2018年11月30日 星期五
2018.11.28 21:43 澎湖餘震3.3
這個地震在大陸地震網站有紀錄, 台灣沒有, 可能是判定標準問題所以沒有列出.
澎湖正下方仍有一點訊號, 可能因震度3.3太小, 無法讓該點上方岩石產生震動, 所以少了很多點
2018年11月27日 星期二
2018年11月26日 星期一
2018.11.26 20:50 21:24 澎湖西方同地點餘震
同地點的訊號模式與上午07:57芮氏6.1相同, 下方1分鐘前先產生訊號, 然後才出現在澎湖島西方, 像是從下方往上跑, 但是中間有一段可能是地質太硬所以沒看到震動, 直接穿越過去跑到上方:
20:50 MR訊號圖:
21:24 MR訊號圖:
20:50 MR訊號圖:
21:24 MR訊號圖:
2018年11月25日 星期日
2018年11月15日 星期四
2018.11.01~11.15 RMT訊號
沖繩板塊: 參考https://zh.wikipedia.org/wiki/%E6%B2%96%E7%B9%A9%E6%9D%BF%E5%A1%8A
訊號路徑為張裂型板塊邊界(含左方), 對應訊號出現於台灣西北至北海域, 主要出震地點為東北方之日本與俄羅斯
訊號路徑為隱沒帶(含右方), 對應訊號出現於台灣東部外海, 主要出震地點為東北方之日本俄羅斯與太平洋
11/01 8時~11/3 6時, 可能是11/2 03:17日本~11/3 2:29俄羅斯震前震後訊號, 連動台灣宜蘭外海小震 (訊號路徑為張裂型板塊邊界)
11/03 15時, 可能是16:44印尼震前訊號
11/06 5時~8時, 可能是09:00印尼震前訊號
11/11 5時~8時, 東北角垂直線訊號, 可能是09:50俄羅斯震前訊號 (訊號路徑為隱沒帶)
11/11 12時~15時, 東北角垂直線訊號, 可能是16:28日本震前訊號 (訊號路徑為隱沒帶)
11/14 15時~15日11時, 因硬碟已滿導致資料未儲存, 於11/15 12時修復
原始圖檔在此下載
訊號路徑為張裂型板塊邊界(含左方), 對應訊號出現於台灣西北至北海域, 主要出震地點為東北方之日本與俄羅斯
訊號路徑為隱沒帶(含右方), 對應訊號出現於台灣東部外海, 主要出震地點為東北方之日本俄羅斯與太平洋
11/01 8時~11/3 6時, 可能是11/2 03:17日本~11/3 2:29俄羅斯震前震後訊號, 連動台灣宜蘭外海小震 (訊號路徑為張裂型板塊邊界)
11/03 15時, 可能是16:44印尼震前訊號
11/06 5時~8時, 可能是09:00印尼震前訊號
11/11 5時~8時, 東北角垂直線訊號, 可能是09:50俄羅斯震前訊號 (訊號路徑為隱沒帶)
11/11 12時~15時, 東北角垂直線訊號, 可能是16:28日本震前訊號 (訊號路徑為隱沒帶)
11/14 15時~15日11時, 因硬碟已滿導致資料未儲存, 於11/15 12時修復
原始圖檔在此下載
2018年11月7日 星期三
[Python] 以tensorflow分析Mw的雙高斯混合模型
根據中央極限定理: 大量相互獨立隨機變數的均值經適當標準後為常態分布。RMT不論有無發生地震均會不斷一直計算, 以目前觀察到的Mw為例, 平時多在3.5以下, 當遠方地震傳來時, 經驗上常看到Mw>4的現象. 假設每次解出的Mw是一個隨機變數Xi, 那麼:
看起來的確是這麼一回事. 要如何確認呢? 最近流行AI技術, 所以也來玩玩看. 假設Y1代表無震時的分佈, Y2代表有震時的分佈, 且Y1與Y2皆為常態分佈, 兩個分佈有不同的最大值,平均值與標準差, 那麼Y=Y0+Y1應該可以找到兩個常態分佈和的方程式來fit. 從fit後的誤差大小, 可以評估符的準確度.
