A 题：震源属性识别模型构建与震级预测 :代码分析：

 

问题 1： 针对附件 1～8 中的地震波数据，找出一系列合适的指

标与判据，构建震源属性识别模型，进行天然地震事件（附件 1～7）

与非天然地震事件（附件 8）的准确区分；

问题一：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.font_manager as fm
# 读取文件夹中的地震波数据和标签
data = []
labels = []
folder_path = "A/"# 读取文件夹中的所有数据文件
for i in range(1, 8):for j in range(1, 21):file_path = folder_path + f"附件{i}/{j}.txt"with open(file_path, "r") as file:lines = file.readlines()wave_data = []for line in lines:line_data = line.strip().split()  # 分割成单个浮点数line_data = np.array([float(num) for num in line_data])  # 转换为浮点数类型wave_data.extend(line_data)data.append(wave_data)labels.append("天然地震")for i in range(1, 31):file_path = folder_path + f"附件8/{i}.txt"with open(file_path, "r") as file:lines = file.readlines()wave_data = []for line in lines:line_data = line.strip().split()  # 分割成单个浮点数line_data = np.array([float(num) for num in line_data])  # 转换为浮点数类型wave_data.extend(line_data)data.append(wave_data)labels.append("非天然地震")# 将数据转换为numpy数组
data = np.array(data)
labels = np.array(labels)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)# 创建SVM分类器
model = SVC()# 训练模型
model.fit(X_train, y_train)# 在测试集上进行预测
y_pred = model.predict(X_test)# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)# 绘制折线图
sns.set(style="darkgrid")
plt.rcParams['font.family'] = 'Arial Unicode MS'
# 显示真实结果和预测结果
plt.plot(y_test, label='True Labels')
plt.plot(y_pred, label='Predicted Labels')
plt.xlabel("Sample Index")
plt.ylabel("Label")
plt.title("True and Predicted Labels")
plt.legend()plt.tight_layout()
plt.show()

当对这段代码进行分块分析时，可以将其分为以下几个部分：
第一部分：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as snsfrom sklearn.svm 
import SVCfrom sklearn.model_selection 
import train_test_splitfrom sklearn.metrics 
import accuracy_scoreimport matplotlib.font_manager as fm

这部分代码包含了引入需要使用的Python库。
第二部分：

# 读取文件夹中的地震波数据和标签
data = []
labels = []
folder_path = "A/"
# 读取文件夹中的所有数据文件for i in range(1, 8):for j in range(1, 21):file_path = folder_path + f"附件{i}/{j}.txt"with open(file_path, "r") as file:lines = file.readlines()wave_data = []for line in lines:line_data = line.strip().split()  # 分割成单个浮点数line_data = np.array([float(num) for num in line_data])  # 转换为浮点数类型wave_data.extend(line_data)data.append(wave_data)labels.append("天然地震")
for i in range(1, 31):file_path = folder_path + f"附件8/{i}.txt"with open(file_path, "r") as file:lines = file.readlines()wave_data = []for line in lines:line_data = line.strip().split()  # 分割成单个浮点数line_data = np.array([float(num) for num in line_data])  # 转换为浮点数类型wave_data.extend(line_data)data.append(wave_data)labels.append("非天然地震")

这部分代码读取文件夹中的地震波数据和标签，将数据存储在data变量中，将标签存储在labels变量中。
通过嵌套循环，依次读取每个数据文件，将文件路径拼接后通过open函数读取文件内容，并使用readlines方法获取每行的数据。然后，通过字符串处理和类型转换，将每行数据转换为numpy数组，并将数据按照附件类型加入data列表中，同时将标签加入labels列表中。
第三部分：

# 将数据转换为numpy数组
data = np.array(data)
labels = np.array(labels)

这部分代码将data和labels列表转换为numpy数组。
第四部分：

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)

这部分代码使用train_test_split函数将数据和标签划分为训练集和测试集，其中test_size参数指定了测试集大小的比例，random_state参数用于指定随机数种子。
第五部分：

