在全球分布着许多用于通信和导航的 VLF 人工源发射站，其持续发射的 VLF 信号可以穿透电离层被卫星接收到 但如果电离层中存在地震或者其他干扰因素影响产生的变化，卫星观测的信号同样也会存在差异 通过观察 VLF 人工源发射站信噪比的连续变化，可能观测到地震对电离层造成的影响(何宇飞等，2009)Molchanov 等(2006)提出了信噪比方法，用于计算孕震范围的 VLF 人工源发射站的信噪比 信噪比公式为:SN=2A(f0)A(f+)+A(f)，(18)式中，A(f0)为人工源发射站的固定发射频率对应的功率谱密度值，A(f+)、A(f)为发射站的上、下限频率对应的功率谱密度值，发射站频率的带宽由它的发射功率决定 信噪比方法在近些年的地震研究中被广泛使用 大量的观测实验证明，地震导致人工源发射站的信噪比，在震前的几个周期内有明显下降0752023，38(2)李忠，等:空基电场数据处理方法综述(www progeophys cn)的特征，在震后又逐渐地恢复到震前水平(ozhnoiet al，2010，2015;Shen et al，2017;Zhang et al，2020)信噪比方法的缺点在于只能比较模糊地、粗浅地发现这种地震短临信息，不能将地震引起的异常定量化地描述出来以 2020 年 1 月 29 日的古巴南部加勒比海域地震为例介绍 利用张衡一号卫星采集的电场数据，选取电场 Ex分量，以 500 Hz 的频率带宽为背景，利用公式(18)计算 NAA 人工源发射站 24 kHz 的信噪比值 同时根据张衡一号卫星的重访周期，得到了NAA 发射站在震前 25 天及震后 5 天的信噪比变化，如图 5 所示 图 5 的 6 个子图分别代表从 2020年 1 月 4 日至 2020 年 2 月 2 日的 6 个运行周期信噪比(每 5 天一个周期)其中，红色五角星表示震中位置，红色圆圈表示孕震区域，黑色三角形代表NAA 发射站位置 从子图(a)和(b)可以看出，1 月 4日至 1 月 13 日即震前 25 15 天，孕震区内的信噪比的大小处于同一水平 但在子图(c)中，即震前 15天至震前 10 内，孕震区内的信噪比大范围下降约50%子图(d)(f)中，即1 月19 日至1 月28 日的10 天内，信噪比下降的位置均在震中东侧，子图(f)中显示，震后一个周期的所有轨道信噪比基本恢复至震前正常水平2.6经验模态分解方法经验模态分解(Empirical Mode Decomposition，EMD)作为一种自适应的数据处理方法，适用于非线性、非平稳时间序列的特征提取，它能够通过分解后重构信号，放大信号的变化 任何复杂的信号均可视为 多 个 不 同 的 固 有 模 态 函 数(Intrinsic ModeFunctions，IMF)叠加之和，任何模态函数可以是线性的或非线性的，并且任意两个模态分量之间都是相互独立的(Liu et al，2021)EMD 可以自适应的将原信息划分给若干个 IMF，各 IMF 都承载了对原始信息的不同时间尺度的局部特征信息 而每个IMF 必须符合以下要求:(1)原始数据序列中极值点与过零时最多相差 1 个;(2)在任一时间，由信号的局部极大值和局部最小值定义的包络线平均值都为零 因此原始信息 S，经 EMD 分析后可以描述为:S=nj=1cj+r，(19)式中，n 为分解得到的 IMF 个数，cj为第 j 个 IMF 函数，r 为残差信号，代表信号的平均趋势在实际应用中，EMD 方法在重构信号时需要选择固有模态分量，但如何选择没有一个标准 Li 等(2022)提出一种引入样本熵作为衡量各 IMF 信号的复杂程度的指标 样本熵是由 ichman J S 和andall M J 提出的一种新的时间序列复杂性的度量方法，具有比简单时域统计更好的估计效果，对原始数据处理时无需进行粗粒化提取，且抗干扰能力强(ichman and andall，2000)计算得到的样本熵越大，则该时间序列信号复杂性越高，携带的隐含异常信息信号的概率较大 为提取分解后异常特征信号，尽可能捕捉存在的异常信息，计算每个固有模态分量的样本熵，以各个 IMF 