花山乡9月7日地震受灾情况汇报

花山乡9月7日地震受灾情况汇报

花山乡9月7日地震受灾情况汇报

201*年9月7日上午11时19分，在云南省昭通市彝良县、贵州省毕节市威宁县交界处发生5.7级地震。我乡境内有强烈震感，给部分群众生产生活和房屋财产等带来了极大的损失，截止9月7日晚21时50分，地震灾害造成受伤1人；房屋垮塌28户31间，造成直接经济损失84万元；畜圈垮塌8间，造成直接经济损失2.4万元；房屋开裂1352户，1500间，造成直接经济损失2250万元；黄连村韭菜坪公路偏坡垮塌，阻断公路8米，造成直接经济损失0.5万元。合计造成直接经济损失达2336.9万元。

“灾情就是命令”。地震发生后，乡党委政府高度重视，第一时间组织乡村组干部赶赴受灾现场查灾救灾。一是立即启动救灾应急预案，成立抗震救灾领导组，组织乡村组干部、医护人员和民兵应急分队280人奔赴各受灾村民小组开展抗震救灾工作；二是加大灾情检查核实，及时收集整理如实上报灾情；三是全力做好因灾伤员救治工作。迅速将受伤的人员转移至花山卫生院进行救治，及时转院到县人民医院继续治疗，并发放201*.00元临时生活费，目前伤员病情稳定，无生命危险；四是关心受灾群众生产生活。对房屋垮塌的农户进行及时转移安置，连夜搭建救灾

帐篷20顶，安装临时照明用电，安置受灾群众20户92人，其余8户已转移并临时借住于附近农户家中，每户发放临时生活费1000.00元，大米1袋，方便面1箱，确保受灾群众有水喝，有饭吃，有房住。五是做好群众思想稳定工作，乡村组干部走村串户，广泛宣传抗震防震相关知识，做好群众避让避险工作，安抚慰问受灾群众，目前广大群众情绪稳定；六是做好后续排危工作，避免次生灾害发生，组织群众积极开展生产自救，最大限度降低灾害损失；七是进一步强化领导，落实责任，实行24小时值班制度；八是县民政局向我乡支援的20顶帐篷和50床棉被已到达，将及时分发给受灾群众，并组织乡村干部帮助搭建。

面对突如其来的地震灾害，乡党委政府特向县委、县政府提出以下请求：一是帮助解决房屋垮塌的28户农户重新修建住房所需资金的问题，按5万元/户计算，需资金140万元；二是帮助解决房屋开裂农户加固房屋所需资金问题，按1.5万元/户计算，需资金2250万元；三是我乡各单位办公楼不同程度受损，特请求帮助协调县级各相关部门解决建设所需资金的问题；四是帮助解决受灾困难群众的生活问题。

扩展阅读：地震模型Word版

地震预测模型

摘要

地震预报是当代自然科学领域里一个直接关系到人民生命安全和社会经济的发展，是科学难度很大的前沿课题。近几十年来，人民的努力虽然取得了丰硕的成果，预报的实践有些有限的成功。

在地震发生前有很多前兆性指标，如磁场强度、氡值、电压、雨量、水温等，这些指标都从不同的侧面反映了地震活动的各项特征。在正常情况下，也常常有些指标有明显的异常，而令一些指标并不出现异常。这些都给实际的前兆指标数据特征分析以及地震预报工作带来了困难。

本文针对地震影响因素多，数据多，联系弱的特点，分别建立了针对各个任务的数学模型，首先，处理初始数据时选取日平均变化来消除一天中数据的随机因素的影响，然后更具这些数据建立了地震发生前后各个指标的不同程度度量模型解决了地震对指标的敏感度的度量问题，进而找出了EW，气氡，水位，电压，雨量这些衡量地震的主要因素，并分析出了这些指标的重要程度，在解决找统计量时，利用上次任务所得的主要因素的组合来衡量一次地震的地震前兆指标数量特征，并得出了电压达到26.8754，气氡达到17.685左右时就有地震发生的可能性，考虑全面周到，效果较好，在模型改进中所提出的判别分析法，科学有效，对数据利用率较高。而除此之外的其他几个指标与震级有关，这样就这些指标的分析在任务三中分别建立了地磁前兆异常的动态从属函数模型以及非线性综合模型，进而找出了地震级数与这些因素之间的非线性关系，对于上述数学方法在地震预测预报中的应用没有达到预期效果，须进一步研究改进。综合这些工作，我们应用易语言编写了分析地震数据的平台，通过分析地震数据生成了报告。