# 创建SVM分类器
model = SVC()
# 训练模型
model.fit(X_train, y_train)

这部分代码创建一个支持向量机分类器模型，并通过fit方法对模型进行训练。
第六部分：

# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)print("准确率:", accuracy)

这部分代码使用训练好的模型对测试集进行预测，然后通过accuracy_score函数计算模型在测试集上的准确率，并将结果打印出来。
第七部分：

# 绘制折线图
sns.set(style="darkgrid")
plt.rcParams['font.family'] = 'Arial Unicode MS'# 显示真实结果和预测结果
plt.plot(y_test, label='True Labels')
plt.plot(y_pred, label='Predicted Labels')
plt.xlabel("Sample Index")
plt.ylabel("Label")
plt.title("True and Predicted Labels")
plt.legend()plt.tight_layout()
plt.show()

这部分代码使用matplotlib.pyplot和seaborn库绘制折线图，将真实结果和预测结果进行可视化展示。设置了横坐标和纵坐标标签，添加了图表标题，并使用legend函数添加图例。
最后，使用tight_layout函数调整图表布局，并使用show函数显示图表。

问题 2： 地震波的振幅大小、波形特性与震级有着显著关联。根

据已知震级大小的附件 1～7 中数据（震级大小分别为：4.2、5.0、6.0、

6.4、7.0、7.4、8.0），恰当地挑选事件与样本，建立震级预测模型，

尝试给出附件 9 中地震事件的准确震级（精确到小数点后一位）。

问题二：

import os
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import matplotlib
matplotlib.rcParams['font.family'] = 'Arial Unicode MS'
# 训练集数据路径
train_folder = 'A/'
train_labels = [4.2, 5.0, 6.0, 6.4, 7.0, 7.4, 8.0]
X_train = []
y_train = []# 读取训练集数据
for i, label in enumerate(train_labels):folder_path = os.path.join(train_folder, f"附件{i+1}")for file in os.listdir(folder_path):if file.endswith('.txt'):file_path = os.path.join(folder_path, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:20]:  # 只读取每个文件的前20个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_train.append(magnitudes)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)# 建立线性回归模型
model = LinearRegression()
# 模型训练
model.fit(X_train, y_train)# 测试集数据路径
test_folder = os.path.join(train_folder, '附件9')
X_test = []# 读取测试集数据
for file in os.listdir(test_folder):if file.endswith('.txt'):file_path = os.path.join(test_folder, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:12]:  # 只读取12个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_test.append(magnitudes)X_test = np.array(X_test)# 预测地震震级
y_pred = model.predict(X_test)# 生成折线图
x_axis = np.arange(1, len(y_pred) + 1)
plt.plot(x_axis, y_pred, marker='o')# 设置横轴刻度和标签
plt.xticks(x_axis)# 设置图表标题和坐标轴标签
plt.title('预测地震事件的地震震级')
plt.xlabel('事件编号')
plt.ylabel('地震震级')plt.show()

当对这段代码进行分块分析时，可以将其分为以下几个部分：
第一部分：
import osimport numpy as npfrom sklearn.linear_model import LinearRegression
这部分代码包含了引入需要使用的Python库。
第二部分：

# 训练集数据路径
train_folder = 'A/'
train_labels = [4.2, 5.0, 6.0, 6.4, 7.0, 7.4, 8.0]
X_train = []
y_train = []
# 读取训练集数据for i, label in enumerate(train_labels):folder_path = os.path.join(train_folder, f"附件{i+1}")for file in os.listdir(folder_path):if file.endswith('.txt'):file_path = os.path.join(folder_path, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:20]:  # 只读取每个文件的前20个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_train.append(magnitudes)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)

这部分代码定义了训练集的文件夹路径、标签列表以及空的X_train和y_train列表。
通过嵌套循环，依次遍历训练集的文件夹和文件。使用os.path.join函数拼接文件夹路径和文件名，通过open函数打开文件，并使用readlines方法获取每行的数据。然后，通过字符串处理和类型转换，将每行数据的第一个数值转换为浮点数，并将前20个数据加入X_train列表中，同时将对应的标签加入y_train列表中。
最后，将X_train列表和y_train列表转换为numpy数组。
第三部分：