样本熵的均值作为基值，选择样本熵大于基值的 IMF 序列进行重构，有效减少误差来源 经过 EMD 分解并引入样本熵重构的这种方法，能够对空间电场波形数据有效地提取特征，清晰地描绘出异常的变化信息(Li et al，2022)2.7长短期记忆神经网络(LSTM)在卫星记录的海量地震数据中，存在大量噪声、磁暴、空间干扰、以及可能存在的震前异常信号，但这些异常数据常常在海量数据中被淹没 传统特征提取方法虽然能够满足相关研究需要，但费时耗力，且效率低下，严重制约了后续各种数据的分析和研究工作 LSTM(Long Short Term Memory)作为时间序列的异常检测方法，适用于处理地震数据的异常检测与特征识别 存储信息的记忆细胞组成了 LSTM单元，包括输入门、遗忘门、输出门和单元状态(李林芳等，2022)，如图 6 所示 其中，输入门决定当前时刻网络的输入数据有多少需要保存到单元状态，遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻，输出门控制着当前单元状态有多少需要输出到当前的输出值 这样构造的 LSTM 网络，具有将前面的数据能够传递到最后的能力，因此网络具有长期记忆功能 而同时，因为有“门”的控制，单元能够及时舍弃那些无用的记忆长短时记忆神经网络以及其改进模型在电离层总电子含量等方面的研究有着不俗的表现(孙文青，2018)，余龙飞(2020)利用 2016 年 1 9 月的电子含量作为参考背景值，用 CLSTM 模型检测出2016 年日本九州熊本县 7.0 级地震前一天以及地震当天都产生了异常现象2.8卷积神经网络算法卷积神经网络作为一种成熟的深度学习算法，通过自适应地学习机制可以学习到数据从低级到高级模式的各种空间层次特征(LeCun et al，1989)由于卷积神经网络避免了对图像的复杂前期预处175地球物理学进展www progeophys cn2023，38(2)理，可以直接输入原始图像，输出效果显著，是目前计算机视觉研究领域中的主要方法 地震引起的电离层扰动在时频图上呈现出高于背景的水平谱形态，通过傅里叶变换得到时频图像特征，利用卷积神经网络自动提取目标图像的水平边缘特征，从而实现自动检测水平状空间扰动异常 算法过程如图 7所示 韩莹等(2021)利用张衡一号卫星 EFD 记录的VLF 频段数据中的水平状电磁波扰动信息，通过对大量时频图的计算分析，能够自动识别出地震引起电离层扰动特征，效果很好3非震事件特征检测方法电离层异常变化受多种因素的影响，除了来自下面地球的电磁波之外，还有太阳磁暴、日食、闪电哨声波等自然事件的影响(Parrot，2018)这些事件跟地震一样，都是大自然存在的一些现象，与地震共同对电离层产生影响，因此在研究地震引发电离层扰动现象时，需要去掉这些自然现象的影响(曹晋滨等，2009)，以确保空间背景的纯净，增加地震异常研究的可信度3.1支持向量机(SVM)算法支持向量机(Support Vector Machine，SVM)是一种建立在统计学基础上的有监督机器学习模型(Snchez，2003)，对于时间序列分析、分类问题与判别分析问题都能够很好的处理(罗仁昱等，2021;丁世飞等，2011)，因此比较适用于地震事件中所面临的非震信息判别问题支持向量机分类模型的主要优点在于，利用一个最优的超平面将两边的数据准确地区分 设样本的集合为 X:X=(ni，mi)|nip，mi1，1 xi=1，(20)式中，ni为样本元素，mi为分类标签 分类的判别函数为:f(n)=wn+b，(21)式中，w为惯性权重，b 为常数支持向量机在闪电哨声波的研究中应用广泛袁静等(2021)基于张衡一号卫星感应磁力仪(SCM)的数据，使用 SVM 分类器对闪电哨声波进行识别，其精度、召回率以及排序能力等指标表现出色，均达到 94%以上 余意等(2021)同样基于张衡一号 SCM 数据使用 SVM 分类器对闪电哨声波的形态，包括扩散型与非扩散型哨声波进行分类，准确率达到 94.5%3.2空间环境干扰指数法目前已知的影响空间环境的干扰因素主要有地磁活动、太阳活动和磁暴，见表 2 所示表 2空间天