一、问题重述

地震是地壳快速释放能量过程中造成的振动。虽然预测地震是世界性难题，但迄今科学界普遍认为，有可能反映地震前兆特征的指标可能不少于10个。已经有专业仪器在多个定点实时按秒记录这些指标的数据，期望通过对记录数据的分析研究找到地震的前兆特征。

现已采集到某地201*年1月1日至201*年6月30日按小时观测的10多个指标的数据，和该地区该时期内已发生地震的时刻、经纬度、震级及震源深度的数据。这些数据中隐藏着地震发生的前兆特征。科学地截取这些数据的有用片段，对数据进行合理地预处理，用数学方法揭示地震前兆的数据特征，是一项很有意义的研究工作。

题给数据中的这10多个指标，究竟哪些与地震的发生有关，有何种关系，是单一关系还是复合关系；除这10多个指标外还有哪些因素及含题给指标在内的哪些指标的哪种数学模型更能反映地震的前兆特征等等，人们迄今仍不很清楚，需要进行深入地研究。地震数据的观测是持续进行的，随着时间的推移数据的规模会不断扩大。从中挖掘地震的前兆特征，必须有合理的数学模型，也必须有科学高效的算法分析平台。因此，请参赛队结合附件中给出的实际记录数据，尝试完成以下任务。

任务一：分析数据特征，建立数学模型以度量各指标对地震发生的敏感程度。任务二：构造由某些或全部指标构成的综合指标，使其尽可能地集中反映地

震发生前的数据特征的统计规律。

任务三：结合题给数据，广泛查阅与地震相关的其它指标的数据和分析方法，

建立数学模型来研究地震发生前的数量特征。

任务四：将前述各项任务的计算程序集结成地震数据分析平台，使其能够完

成形如题给数据的其它地震数据的分析，并能自动输出前述任务的重要的分析结果。

任务五：对于进一步的研究设想写一篇切实可行的报告。

二、问题分析

地震是地下岩层受应力作用错动破裂造成的地面震动，是一种破坏性极强的自然灾害，是自然灾害之首恶。地震可以在很短的时间内使一座城市夷为平地，使无数的家庭支离破碎。为了有效地减小地震带来的损失，对地震进行预测则很重要。

本题中给出了地震发生前201*年1月1日至201*年6月30日按小时观测的10多个指标的数据和该地区该时期内已发生地震的时刻、经纬度、震级及震源深度的数据。这些数据中隐藏着地震发生的前兆特征。在地震发生前有很多前兆性指标，如磁场强度、氡值、电压、雨量、水温等，这些指标都从不同的侧面反映了地震活动的各项特征。在正常情况下，也常常有些指标有明显的异常，而令一些指标并不出现异常。这些都给实际的前兆指标数据特征分析以及地震预报工作带来了困难。2．1、问题的性质

本文主要是对所给数据进行处理，用数学方法揭示地震前兆的数据特征。2.2、解决问题的难点和关键

1、如何确定前兆个指标对地震发生的敏感程度。

2、如何构造地震发生的前兆综合指标，尽可能的揭示地震发生前的数据特征的统计规律。

3、构建地震数据分析平台。

三、模型假设

1、假设地震发生前201*年1月1日至201*年6月30日按小时观测的10多指标的数据是准确无误的。2、假设由于其他因素而引起10多个指标数据的变化以及非正常波动可以忽略不计。

3、假设第二问剔除由第一问求出的敏感度较低的指标对地震的敏感度可以忽略不计。

4、假设地震的前兆指标的数据特征符合一定的概率统计分布。

四、符号说明

1i(t)

i2(t)(j)2第i次地震的地震前的检测指标随时间的变化规律第i次地震的地震后的检测指标随时间的变化规律第i次地震的地震后的预测指标随时间的变化规律地震级别组成的集合

地震前兆测量指标集合各因素所占的权重地震前兆预测异常特征量观测值的自相关系数

观测曲线Y(t)对应于时间轴的斜率

(t)

