地震分类

地震震级分为九级,一般小于2.5级的地震人无感觉,2.5级以上人有感觉,5级以上的地震会造成破坏。简称震级。

1. 一般将小于1级的地震称为超微震

2. M≥1级,小于3级的称为弱震或微震

如果震源不是很浅,这种地震人们一般不易觉察。

3. M≥3级,小于4.5级的称为有感地震

这种地震人们能够感觉到,但一般不会造成破坏。

4. M≥4.5级,小于6级的称为中强震

属于可造成破坏的地震,但破坏轻重还与震源深度、震中距等多种因素有关。

5. M≥6级,小于7级的称为强震,巨大地震

6. M≥7级,小于8级的称为大地震,巨大地震

7. 8级以及8级以上的称为巨大地震。

发震时刻、震级、震中统称为“地震三要素”。

震级是表征地震强弱的量度,是划分震源放出的能量大小的等级。单位是“里氏”,通常用字母M表示,它与地震所释放的能量有关。释放能量越大,地震震级也越大。震级每相差1.0级,能量相差大约32倍;每相差2.0级,能量相差约1000倍。也就是说,一个6级地震相当于32个5级地震,而1个7级地震则相当于1000个5级地震。目前世界上最大的地震的震级为9级。

破坏性地震

震级大于5级,造成一定的人员伤亡和建筑物破坏或造成重大的人员伤亡和建筑物破坏的地震灾害称为破坏性地震。 发生破坏性地震时, 应在地震瞬间,保持冷静,争取12秒。地震以后,应严防传染病、水灾、火灾。

我国把烈度划分为12度,不同烈度的地震,其影响和破坏大体如下:

Ⅰ度; 无感,仅仪器能记录到;

Ⅱ度; 个别敏感的人在完全静止中有感;

Ⅲ度; 室内少数人在静止中有感,悬挂物轻微摆动;

Ⅳ度; 室内大多数人,室外少数人有感,悬挂物摆动,不稳器皿作响;

Ⅴ度; 室外大多数人有感,家畜不宁,门窗作响,墙壁表面出现裂纹

Ⅵ度; 人站立不稳,家畜外逃,器皿翻落,简陋棚舍损坏,陡坎滑坡;

Ⅶ度; 房屋轻微损坏,牌坊,烟囱损坏,地表出现裂缝及喷沙冒水;

Ⅷ度; 房屋多有损坏,少数破坏路基塌方,地下管道破裂;

Ⅸ度; 房屋大多数破坏,少数倾倒,牌坊,烟囱等崩塌,铁轨弯曲;

Ⅹ度; 房屋倾倒,道路毁坏,山石大量崩塌,水面大浪扑岸;

Ⅺ度; 房屋大量倒塌,路基堤岸大段崩毁,地表产生很大变化;

Ⅻ度; 一切建筑物普遍毁坏,地形剧烈变化动植物遭毁灭;

时间: 2024-10-03 22:39:02

地震分类的相关文章

分类指标准确率(Precision)和正确率(Accuracy)的区别

http://www.cnblogs.com/fengfenggirl/p/classification_evaluate.html 一.引言 分类算法有很多,不同分类算法又用很多不同的变种.不同的分类算法有不同的特定,在不同的数据集上表现的效果也不同,我们需要根据特定的任务进行算法的选择,如何选择分类,如何评价一个分类算法的好坏,前面关于决策树的介绍,我们主要用的正确率(accuracy)来评价分类算法. 正确率确实是一个很好很直观的评价指标,但是有时候正确率高并不能代表一个算法就好.比如某个

分类算法评价标准

一.引言 分类算法有很多,不同分类算法又用很多不同的变种.不同的分类算法有不同的特定,在不同的数据集上表现的效果也不同,我们需要根据特定的任务进行算法的选择,如何选择分类,如何评价一个分类算法的好坏,前面关于决策树的介绍,我们主要用的正确率(accuracy)来评价分类算法. 正确率确实是一个很好很直观的评价指标,但是有时候正确率高并不能代表一个算法就好.比如某个地区某天地震的预测,假设我们有一堆的特征作为地震分类的属性,类别只有两个:0:不发生地震.1:发生地震.一个不加思考的分类器,对每一个

