1.一种地震预警区域的地下水位及地表沉降预测方法，其特征在于：该方法包括如下步骤：

S1：根据地震监测台网提供的地震记录，对应不同各地震台站坐标地震观测数据，按照时间序列建立一个训练样本集 Z(k)表示第k个台站1到t时刻地震动记录， 表示第k个台站第i个时间节点的地震动记录，针对不同参数的特征同时预测多个地震基本参数用于地震动场的实时预测当中，非线性动态系统的状态空间模型为 其中fk表示状态转移函数， 表示k台站第i个时间节点的地震基本参数预测结果， 表示k台站i‑1时刻所处的地震基本参数预测结果， 其中hk表示测量函数， 表示k台站i时刻的地震基本参数观测结果， 表示k台站i‑1个时间节点的地震基本参数观测结果；

令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数

抽取N个样本粒子，i＝1,2,…,N第i个样本粒子的权值以 表示，且

根据大量带权粒子，从采样密度函数 中抽取N个粒子，m表示采用m阶

粒子滤波算法， 其中q表示采样密度函数，x表示地震基本参数预

测结果，z表示地震基本参数观测结果，t表示t时刻，k表示第k个台站，i表示第i个粒子；

在标准粒子滤波算法的框架中引入重采样步骤，拟合地震基本参数同地震动之间的函数关系，通过粒子滤波实时预测多个地震基本参数，对整个目标区域的多个任务同时预测，通过经验关系可以对地震动场进行实时预测；

S2：基于支持向量回归算法拟合地震动与其对应的地震动‑地下水水位关系，在地震动和地下水水位样本空间中训练地震动‑地下水水位模型函数 引入松弛变量ξ1:t≥0，υ1:t≥0，在如下约束条件 μ1:t∈{‑1,+1}，其中Δ为决策面宽度，b为决策面的法向量，t＝0，1，2，...，tn，t表示第t个时间点，tn表示观测时间点总数，损失函数： L1:t表示第1到t个时间节点的损失函数，其中c为>0的常数，满足优化目标损失函数，得到基于地震动场分布的地下水水位预测模型函数 其中1：t表示从第1到第t个时间点的时间序列，x表示地下水观测记录，K表示地震预警区域地下水水位观测点编号，估计地震动与其对应观测井的地震动‑水位函数关系，构建地震动作用下地下水情预测模型；

通过卡尔曼滤波器(Kalman‑Filter)实时估计地震动作用下地震预警区域的地下水水位分布，以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程：以κ表示卡尔曼滤波器(Kalman‑Filter)构建地震

预警区域地下水位预测模型，其中 表示当前时刻地震的作用下地下水水位分布， 表示下一个时间点前的该区域地下水水位分布， 表示地震动作用下t时刻前一时刻预警区域地下水水位分布，Δut表示地下水水位在地震的作用下的观测值变量；

S3：针对震级、地震动不同参数的特征建立地震动作用下地震预警区域地表沉降量实时预测模型，将卷积神经网络算法用于地震预警区域的地表沉降量预测当中，利用海量观测数据构建神经网络模型，拟合地表沉降量同震级、地震动等参数之间的函数关系；

利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合，经过训练卷积神经网络模型，对地表沉降量进行训练，可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测；

S4：根据地表沉降量监测记录与地震预警区域的地震动场预测结果，建立地震动作用下地震预警区域基于长短期记忆网络的地表沉降量实时预测模型，将这种集成的算法用于地震预警区域的地表沉降量预测当中，对整个预警区域的地表沉降量预测结果进行实时更新；利用海量观测数据构建神经网络模型，拟合地表沉降量同地震动之间的复杂函数关系，同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比，根据震中距划定训练的神经网络模型的应用范围，对地震预警区域的地表沉降量进行实时预测；

S5：根据覆盖全部预警区域的地表沉降量预测区域范围划分网格，对地震预警区域各个地表沉降量进行实时模拟，根据地震预警区域构造的泰森多边形进行赋值，对地表沉降量监测点位置坐标的数组进行三角剖分，生成三角剖分网对地表沉降量分布预测结进行地震区域分布情况数值模拟；采用高斯平滑函数或三次样条插值函数对预测结果进行平滑，增加分布在预警区域各个地表沉降量预测结果之间的连续性；