DE

girK

五、模型的建立与求解

5.1数据的处理与分析

5.1.1、各指标数据的分析

在地震活动性分析中有许多前兆性的数据指标，例如题中数据给出的氡值、水位、磁场强度等因素。这些指标在不同的侧面反映了地震活动的各种特征。但在实际的预报中，常常有些参数在一些中强以上的地震前出现比较明显。在正常情况下，也常常有些参数出现较明显的异常，而另一些参数并不出现异常。这些都给实际预报带来了困难。5.1.2数据的预处理

由于题目中给出地震每小时测数据受其他因素受天气、气候等其他外在因素的影响造成的数据波动较大，为了剔除偶然因素的影响，本文采取了求日平均的方法来对数据进行预处理。如下图分别列举了201*/201*的EW人均值图像。由于篇幅有限，其他年份指标的图像都附在附录里面。

图1：201*年EW日平均变化趋势图

图2：201*年EW日平均变化趋势图

本数据预处理使用了均值结构模型消除了其他偶然因素的影响，使地震前兆指标数据更加准确的反应地震发生的前兆信息。

5.2模型的建立与求解

5.2.1指标敏感度模型

设变量x的变化规律如下所示：

,t1t,01(t)tx(t)

(t),tt,t012（1）

求t0前后1(t)与2(t)的不同敏感程度。

现已知一函数序列(i)2(t)，tt0,t1表示第i年(ij)的2(t)的变化规律，现在结合(j)1(t)来求(j)2(t)，现在若(j)2(t)已知，如何求出(j)2(t)与(j)2(t)的

关联程度。若关联程度较大，则(j)2(t)与(i)1(t)不同程度表示：即定义(j)1(t)与(j)2(t)的不同程度为：

p1

(j)2（2）

:(j)2分析变量X1与X2的关联程度Cov(X1,X2)E(X1X2)E(X1)E(X2)

PCov(1(j)2

（3）

,(j)2)

则由分析可得该问题便为现已知(j)2(j)2如何求的问题。

(ij)与(j)1(t)，如何根据已知的以上信息求出(j)2，

已知(i)1(t),(ij)的变化规律，可知令

(j)2(t)E((i)2)E(E1(i)(t)),(j)E(1(t))(ij)（4）

模型求解：

由上述结论我们分析数据得出各个因素在地震发生前后的敏感程度分别如下：电压EWNS地温水位气温气压水温气氮雨量0.21.80.80.12595.32.34.340.22.80.5表1：各因素与地震敏感度的表但是考虑地震因素影响上述指标外，可能还有其它的因素影响上述指标。其中查阅资料可得出：水位，水温，气压，气温受到外界影响最大，这样我们除上述几个指标剩下的指标基于与地震关联度从大到小排列：气氮EWNS雨量电压地温2.81.80.80.50.20.1表2：主要地震前兆指标敏感度的表标准化后有：气氮EWNS雨量电压地温0.450.290.130.080.030.01表3：主要地震前兆指标敏感度归一化表如下图分别画了敏感度较高的EW与敏感度较低的低温年平均曲线，在途中

可以看出在前兆指标因素发生剧烈变化时，会有地震的发生。

图3：201*，201*年EW日平均变化趋势图

图4：201*、201*年地温日平均变化趋势图

5.2.2综合指标模型方法及步骤

用两个集合，一是地震级别组成的集合，用D表示，二是地震前兆车辆指标集合，用E来表示，且有D[D1,D2Dm]，E[E1,E2Em]，每个指标因素都有m个状态级，如此需要对个指标影响程度分敏感、一般、不敏感、很不敏感五

个状态。

有n个指标因素分别用U1,U2Un来表示，其中Ui[Ui1,Ui2Uim]T，于是可得到敏感指标分析数学模式

,U2U111Un1U,UU1222n2D（5）

U,UUnm1m12有了这个模型，分别给予地震级别的隶属度函数值P,2,m)再根据指i(i1标因素间的关联度及其重要性，分配权数

gi(i1,2,n)

这样就得到了集合D上的模糊关系：

,gPg1P121gnP1gP,gPgP1222n2U（6）....gP,gPgPnm1m2m基于地震的综合指标步骤有下列步骤：（1）、详细分析影响地震发生的因素，并筛选出若干重要因子作为分析指标。（2）、在分析地震各指标以及波形的基础上，综合得到地震的等级指标。