# 建立线性回归模型
model = LinearRegression()# 模型训练
model.fit(X_train, y_train)

这部分代码创建了一个线性回归模型，并通过fit方法对模型进行训练。
第四部分：

# 测试集数据路径
test_folder = os.path.join(train_folder, '附件9')
X_test = []
# 读取测试集数据for file in os.listdir(test_folder):if file.endswith('.txt'):file_path = os.path.join(test_folder, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:12]:  # 只读取12个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_test.append(magnitudes)X_test = np.array(X_test)

这部分代码定义了测试集的文件夹路径以及空的X_test列表。
通过os.path.join函数拼接文件夹路径和文件名，使用open函数打开文件，并使用readlines方法获取每行的数据。然后，通过字符串处理和类型转换，将每行数据的第一个数值转换为浮点数，并将前12个数据加入X_test列表中。
最后，将X_test列表转换为numpy数组。
第五部分：

# 预测地震震级
y_pred = model.predict(X_test)
# 打印预测结果print('预测地震事件的地震震级为：')for i, pred in enumerate(y_pred):print(f'事件{i+1}: {round(pred, 1)}')

这部分代码使用训练好的线性回归模型对测试集进行预测，将预测结果存储在y_pred变量中，并通过循环打印每个事件的预测地震震级。

当对这段代码进行分块分析时，可以将其分为以下几个部分：
第一部分：

import osimport numpy as np
import matplotlib.pyplot as pltfrom sklearn.linear_model 
import LinearRegression
import matplotlib
matplotlib.rcParams['font.family'] = 'Arial Unicode MS'

这部分代码包含了引入需要使用的Python库，并设置使用的字体为’Arial Unicode MS’。
第二部分：

# 训练集数据路径
train_folder = 'A/'
train_labels = [4.2, 5.0, 6.0, 6.4, 7.0, 7.4, 8.0]
X_train = []
y_train = []
# 读取训练集数据for i, label in enumerate(train_labels):folder_path = os.path.join(train_folder, f"附件{i+1}")for file in os.listdir(folder_path):if file.endswith('.txt'):file_path = os.path.join(folder_path, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:20]:  # 只读取每个文件的前20个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_train.append(magnitudes)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)

这部分代码定义了训练集的文件夹路径、标签列表以及空的X_train和y_train列表。
通过嵌套循环，依次遍历训练集的文件夹和文件。使用os.path.join函数拼接文件夹路径和文件名，通过open函数打开文件，并使用readlines方法获取每行的数据。然后，通过字符串处理和类型转换，将每行数据的第一个数值转换为浮点数，并将前20个数据加入X_train列表中，同时将对应的标签加入y_train列表中。
最后，将X_train列表和y_train列表转换为numpy数组。
第三部分：

# 建立线性回归模型
model = LinearRegression()# 模型训练
model.fit(X_train, y_train)

这部分代码创建了一个线性回归模型，并通过fit方法对模型进行训练。
第四部分：

# 测试集数据路径
test_folder = os.path.join(train_folder, '附件9')
X_test = []
# 读取测试集数据for file in os.listdir(test_folder):if file.endswith('.txt'):file_path = os.path.join(test_folder, file)with open(file_path, 'r') as f:lines = f.readlines()magnitudes = []for line in lines[:12]:  # 只读取12个数据magnitude = float(line.strip().split()[0])magnitudes.append(magnitude)X_test.append(magnitudes)X_test = np.array(X_test)

这部分代码定义了测试集的文件夹路径以及空的X_test列表。
通过os.path.join函数拼接文件夹路径和文件名，使用open函数打开文件，并使用readlines方法获取每行的数据。然后，通过字符串处理和类型转换，将每行数据的第一个数值转换为浮点数，并将前12个数据加入X_test列表中。
最后，将X_test列表转换为numpy数组。
第五部分：