首先是讀取檔案:
建立 tensorflow graph: y1_pred與y2_pred為兩個常態分佈, 參數a1/u1/s1與a2/u2/s2, 一般來說都會用亂數去產生, 但這種方式常常難以收斂, 因為我們用眼睛就可以看到這兩個分佈的長相, 所以這裡直接給個大概的數字, 然後再讓tensorflow的optimizer去找, 這樣可以省掉很多時間:
執行session:這裡設定loss<0.018或太久沒有降低loss就跳出
最後輸出結果與圖形:
執行過程:
執行結果:
共執行4416次, a1_final= 0.99921775 , u1_final= 2.6671188 ,s1_final= 0.25635517
a2_final= 0.761186 , u2_final= 3.5796206 ,s2_final= 0.32652023
最後跳出時的誤差為 0.017999463, 資料48筆, 平均每筆誤差 0.00037498880798618, 看起來還不錯, 可以確認Mw是由兩個常態分佈混合而成.
求出這些參數後，未來可以用於分類問題的最佳門檻值計算。假設兩個類別的分佈:
若取樣之樣本應屬於第1類而被歸類為第2類，或是應屬於第2類而被歸類為第1類，此兩種分類錯誤的機率，如下圖的綠色區域所示，求 x ̃ 使得 f1 (x ̃)=f2 (x ̃)， x ̃ 是使系統分類錯誤機率最小的門檻值。若觀察到的Mw值大於 x ̃ ，且落在第2類(有出震)分佈的2σ範圍內，則有較高的機率是屬於已發生或即將發生之地震訊號。
把datafile改成 RMT_Mw_201802, 重新跑一次, 可以看到206花蓮地震對分佈的影響:
程式跟資料在這裡下載
X=X1+X2+X3+....
不論原來的Xi是甚麼分佈, X應是常態分佈. 如果無震時的均值Mw0, 有震時的均值Mw1, 那麼長時間統計下來, 應該會看到兩個以Mw0與Mw1為均值的常態分佈混和體, 分別代表有震於無震的分佈情形 (實際分佈當然是跟地震生發生的情形有關). 以今年5月分的資料為例, 出現的次數圖形如下:
看起來的確是這麼一回事. 要如何確認呢? 最近流行AI技術, 所以也來玩玩看. 假設Y1代表無震時的分佈, Y2代表有震時的分佈, 且Y1與Y2皆為常態分佈, 兩個分佈有不同的最大值,平均值與標準差, 那麼Y=Y0+Y1應該可以找到兩個常態分佈和的方程式來fit. 從fit後的誤差大小, 可以評估符的準確度.
首先是讀取檔案:
建立 tensorflow graph: y1_pred與y2_pred為兩個常態分佈, 參數a1/u1/s1與a2/u2/s2, 一般來說都會用亂數去產生, 但這種方式常常難以收斂, 因為我們用眼睛就可以看到這兩個分佈的長相, 所以這裡直接給個大概的數字, 然後再讓tensorflow的optimizer去找, 這樣可以省掉很多時間:
執行session:這裡設定loss<0.018或太久沒有降低loss就跳出
最後輸出結果與圖形:
執行過程:
執行結果:
a2_final= 0.761186 , u2_final= 3.5796206 ,s2_final= 0.32652023
最後跳出時的誤差為 0.017999463, 資料48筆, 平均每筆誤差 0.00037498880798618, 看起來還不錯, 可以確認Mw是由兩個常態分佈混合而成.
求出這些參數後，未來可以用於分類問題的最佳門檻值計算。假設兩個類別的分佈:
若取樣之樣本應屬於第1類而被歸類為第2類，或是應屬於第2類而被歸類為第1類，此兩種分類錯誤的機率，如下圖的綠色區域所示，求 x ̃ 使得 f1 (x ̃)=f2 (x ̃)， x ̃ 是使系統分類錯誤機率最小的門檻值。若觀察到的Mw值大於 x ̃ ，且落在第2類(有出震)分佈的2σ範圍內，則有較高的機率是屬於已發生或即將發生之地震訊號。
把datafile改成 RMT_Mw_201802, 重新跑一次, 可以看到206花蓮地震對分佈的影響:
程式跟資料在這裡下載
2018年11月1日 星期四
2018.10.16~10.31 RMT訊號
10/24日21時~25日3時, 25日19時~26日2時持續強烈訊號, 可能是02:36日本石卷M5.7前兆 (出震後2小時訊號消失)
10/26日7時~11時北方強烈訊號, 可能是11:04俄羅斯M5.6前兆 (出震後2小時訊號消失)
原始圖檔在此下載
10/26日7時~11時北方強烈訊號, 可能是11:04俄羅斯M5.6前兆 (出震後2小時訊號消失)
原始圖檔在此下載
訂閱：
文章 (Atom)