（3）、给出适当的隶属度Pi和权数gi。

（4）、修正矩阵U。确定分析指标

地震发生前的检测指标较多，而各个指标的敏感程度不同，经过第一问的各因素的关联度分析，筛选出气氮、EW、NS等六个指标。隶属度Pi和权数gi的确定

应用综合指标进行判别，隶属度函数是一个关键，用它来反映地震发生。设

N是评定集合上的一个模糊子集，则隶属度函数为uN。uN(Di)Pi为隶属度，

其值可以有专家评判方法来确定。假设等级划分与指标间基本呈线性关系，则根据第一位求出的关联度来确定隶属度，因此选用

P[0.45,0.29,0，为了方便起见将隶属度扩大一百倍后可得：.

PP145，313，P60.02，224，P48，P53，P权数gi的确定是人给定的，选取的方法有很多，本文选用特费尔法，并确定气氮、EW、NS、雨量、电压地温的权数分配为：

g[1,0.95,0.85,0.80,0.70,0.60]

这里g为E(E1,E2,,E6)上的模糊子集，按模糊数学的常规技法g10.950.85E1E2E3

0.80E40.70E50.60（7）E6模糊关系矩阵U的确定

D上所需的模糊根据P[P1,P2,,P6]，g[g1,g2,g6]就可以得到在集合

关系矩阵：

g1P1,g2P1gnP1gP,gPgPn2U1222（8）

....gP,gPgPnm1m2m由第一问可得各因素的敏感度为：电压EWNS地温水位气温气压水温气氮雨量0.21.80.80.12595.32.34.340.22.80.5表4：地震前兆指标敏感度的表

每次地震的等级：

D=[2.33.63.13.13.23.04.4];

稳定性分析数学模式：0.07615.08500.32900.09203.23490.12620.05891.34221.27210.05482.21430.55030.43200.90640.56010.16433.75110.98950.35760.87870.60750.11053.25580.23480.04561.85951.67410.12241.80060.27300.07150.81960.40190.01722.73850.89490.07190.68060.12460.00483.09550.0307表5：每次地震前兆稳定性系数

地震指标权重

-6.1024电压

-0.5740东西磁场强度1.0214南北磁场强度

2.0882水位1.6259气氡-0.8900雨量

假设地震发生等级与地震发生前数据关系为D=Ub+g;

RI=[7337;4948;1932;2259;3265;4473;7401];

在7次地震中，选中的每个指标在地震发生前的平均值：26.86113.77374.566717.748812.010926.9050-2.03324.733617.58668.881927.0236-3.02343.337917.568012.024327.0298-2.76233.613217.571212.4378

9

00.02770

26.764826.715226.70210.1313-1.36341.87576.97216.47898.584417.618817.620217.655033.273717.961527.210100.66020表6：每次地震前每个指标在地震发生前的平均值

在这7次中上述每个指标的均值为：

26.8574-0.48595.469517.624117.68570.0983在这7次中上述每个指标的方差为：

0.13692.54581.92900.06319.15680.2480

由此得出第2,9个指标与地震的级数有相当大的关系，而其他的指标为稳定指标。即当电压达到26.8754，气氡达到17.685左右时就有地震发生的可能性。而1,3,4,10这几个指标与震级有关;假设是线性关系。

即：

D=a1*E(1)+a2*E(3)+a3*E(4)+a4*E(10),

有上述地震发生前的平均值可得系数为：

[a1a2a3a4]=[3.11190.4654-4.6999-0.4878];

5.2.3地震前兆指标数量特征模型

先查阅与地震相关的其他指标如震级，频率等，而后先分析单个指标的数量特征，并以电磁波EW为例，利用动态从属函数建立模型，对于气温，水位等其他指标，类推可得。而后利用震级，频率等指标的数学研究方法，将已知条件的10个指标综合起来，利用非线性组组合建立模型。电磁波EW的数量特征研究。