# 预测地震震级
y_pred = model.predict(X_test)

这部分代码使用训练好的线性回归模型对测试集进行预测，将预测结果存储在y_pred变量中。
第六部分：

# 生成折线图
x_axis = np.arange(1, len(y_pred) + 1)
plt.plot(x_axis, y_pred, marker='o')
# 设置横轴刻度和标签
plt.xticks(x_axis)
# 设置图表标题和坐标轴标签
plt.title('预测地震事件的地震震级')
plt.xlabel('事件编号')
plt.ylabel('地震震级')plt.show()

这部分代码使用Matplotlib库生成折线图，其中x_axis定义了横轴刻度，plt.plot绘制折线图并设置了标记点，plt.xticks设置横轴刻度和标签，plt.title、plt.xlabel和plt.ylabel设置图表标题和坐标轴标签。最后，通过plt.show显示生成的折线图。

问题 3： 库深、库容、断层类型、构造活动/基本烈度、岩性等

是影响水库诱发地震震级大小的重要因素。请根据附件 10 中 102 个

水库地震样本，尝试建立水库基本属性资料与震级的关系模型，并给

出合理的依据

问题三：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error# 读取数据
data = pd.read_csv('A\附件10.csv')# 将分类变量进行标签编码
label_encoder = LabelEncoder()
data['断层类型'] = label_encoder.fit_transform(data['断层类型'])
data['构造活动/基本烈度'] = label_encoder.fit_transform(data['构造活动/基本烈度'])
data['岩性'] = label_encoder.fit_transform(data['岩性'])# 准备自变量和因变量
X = data[['库深/m', '库容', '断层类型', '构造活动/基本烈度', '岩性']]
y = data['震级']# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 构建线性回归模型并拟合数据
model = LinearRegression()
model.fit(X_train, y_train)# 打印回归系数和截距
print('回归系数:', model.coef_)
print('截距:', model.intercept_)# 预测并评估模型
y_pred = model.predict(X_test)
rmse = mean_squared_error(y_test, y_pred, squared=False)
print('均方根误差:', rmse)

当对这段代码进行分块分析时，可以将其分为以下几个部分：
第一部分：

import pandas as pdfrom sklearn.linear_model 
import LinearRegressionfrom sklearn.preprocessing 
import LabelEncoderfrom sklearn.model_selection 
import train_test_splitfrom sklearn.metrics 
import mean_squared_error

这部分代码包含了引入需要使用的Python库。
第二部分：

# 读取数据
data = pd.read_csv('A\附件10.csv')

这部分代码使用pandas库的read_csv函数读取名为"附件10.csv"的CSV文件，并将数据存储在data变量中。
第三部分：

# 将分类变量进行标签编码
label_encoder = LabelEncoder()
data['断层类型'] = label_encoder.fit_transform(data['断层类型'])
data['构造活动/基本烈度'] = label_encoder.fit_transform(data['构造活动/基本烈度'])
data['岩性'] = label_encoder.fit_transform(data['岩性'])

这部分代码使用sklearn.preprocessing库的LabelEncoder类对数据中的分类变量进行标签编码，将其转换为数值形式。
第四部分：

# 准备自变量和因变量
X = data[['库深/m', '库容', '断层类型', '构造活动/基本烈度', '岩性']]
y = data['震级']

这部分代码将编码后的自变量存储在X变量中，将因变量存储在y变量中。
第五部分：

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

这部分代码使用sklearn.model_selection库的train_test_split函数将数据集拆分为训练集和测试集，其中训练集占80%，测试集占20%。
第六部分：

# 构建线性回归模型并拟合数据
model = LinearRegression()
model.fit(X_train, y_train)

这部分代码使用sklearn.linear_model库的LinearRegression类构建一个线性回归模型，并使用训练集数据对模型进行拟合。
第七部分：

# 打印回归系数和截距
print('回归系数:', model.coef_)
print('截距:', model.intercept_)

这部分代码打印出线性回归模型的回归系数和截距。
第八部分：

# 预测并评估模型
y_pred = model.predict(X_test)
rmse = mean_squared_error(y_test, y_pred, squared=False)print('均方根误差:', rmse)

这部分代码使用训练好的回归模型对测试集数据进行预测，并计算预测结果与实际结果之间的均方根误差，最后将均方根误差打印出来。