一种结合统计学与无监督学习的混合方法，用于研究电离层风暴扰动对地震前总电子含量异常的影响

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Hybrid Approach Using Statistics and Unsupervised Learning to Investigate the Impact of Ionospheric Storm Disturbances on Pre-earthquake Total Electron Content Anomalies

　　

摘要：

将电离层总电子含量异常视为潜在地震前兆的识别工作，会因地磁扰动带来的强烈背景变化以及传统统计检验所固有的空间分布问题而变得复杂。为应对这些挑战，本研究提出了一种混合框架，该框架将比例z检验统计验证与无监督k均值聚类相结合，并加入空间异常验证步骤，从而从全球电离层图TEC数据中提取具有物理意义的时间-极性特征。该框架首先被应用于2022年6月21日发生的6.0级阿富汗地震，该地震在30天的分析时间内曾出现过一次中等强度的地磁风暴。在距离地震发生前22天，出现了一个负异常簇，它是唯一同时通过统计检验和空间一致性检验的特征，且在风暴恢复阶段震中区域的异常强度有所增强，这表明风暴期间的电离层动态与地震生成过程之间存在建设性干涉。为评估跨区域的适用性，该框架还被用于2011年3月11日发生的9.1级东北日本地震，尽管两者的构造环境、震级及空间天气条件存在显著差异，但依然得到了类似且经过空间验证的地震前兆特征。这些结果证明了所提方法在不同环境中的可迁移性。所提取的特征提供了结构化且具有物理依据的输入信息，有助于未来开发基于数据的地震监测和预警系统。