地震活动是一种复杂现象，各种观测数据之间缺乏对比性，难以利用统一的物理场进行描述。为了将各种观测量的异常信息进行表达，可把各前兆异常量转化为无量纲量以便进行对比。各种地震前兆观测量虽然是不同的物理量，但其共同的特点都是随时间变化的数值，即都是时间函数，各种地震前兆异常也都表现为各种观测量随时间的突出变化，异常形态虽多种多样，但究其本质共同点都是观测曲线随时间的斜率变化。因此，观测曲线随时间的斜率变化将是判断异常的重要指标。

由以上分析从各种前兆数据中提取地震信息量的方法应具以下特点：（1）、地震信息是一个无量纲量；（2）、用前兆观测量Y（t）对时间轴的斜率变化K，反映观测值的速率变化，

一般情况下，K值越大，异常量越大；

（3）、用前兆观测值的自相关系数r来显示观测值质量的好坏，r值越大，观

测数据质量越高。

原理和方法

从地震单项前兆观测值中识别地震异常，并计算它属于地震异常的程度，需要遵循的基本条件是：（1）、观测本身内在质量要好；（2）、“异常”出现的频次要低，且出现“异常”与“地震”之间对应程度要

高；

（3）、“异常”与“正常”相比，有明显的差异性，且界限要清楚。

按照地震前兆异常的普适性和上述基本条件，提出如下地震前兆异常特征量：

1(ti)1式中：

kiri1（9）

Ki

ritjyjntjyjjjj(tj)2ntj2jj（10）

ttj2jjyj1(tjyj)njj12（11）

121(tj)2njyj2j1(yj)2njyj是前兆观测随时间变化的数列，tj是相应的时间序列

公式（1）中的k物理意义是观测曲线Y(t)对于时间轴的斜率，反映观测速率的变化；r是观测值的自相关系数，反应观测值内在质量的好坏。从（1）式可知，只有k和r都大时，才可能大。在[0,1]内取值，表示在所研究的资料在

tj时段属于地震异常的程度。i0.5作为模糊界点，只有当i0.5时，才视为

异常，反之，即为正常状态。是一个经过学习得到的常数。它的选择原则和方法如下：

（1）使得“异常”频次降低；

（2）使“异常”和“地震”之间由最好的相关性；（3）在满足上述两个原则下要尽可能的小；

（4）选择的“地震”样本要视监视区的活动水平和预报目标而定；（5）选择后的值，应保持稳定，只有出现预报目标与实际情况有明显

差异时，才按照新的样本要求进行修改，以保持第二条原则的实现。

模型的检验选择样本

从属函数中的的选择由样本学习而决定，不同学科不同地域选择的参数可能会不同，需要在实践中不断的完善，一些前兆场可直接根据原始观测数据分析其变化，而地磁场本身是一个变化场，且磁层、电离层强烈扰动时引起的地磁场变化非常剧烈，远大于地震异常引起的变化。从属函数法以曲线斜率作为判断异常的组要指标，如果直接分析某一点的从属函数值，会频繁出现“异常”，判断食物。同样是前兆手段，地磁学在应用从属函数方法时首先对原始地磁场资料预处理，才由利于寻找震磁关系。

电磁波由地磁场产生，而地磁场值包含核远源场，外源场及地下局部磁异常源场，提取电磁波EW的问题是如何找出因地磁场的地下局部磁异常发生变化的问题，并以此判断该变化量是否是由地震引起的局部异常。核源场是一个相对稳定场，外源场的变化受诸多因素影响，而且其变化幅度远大于因地震引起的异常量，因此应用在应用资料预报之前，首先应剔除外源场引起的地磁场变化。任一

点的地磁场垂直强度Z由以下三部分组成：

ZZCZeZN（12）

C-地核源场，e-外源场，N-地下局部磁场。由此可推得下面公式：EWEWCEWeEWN（13）

下面采用均值法消除偶然因素如太阳黑子等造成的突变，并用对应一年中的均和几年的均值作差以消除外源场和核源场的变化而引起地磁场的突变

Z由此可推得：

ZZZNZN（14）

NNEWEWEWEWEW（15）

正常情况下地点确定后局部磁场在很小的范围内波动；由于地震孕育而导致局部磁场发生变化时，就在孕震区产生局部磁异常，这个范围比较小，即使两地都处于孕震区，异常将由于距离震源距离不同而有所差别，最终导致EW的变化，EW代表局部磁异常的相对变化。从属函数的计算