即便在地震发生过程当中，在地震动作用的情况下，无论地表沉降量观测资料是否充足，依然可以对地震预警区域内任意位置的地震动、地下水水位与地表沉降量情况进行实时预测。

2.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法，其特征在于：

S1具体包括如下步骤：

S11：对应不同各地震台站坐标按照时间序列建立一个训练样本集表示各个观测台站地震记录的历史观测数据，对应不同各观测台站坐标按照时间序列建立一个训练样本集Z(k)表示第k个台站1到t时刻地震基本参数记录；

S12：非线性动态系统的状态空间模型为 其中fk表示状态转移函数， 表示

k台站i时刻的地震基本参数预测结果， 表示k台站i‑1时刻所处的地震基本参数预测结果， 其中hk表示测量函数， 表示k台站i时刻的地震基本参数观测结果， 表示k台站i‑1时刻所处的地震基本参数观测结果，根据地震观测结果递归估计关于地震基本参数的后验概率密函数 其中 表示k台站1到t时刻所产生的地震基本参数预测结果序列， 表示表示k台站1到t时刻所产生的地震基本参数观测结果序列；

构造一个基于地震基本参数样本的后验概率密度函数 令N个粒子构成的集

合表示t时刻台站k关于地震基本参数的后验概率密函数，其中 表示从i＝1,2,…,N个粒子中抽取的第i个样本粒子，第i个样本粒子的权值以 表示，且采用m阶粒子滤波算法，根据大量带权粒子，t时刻k台站地震基本参数的后验概率密度函数可以近似表示为粒子集合，引入性采样密度 抽取样本，从重要性采样密度函数中抽取N个粒子，m表示采用m阶粒子滤波算法， 其中q(·)表示采样密度函数，x表示地震基本参数预测结果，z表示地震基本参数观测结果，t表示t时刻，m表示采用m阶粒子滤波算法，k表示第k个台站，i表示第i个粒子；

按照 递归，其中其中q(·)表示地震基本参

数的采样密度函数，p(·)表示地震基本参数样本的后验概率密度函数，x表示地震基本参数预测结果，z表示地震基本参数观测结果，t表示t时刻，m表示采用m阶粒子滤波算法，k表示第k个台站，i表示第i个粒子，计算粒子的权值并对权值进行归一化；在标准粒子滤波算法的框架中引入重采样步骤，根据预测的地震基本参数，在标准粒子滤波算法的框架中引入重采样步骤，通过经验关系可以对地震动场进行实时预测。

3.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法，其特征在于：

所述的S2具体包括如下步骤：

S21：在地震动样本空间中训练地震动‑地下水水位模型函数，给定决策面宽度Δ与决策面法向量b决定决策面的位置和方向，t＝0，1，2，...，tn，引入松弛变量ξ1：t和ⅴ1:t，表示到第t个时间节点的松弛变量，在如下约束条件μ1:t∈{‑1,+1}，松弛变量ξ1:t≥0，松弛变量υ1:t≥0，t＝0，1，2，...，tn，t表示第t个时间点，tn表示观测时间节点总数，损失函数： L1:t表示1到t个时间点的损失函数，其中c为>0的常数，Δ给定决策面位置，b表示决策面的法向量，ξ1:t和ⅴ1:t为松弛变量，满足优化目标损失函数，得到基于地震动场分布的地下水水位预测模型函数 其中1：t表示从第1到第t个时间点的时间序列，x表示地下水观测记录，K表示观测点编号，可对未来时刻地下水水位进行预测；

S22：对步骤S21当中地震动作用下地下水水位的预测结果在地震预警区域范围内进行模拟，结合地下水水位实际观测记录，将预警区域划分为n个单元，根据当前地震预警区域地下水水位分布 预测下一个时间点前的该区域地下水水位分布 同实际t时刻地下水水位观测记录ut逐步预测现在时刻地震的作用下地下水水位在地震预警区域的分布情况U表示地下水在地震预警区域的分布，t表示第t个时间节点，t‑1表示t时刻前一个时间节点，n表示改区域划分为n个单元，以地下水水位实际观测数据长度为的向量表示地下水预测结果数目，以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程：其中 表示当前时刻地震的作用下地下水水位分布， 表示地震动作用下t时刻前一个时间节点预警区域地下水水位分布，Δut表示地下水水位在地震的作用下的观测值变量， 表示当前时刻下一个时间点前地震的作用下地下水水位分布，κ(·)表示通过卡尔曼滤波器(Kalman‑Filter)预测一个时间点的修正值。

