基于优化参数的地震P、S波震相到时自动拾取及质量评估

准确拾取P、S波震相到时是深入开展地震波研究工作的基础,本文改进了自动拾取参数优化函数算法和质量评估方案,引入了拾取到时优化方案,使用基于参数优化的频带-带宽拾取算法、AICD拾取算法和峰度拾取算法对腾冲地区7个宽频带地震台站记录的地震资料开展了地震P、S波到时自动拾取,对拾取结果进行了优化和质量判定.结果表明：经参数优化、拾取优化后,采用3种方法自动拾取的P、S波到时与人工拾取到时的时差在0.1 s内的记录占比分别达到74.66%、70.98%.这些参数值均优于算法改进前的同类参数,证明了优化方法的可靠性.     

融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法

基于深度学习方法提出了一种矿山微震P波到时拾取方法。首先构建CNNDet模型进行事件监测和到时预拾取;其次引入自注意力机制,融合门控循环单元（GRU）构建CGANet模型,对检测到的事件进行P波到时精确拾取;最后将该方法与长短时窗能量比法、DPick和PpkNet方法进行对比,结果显示测试集的事件检测精确率和召回率都达到98%以上,P波到时估计的误差均值和标准差分别为0.014 s和0.051 s,说明本文方法在精确率、召回率及标准差等方面均明显优于上述三种方法。此外,对不同信噪比样本进行测试的结果也证明,本文方法在低信噪比下依然能保持较高的精度。在实际震源定位中,该方法也展现出了更优异的性能。     

一种适用于地方震事件的S波到时自动拾取方法

基于特征值分解方法,本文讨论了一种适用于地方震事件S波震相到时拾取的自动处理算法。该算法计算参数少、简便快捷、易于实现,通过选用七个不同长度的时间窗,有效地减小了窗长选择不合理所引起的震相拾取误差。利用福建地震台网记录的9 855条三分向波形记录进行测试,结果表明:本文方法的S波平均拾取偏差为（0.003±1.34） s,其中79.6%的记录拾取偏差小于0.5 s,4.1%的记录拾取偏差超过2.0 s,说明本文方法能够满足日常工作基本需求。综上分析认为,波形记录质量是影响拾取算法结果精度的最主要因素,信噪比较高的记录,其S波到时拾取偏差显著优于信噪比较低的记录,对信噪比较低的部分记录进行带通滤波预处理后,S波震相拾取精度也有所提升。      

利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时

地震P波、S波到时是精确分析地震水平位置、深度与速度结构等的重要参数,如何准确拾取P波和S波到时是地震学的一项重要的基础工作.大数据量与强噪声环境给地震到时的自动拾取带来了很大挑战.在频率域中可将信号与噪声分离,但会造成震相的偏移.针对上述问题,本文在STA/LTA、AIC方法的基础上,引入了标准时频变换(Normal...     

时窗能量特征法拾取微地震波初始到时的可行性研究

微地震（MS）波初始到时的自动拾取是MS监测数据处理的关键技术之一,也是实现MS震源自动定位的技术难点.本文在MS震源定位结果反演与推断的研究基础上,对不同类型MS波的到时点特征进行了分析与描述,并对不同时窗长度下能量特征值的变化规律进行了研究,提出了控制时窗移动范围和确定时窗长度自适应参数的具体方法,利用建立的MS波初始到时点特征的模式识别库,对拾取的到时进行模式归类、定量评价和匹配,提高了自动拾取结果的可靠性.研究结果表明,对典型的信噪比高的MS波,到时自动拾取的结果与手工拾取的结果基本一致;对无量纲大振幅的MS波,到时自动拾取结果的可靠性要高于手工拾取,对信噪比低和到时点不清晰的MS波自动拾取的可靠性较低.     

利用深度学习进行P波到时拾取和初动极性判定

地震震源位置和震源机制解的确定需要精确的P波到时和初动极性信息。由于这些参数的自动化算法的精度比人工识别的要低,因而在处理大数据时是存在一定问题的。本文通过训练卷积神经网络来获取P波到时和初动极性信息,该方法直接对波形记录进行学习,而不是特征提取。我们利用南加州地区1 820万条手动拾取的波形记录,来训练卷积神经网络。1 200万条无关联波形记录的交叉验证显示,自动与人工拾取之间的差异的标准差为0.023s。以人工识别的初动极性做参考,分类器拾取的精度为95%。同时,在不影响质量的前提下,与人工识别相比,分类器拾取的极性数量更多,从而获得的震源机制解数量几乎翻倍。经过训练的卷积神经网络具有很好的精度,这表明它们可以与地震专家一样好,甚至更好。     

STA/LTA—AIC算法对地震P波震相拾取稳定性影响

选取区域地震台网记录的地震波形数据,使用STA/LTA算法与STA/LTA—AIC算法,进行地震P波震相初至到时自动拾取,对地方震及震中距较大的震相进行P波震相拾取效果分析,发现:STA/LTA算法对于地方震P波震相识别精度较高,与STA/LTA—AIC算法拾取的P波震相初至到时相差不大;震中距变大后,STA/LTA算法对P波拾取位置相对于最佳位置向后延迟,STA/LTA—AIC算法有效矫正了STA/LTA算法拾取位置的延迟问题,与人工拾取位置差别可忽略不计。     

白鹤滩水库库区基于深度学习的震相拾取与地震定位

近年来深度学习技术广泛应用于震相拾取与地震定位研究,采用深度神经网络搭建的EQTransformer模型对白鹤滩水库库区34个数字地震台站2016—2018年记录的连续数据进行P、 S波震相拾取,并通过REAL进行震相关联和初步定位,然后使用VELEST和hypoDD地震定位算法优化地震位置。研究表明,基于深度学习的震相拾取,与白鹤滩水库地区传统的人工处理方法相比显示出更高的效率,EQTransformer模型可拾取与人工拾取相当的P、 S波震相到时,其时间差的均值分别为0.03 s和0.07 s,符合正态分布。REAL初步定位后的地震个数(13815个)接近常规目录(7862个)的2倍,最终通过hypoDD获得了7108个高精度定位地震。估算的震级比常规目录中的震级平均低0.27,震级差值集中在0.7以内,最小完备震级由常规目录的M_L1.4更改为M_L0.6+0.27,填补了部分常规目录的震级空白,丰富了研究区域内的中小型地震。     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.     