对应年份观测数据和各年份数据的平均作差消除基本场与外空场而引起的EW变化,用于消除外源场和核源场的变化而引起地磁场的突变，取各年份的均值是为偶然因素而引起的电磁波突变

经过多年样本学习，确定值，研究电磁波随时间的变化情况。

每次地震每个指标相对应的值第一次地震第二次地震第三次地震第四次地震第五次地震第六次地震第七次地震电压0.50000.98830.99840.97860.99940.99270.9630EW0.98670.50000.96130.99160.98370.99500.9989NS0.96660.96690.92550.98820.50000.99430.9949地温0.99940.50000.71230.98890.99230.96130.9982气氡0.99880.99970.99370.99991.00000.99990.5000雨量0.99160.81440.92360.86480.98361.00000.5000表7：每次地震前兆预测异常特征量

值的分析：

的取值范围为[0,1]，0.5为判别地震发生的界点。当0.5时，则地震没有发生的可能。

当0.5时，地震有发生的可能，值越大，则地震发生的可能性越大。每个指标的值

1.0e-003*

0.01170.18120.30490.00210.01420.0736

图5：EW两年相对变化趋势图

5.2.3地震前兆指标数量特征模型

针对地震预测研究中，变量的指标较多，数据携带的信息较弱且预测变量是非线性关系，因此造成预测结果稳定性不强的问题，构造了非线性组合预测模型，解决地震预测的上述问题，应用于本题中的地震前兆指标数量特征。

即使数据携带的信号很弱，但是我认为这些数据足以通过统计方法来探求深层次的东西，因为数据不服从标准的平稳时间序列和线性模型，所以我们要小心谨慎地选择统计方法。下面构造的多变量非线性模型在一定程度上解决了上述问题且在地震预报应用中取得了较满意的效果。非线性组合模型

非线性组合模型是将多个看用于预测的一元线性模型进行线性组合，组成非线性组合模型，其优点是可以增加预测稳定性。非线性组合模型的应用背景

设y是预测变量，x1,x2xp是影响y的指标。

（1）、指标数据携带信号较少、较弱，需要选择携带信号较强的指标用于预测。（2）、对于选定的指标需要建立较好的非线性预测模型。（3）、为增强预测的稳定性，最后构建非线性组合模型用于预测。最佳指标和最佳曲线选择

对于每一个指标xi(i1,2,,p)，对应预测变量y，预先设计若干非线性模型，并进行曲线拟合，根据统计检验和拟合优度选择最优指标和最佳曲线。

设所选的最优指标为xi相应的最佳曲线函数是f(xi)(i1,2,,k)，k是最优指标和最佳拟合曲线个数。非线性组合模型

ywifi(xi)（16）

i1k其中y是预测变量，fi(xi)是选择出的最佳非线性预测曲线，xi是自变量指标，wi是相应的权重，wi1。

i1k非线性组合模型参数wi的估计

一般参数估计的方法可选择：

（1）等权平均法；（2）加权最小二乘法；（3）方差-协方差方法；（4）最小二乘法；

非线性组合模型的应用

在本题中，选择最优指标和最佳曲线，通过最小二乘法估计最佳曲线的参数，并构建非线性组合模型。最佳指标和最佳曲线的选择

初步选择影响最大的若干地震参数指标xi等，见表一

为选择最优指标和最佳拟合曲线设计了七种曲线模型，见表二。

选择拟合方式以及统计检验，选出6个最优指标以及他们相应的最佳曲线。见表三。

2.2、非线性组合模型

16ywifi(xi)yi

6i1i1k考虑到增加预测的稳定性，参数估计采取等权平均法wi1，(i1,2,,6)6经过Matlab编程得出了地震各因素的权重如下：电压EWNS地温气氡雨量-0.0000-0.00290.00010.0057-0.0014-2.3620画出部分地震前兆指标与地震发生的关系图如下：

图6：相对震级图

5.2.4地震数据分析平台的设计

把前三问的程序集成，基于易语言编程，系统开发使用Windows201*server、MS-SQLServer201*数据库，对地震目录、前兆观测数据、分析报告等地震信息进行了系统管理，组成了地震数据分析平台，本平台在实现了地震数据的数字化和自动化管理功能的基础上，系统运用数据挖掘的方法对地震预报进行了尝试，使其能够完成形如题给数据的其它地震数据的分析，并能自动输出前述任务的重要的分析结果。其主界面如下图.