机器学习二分类模型评价指标:准确率\召回率\特异度等

混淆矩阵是一种用于性能评估的方便工具,它是一个方阵,里面的列和行存放的是样本的实际类vs预测类的数量. P =阳性,N =阴性:指的是预测结果. T=真,F=假:表示 实际结果与预测结果是否一致,一致为真,不一致为假. TP=真阳性:预测结果为P,且实际与预测一致. FP=假阳性:预测结果为P,但与实际不一致. TN=真阴性:预测结果为N,且与实际一致. FN=假阴性:预测结果为N,但与实际不一致. 分类模型的经验误差可以通过计算1-准确率得到. 然而,如何选择一个适当的预测误差度量是高度依赖于

针对二元分类机器学习模型中的准确率(Precision)、召回率(Recall)、F值(F-Measure)的学习

一.首先了解混淆矩阵中的四个值对应的意思: True Positive(真正,TP):将正类预测为正类数  True Negative(真负,TN):将负类预测为负类数  False Positive(假正,FP):将负类预测为正类数误报 (Type I error)  False Negative(假负,FN):将正类预测为负类数漏报 (Type II error) 如下图所示: 二.评价指标的意义 1.准确率(Accuracy) 注:准确率是我们最常见的评价指标,而且很容易理解,就是被分对的

机器学习算法中的评价指标(准确率、召回率、F值、ROC、AUC等)

参考链接:https://www.cnblogs.com/Zhi-Z/p/8728168.html 具体更详细的可以查阅周志华的西瓜书第二章,写的非常详细~ 一.机器学习性能评估指标 1.准确率(Accurary) 准确率是我们最常见的评价指标,而且很容易理解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好. 准确率确实是一个很好很直观的评价指标,但是有时候准确率高并不能代表一个算法就好.比如某个地区某天地震的预测,假设我们有一堆的特征作为地震分类的属性,类别只有两个:0:

(八)从零开始学人工智能--统计学习:统计学习基础知识

目录 统计学习基础知识 1. 统计学习种类 1.1 监督学习 1.2 非监督学习 2. 统计学习中的基本概念 2.1 统计学习三要素:模型,策略,算法 2.2 欠拟合和过拟合 2.3 如何避免过拟合 2.4 过拟合产生的原因 2.5 最大似然估计和贝叶斯估计 3. 线性回归 3.1 经典线性回归 3.2 岭回归(ridge regression) 3.3 lasso回归和ElasticNet 4. 线性分类 4.1 感知机 4.2 逻辑回归(logistic regression) 4.3 So

托福分类词汇

托福分类词汇表(共17类863个常用单词) 一.   psychology 心理 1.       mental 心理的 2.       physical 身体的,物质的,物理的 3.       spiritual 心灵的 4.       conformity 从众 5.       majority 多数人 6.       minority 少数人 7.       threshold judgment (心理学)初始性判断 8.       subject 受实验对象 9.     

hdu2191 悼念512汶川大地震遇难同胞——珍惜现在,感恩生活 (这个只是题目名字) (多重背包)

本文出自:http://blog.csdn.net/svitter 原题:http://acm.hdu.edu.cn/showproblem.php?pid=2191 题意:多重背包问题.转换成为01背包解.多重背包转化为01背包的关键在于把件数从整体中孤立出来作为一个新的个体,也就是说不管分类,有多少件就有多少种. AC代码: //============================================================================ // Na

从重采样到数据合成:如何处理机器学习中的不平衡分类问题?

转载自[机器之心]http://www.jiqizhixin.com/article/2499本文作者为来自 KPMG 的数据分析顾问 Upasana Mukherjee 如果你研究过一点机器学习和数据科学,你肯定遇到过不平衡的类分布(imbalanced class distribution).这种情况是指:属于某一类别的观测样本的数量显著少于其它类别. 这个问题在异常检测是至关重要的的场景中很明显,例如电力盗窃.银行的欺诈交易.罕见疾病识别等.在这种情况下,利用传统机器学习算法开发出的预测模