一种基于改进的U-Net网络的初至自动拾取研究

针对传统的地震波初至拾取方法对低信噪比资料拾取精度较低、算法的鲁棒性较差,以及目前提出的基于深度学习的初至拾取方法制作训练样本耗时耗力、训练样本尺寸太大或网络结构太深导致训练和测试网络模型效率较低等缺点,本文对经典的U-Net网络结构进行了改进,将经典的U-Net网络结构中的跳跃连接改为包含多个卷积块的残差连接,减小了网络结构中融合的两个图像特征的差异,并使用自动拾取的小尺寸训练和测试样本,对本文用于初至拾取的经典U-Net网络模型和改进的U-Net网络模型分别进行了训练和测试.结果 表明,改进的U-Net网络模型的训练准确率更高,初至拾取的精度也更高,尤其对低信噪比地震道初至拾取效果较好.     

深度神经网络拾取地震P和S波到时

从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路.     

兼顾速度和精度的深度神经网络震相拾取

深度神经网络虽然在震相拾取中取得了良好效果,但作为高复杂度的机器学习模型,深度神经网络在取得较高精度的同时需要付出较高的计算代价,而且试验研究表明震相拾取中并不需要过高的模型复杂度。为此,本文根据地震波形的特点设计了四种具有不同复杂度的深度神经网络改进模型,可以综合具体的精度和速度需求从中选取合适的模型。在此基础上,将改进模型与现有四种到时拾取的深度学习网络模型进行了对比,结果表明本文中的网络模型在到时拾取上具有较高的速度和精度。同时,本文的深度神经网络通过使用多种深度学习模型压缩手段可将震相拾取模型的大小压缩到2.0 MB以内,从而使得模型可以在低功耗设备上完成高速震相拾取的同时尽可能地减少精度损失。      

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.     

微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

P波初至到时自动拾取技术研究

基于粘滞性单自由度振动器响应下的能量转换理论,提出利用阻尼能量作为目标函数的P波震相到时拾取方法——SDOF Picker算法。使用该方法对江苏及邻区2010—2016年实际记录的9 607组P波初至进行到时自动拾取测试,以地震编目中人工拾取到时为基准,与利用AIC算法自动抬取的结果进行了系统性对比分析,结果显示:SDOF Picker算法和AIC算法自动拾取P波初至的准确率分别为97.1%、91.8%,中值偏差分别为(0.02±0.61)s、(0.05±0.77)s,方差分别为0.37 s2、0.60 s2,这表明SDOF Picker算法的在准确率和拾取精度方面均优于AIC算法。     

STA/LTA算法拾取微地震事件P波到时对比研究

本文将HZ-MS48微地震采集仪监测的实际数据,利用STA/LTA算法来识别微地震事件P波到时.比较了在不同STA(短时窗平均值)情况下对拾取精度和结果的影响.结果表明:此算法确定信噪比比较高的微地震事件是非常有效的,能精确拾取P波到时.利用5ms、10ms、20ms三种不同的短时窗处理数据,发现对P波拾取的敏感程度不同,短时窗的值越大,拾取P波的敏感性越低,拾取精度降低,触发的阈值应随着短时窗的增加而减小.     

微地震事件初至拾取SLPEA算法

微地震事件初至拾取是微地震数据处理的关键步骤之一.实际微地震监测资料中存在大量低信噪比事件,而传统方法对这些事件的应用效果并不理想.为了克服传统方法抗噪性弱的缺点,本文通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面的存在的差异,设计了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.为了检验本文方法的可行性和有效性,分别对模型数据和实际资料进行了处理,并将处理结果与传统方法及手工拾取的结果进行了对比.分析表明,利用本文方法得到的初至到时与手工拾取结果的绝对误差平均值仅为1.33×10~(-3)s,小于3个采样点;方差为3.21×10~(-6)s~2;初至到时在手工拾取结果±0.005s误差范围内的个数占总数的95.8%.这些参数值均优于传统方法的同类参数,证明了本文方法的可靠性.     

基于改进长短时窗比值及优化变分模态分解的微震初至拾取算法

针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值（STA/LTA）算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解（VMD）算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数（IMF）的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解（EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。      

基于样本增强的卷积神经网络震相拾取方法

为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。      

用振幅变化长短时均值比实现地震预警中P波自动拾取

地震P波到时快速、精确的自动拾取是实现地震预警的第一步。目前所有P波到时自动拾取方法都需要进一步考虑准确度问题,据此提出用"振幅变化"长短时均值比方法拾取P波到时。研究表明引进"振幅变化"作为特征函数比Allen的"振幅变化平方"更能突显地震波初至时刻的"突变"特征。对"振幅变化长短时均值比方法"和Allen的"振幅变化平方长短时均值比方法"进行抗噪音分析表明,在较低信噪比条件下,Allen方法不能准确地拾取P波到时,而新方法依然能较准确地拾取P波到时。在较高信噪比条件下,用两种方法拾取的160个M_S4.0地震P波到时,其误差大都在允许范围内,但新方法拾取的准确度略高。新方法可以看做是对长短时均值比方法的拓展。