图7：地震数据分析平台主界面

基于此地震数据分析平台，分析了201*的地震指标数据，得出的结果是地

震发生时间为10月31日，震级为4.1级，在误差范围内，实现了较好的地震前兆数据分析与得出重要的分析结果。

六、模型的推广

1、在地震分析中经常要分析各个变量间相互依存关系，本文模型只能分析每一个变量对因变量的直接影响，且要求其余自变量之间相互独立。事实上，变量之间的关系错综复杂，一个自变量可能对一个因变量有直接影响，也可能通过其他的自变量对因变量有间接地影响，显然本模型无能为力。

2、可选用通径分析来求解各个变量之间的关系，在通径分析模型中，把影响其他变量的变量叫做原因变量，被影响的变量叫做结果变量。

七、关于进一步研究报告

地震预报预测之艰难不言而喻，然而通过此次研究分析发现，地震发生前并非不显示任何蛛丝马迹，笔者基于促进其预测预报研究的目的提出以下建议和设想：

确保各指标观测数据的真实性、准确性。数据是供人们研究的平台，其真实性、准确性直接关乎研究方向的正确性及研究结果的实效性。

优化数据挖掘方法。从各指标对事件的函数图像可知，各指标值振荡频繁，然而不是所有的振荡都是因为地震的发生而引起的，如电磁波的振荡容易受太阳黑子等因素影响而发生明显振荡。如何采取科学、合适的数据挖掘方法关系到所得模型预测预报的准确率，我们所采取的是均值结构模型以达到消除偶然误差的目的，其效果显著，然而由于原理上的限制，还是有所偏差，所以笔者设想能否利用数理统计方法进行估计，以使偏差尽量降低。

研究地震发生时各指标异常机理。研究过程发现，各指标异常会出现一定的提前量或滞后性，如何估计这些提前量关乎预测预报的准确性，只有通过研究各指标因地震变化的机理才能用数学方法较为准确的估计这些提前量。

优化数学研究方法。本模型在求解任务一时采用均值结构模型达到较良的消除误差的效果；采用综合指标法求解任务二，考虑全面周到，效果较好，在模型改进中所提出的判别分析法，科学有效，对数据利用率较高。在任务三中采用各年份指标值和历年各指标均值作差以消除地核、外空对电磁波的影响，巧妙科学，适宜推广使用。任务三中采用非线性组合模型，较好的解决数据携带信号较弱的缺点。限于知识、能力，对于上述数学方法在地震预测预报中的应用没有达到预期效果，须进一步研究改进。由于地震的发生及受其影响的各指标间的复杂关系，很难采用现有的技术探测，笔者试想，能否应用Bp神经网络解决此难题，设定科学的学习规则，利用神经网络的自我学习特性，达到预测预报的目的。

参考文献

[1]徐文耀，我们地震观测研究发展，地球物理学报，997,40:217。[2]冯德益，等模糊数学方法应用，北京，地震出版社。[3]郭德科，强震前兆异常的模糊识别函数与中弱地震的关系，地壳形变与地震。[4]张岩波，潜变量分析，北京，高等教育出版社。[5]王清河，随机数据处理方法（第三版），石油大学出版社。

[6]张继红、乔慧珍，地震前兆异常的动态从属函数，地球物理学进展。[7]沈良峰，地震稳定性分析的综合性指标模型，建筑科学。

附录

1：日平均值的程序

%每年数据的平均值

RI=[7344496819442280328844887416];year=[201*201*201*201*201*201*201*];S=load("matlab.mat");er=zeros(40*7,6);fori=1:7

u=strcat("S.t",num2str(year(i)),"(",num2str(RI(i)-40*24+1),":",num2str(RI(i)),",[1234910])");data=eval(u);

temp1=zeros(40,6);forj=1:40

temp1(j,:)=mean(data((24*j-23):(24*j),:));end

er((40*i-39):(40*i),:)=temp1;end

K1=zeros(7,6);%每次地震每个指标的K值r1=zeros(7,6);%每次地震每个指标的r值fori=1:7

K1(i,:)=sum(1:40)*sum(er((40*i-39):(40*i),:))-40*sum(diag(1:40)*er((40*i-39):(40*i),:));