4.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法，其特征在于：

S3具体包括如下步骤：

S31：根据地表沉降量观测点的坐标和分布情况划定覆盖整个地震预警区域的预测区域，预测区域覆盖整个地震预警区域，构建一个对应地表沉降量观测点位置坐标的地震预警区域内地表沉降量数据的二维数组VM＝{(x1,y1),(x2,y2),…,(xM‑1,yM‑1),(xM,yM)}，(xM，yM)表示VM中地震预警区域当中对应第M个地表沉降量观测点对应的地表沉降量实时监测数据，并对原数据进行归一化，为接下来的神经网络训练数据消除量纲，优化训练模型的损失函数；

S32：将步骤S31归一化的数据集划分为训练集合测试集，利用当前时刻t之前各个观测点的地表沉降量监测数据设计神经网络模型，引入卷积神经网络，其中隐藏层单元可以设计为包含卷积层、激励层、切分层、融合层等操作，利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合，经过训练卷积神经网络模型，对地表沉降量进行训练；

S33：在实际的地表沉降量预测案例中进行测试，构建地表沉降量预测模型函数f(t,x,y,d,z)，其中t表示时间点，x，y分别表示地表沉降量观测点坐标，d表示地震动，z表示地表沉降量，根据地表沉降预测函数可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测。

5.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法，其特征在于：

S4具体包括如下步骤：

S41：采用多时间窗，引入长短期记忆网络(LSTM，Long Short‑Term Memory)进行时间序列预测，利用地表沉降量和地震动数据信息，通过遗忘门Ft，输入门It和输出门Ot实现，遗忘门Ft控制上一个时刻的记忆单元Ct‑1状态，决定t时刻需要遗忘的地表沉降量信息，输入门It控制当前时刻的候选状态ct，决定地表沉降量信息需要存储，输出门Ot，控制当前时刻的记忆单元Ct，决定地震动与地表沉降量信息需要输出外部的状态Ht，其中，

Ct＝Ft*Ct‑1+It*ct

Ht＝Ot*tanh(ct)，

σ表示sigmoid函数，tanh表示双曲正切函数，W表示遗忘门、输入门和输出门对应的权值，β表示遗忘门、输入门和输出门对应的偏置值，Ht表示t时刻的隐藏状态，Xt表示t时刻的地表沉降量与地震动数据输入；

S42：建立地表沉降量与地震动较长距离时序依赖关系的神经网络，利用长短期记忆网络对地震预警区域的地表沉降量数据测试集进行预测，同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比，根据震中距划定S41步骤训练的神经网络模型的应用范围。

6.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法，其特征在于：

S5具体包括如下步骤：

S51：根据覆盖全部预警区域的地表沉降量预测区域范围划分网格，创建网格点区域中心的二维数组以横纵坐标(xN,yN)为中心的N×N区域VN＝{(x1,y1),(x2,y2),…,(xN‑1,yN‑1),(xN,yN)}，以单位矩阵函数对数组VN包含的数据信息进行初始化，以南北方向为x方向，东西方向为y方向，其中L和H分别为x向与y方向相邻网格点之间的间距，xN＝L×N，yN＝H×N；

对地震预警区域各个地表沉降量监测点以相邻观测井作中垂线构造泰森多边形，以地表沉降量监测点坐标为中心划分成R个泰森多边形，根据步骤S4当中地表沉降量的预测结果对数组VR进行赋值，根据地震预警区域构造的泰森多边形当中不同的泰森多边形进行赋值，对整个地震预警区域的地表沉降量预测结果的分布进行初步赋值；

S52：根据包含地表沉降量监测点位置坐标的数组进行三角剖分，生成三角剖分网，对步骤S51的地表沉降量分布预测结果进行模拟，根据三角剖分网生成的点集合相应的地表沉降量预测结果进行逐点修正，模拟地震预警区域地表沉降量分布的数值预测结果；

S53：采用高斯平滑函数或三次样条插值函数对步骤S52的预测结果进行平滑，对网格点区域中心的二维数组以横纵坐标(xN,yN)构造高斯核函数 σ0为高斯核生成器中高斯分布的标准差，表征预测结果数据的离散程度；从而对S52中生成的地表沉降量预测结果在地震预警区域的分布情况进行优化更新，增加分布在预警区域各个地表沉降量预测结果之间的连续性。