K1(i,:)=K1(i,:)/((sum(1:40))^2-40*sum((1:40).^2));

r1(i,:)=sum(diag(1:40)*er((40*i-39):(40*i),:))-(1/40)*sum(1:40)*sum(er((40*i-39):(40*i),:));

r1(i,:)=r1(i,:)./(sqrt(sum((1:40).^2)-(1/40)*sum((1:40))^2)*sqrt(sum(

er((40*i-39):(40*i),:).^2)-(1/40)*sum(er((40*i-39):(40*i),:)).^2));end

gh=zeros(7,6);forj=1:6

gh(:,j)=K1(:,j).*r1(:,j);end

miu=zeros(7,6);%每次地震每个指标的miu值forj=1:7

miu(j,:)=1./abs(1+min(gh)./gh(j,:));end

2年平均曲线的Matlab程序functions=years_avg()

yinsu={"data""VI""EW""NS""ET""WH""AT""AP""WT""AID""RAIN""PNS""PEW"};

year={"201*""201*""201*""201*""201*""201*"};qs=input("请输入你所需要的第几年的编号：");qw=input("请输入您要的因素编号：");

coona=database("sqlserver","sa","xuenhappy");setdbprefs("DataReturnFormat","numeric");s=zeros(1,372);fori=1:12

forj=1:31

ifi

s(j+31*(i-1))=fetch(coona,strcat("useearthquckselectavg(",yinsu{qw},")fromyears",year{qs},"$whereConvert(Varchar(10),data,120)like",t));ifisempty(s(j+31*(i-1)))s(j+31*(i-1))=0;endendend

close(coona);

plot(1:max(size(s)),s)3预测分析图的Matlab程序

RI=[7337;4948;1932;2259;3265;4473;7401];year=[201*201*201*201*201*201*201*];S=load("matlab.mat");er=zeros(7,6);fori=1:7

u=strcat("S.t",num2str(year(i)),"(",num2str(RI(i)-30),":",num2str(RI(i)),",[1234910])");data=eval(u);data=mean(data);er(i,:)=data;end

4、相关系数的Matlab程序

%计算每次地震中指标相关程度；

RI=[6555,8018,7337;4346,5834,4948;1418,2882,1932;2162,2882,2259;2186,3650,3265;3650,5114,4473;6554,8028,7401];

year=[201*511201*611201*711201*711201*811201*811201*911];vv=zeros(7,10);forsd=1:7

S=load("matlab.mat");

t201*511=S.t201*(RI(sd,1):RI(sd,2),1:10);t201*611=S.t201*(RI(sd,1):RI(sd,2),1:10);t201*711=S.t201*(RI(sd,1):RI(sd,2),1:10);t201*811=S.t201*(RI(sd,1):RI(sd,2),1:10);t201*911=S.t201*(RI(sd,1):RI(sd,2),1:10);tem1=strcat("t",num2str(year(sd)));

s=(t201*611+t201*711+t201*811+t201*911+t201*511-eval(tem1))/4;yu=RI(sd,3)-RI(sd,1);

tem=strcat("t",num2str(year(sd)),"(1:",num2str(yu),",:)");

k=mean((t201*511(1:yu,:)+t201*611(1:yu,:)+t201*711(1:yu,:)+t201*811(1:yu,:)+t201*911(1:yu,:))/5)./mean(eval(tem));y=s*0;

forp=1:10

y(:,p)=s(:,p)/k(p);end

y=y(yu:end,:);

rt=t201*511(yu:end,:);vv(sd,:)=std(y-rt,0,1);end

b=mean(vv);

友情提示：本文中关于《花山乡9月7日地震受灾情况汇报》给出的范例仅供您参考拓展思维使用，花山乡9月7日地震受灾情况汇报：该篇文章建议您自主创作。

来源：网络整理 免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。

《花山乡9月7日地震受灾情况汇报》由互联网用户整理提供,转载分享请保留原作者信息,谢谢!
链接地址：http://www.bsmz.net/gongwen/721736.html

• 上一篇：廉洁范文2
• 下一篇：201* 年4 月关于雅安地震的思想汇报