东祁连山北缘断裂带基于深度学习的密集台阵地震事件快速检测与定位研究

为监测东祁连山北缘断裂带附近的地震活动性,布设包含240台短周期地震仪的面状密集台阵,进行约30 d的连续观测。首先使用基于深度学习的多台站地震事件检测算法（CNNDetector）进行地震事件检测,然后使用震相拾取网络（PhaseNet）对地震事件进行P波和S波到时拾取,其次使用震相关联算法（REAL）进行震相关联及初定位,最后使用双差定位（hypoDD）进行地震重定位,最终的精定位地震目录中共有517个地震。在密集台阵观测期间,中国地震台网正式地震目录中共有39个位于台阵内的地震事件,相比而言,密集台阵检测到大量小于0级的地震。因此通过布设密集台阵,可提高活动断裂微地震活动性的监测能力。与历史地震空间分布相比,密集台阵地震精定位分布具有较好的一致性,表现出更明显的线性分布特征。基于地震分布,发现研究区域存在与地表断层迹线走向不同的隐伏活跃断裂。     

地震检测与震相自动拾取研究

针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度.      

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.     

流动地震台阵观测初至震相的自动检测

震相到时的自动精确检测对实现海量波形数据自动处理有重要意义. 针对流动地震台阵观测，本文综合利用单台Akaike信息准则（AIC）和多台最小二乘互相关方法，发展了震相自动精确检测技术. 检测结果表明，在长短时平均比值方法（STA/LTA）检测地震事件的基础上，利用单台AIC方法，近震初至震相检测精度小于0.3 s；利用多台最小二乘互相关方法，能够可靠地检测高信噪比地震的初至震相到时，当信噪比较低时，能够有效地避免初至震相的错误判别.      

基于支持向量机的地震体波震相自动识别及到时自动拾取

面对海量地震资料,自动准确地拾取震相并确定其到时的需求非常迫切.基于支持向量机技术,本文提出了使用两个分类器SSD和SPS自动识别地震体波震相并自动拾取其到时的方法.相比于传统的自动拾取方法,本文方法能够更准确地识别震相并区分P波和S波.进一步地,我们提出了利用台阵资料辅助识别震相的方案,有效地提高了地震震相拾取的准确率.     

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。      

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。     

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.     

P波自动识别算法及其在四川地震台网中的应用

采用了三种P波自动识别算法对四川地区单台记录的单个地震事件和连续波形进行了测试,结果表明:(1)STA/LTA算法简单高效,无论单个地震事件还是连续波形都能对P波到时有较好的识别效果,但需要挑选时窗长度及阈值以权衡虚报率和漏报率;(2)MER和AIC算法对单个地震P波到时识别精度高,但无法从连续波形中识别单个地震事件;(3)无论哪种方法都无法做到不经过任何其他处理而直接从单一算法中获得准确的S波到时数据;(4)利用多台P波震相的自动识别数据,完全可以实现地震的自动定位。     

峰度和AIC方法在区域地震事件和直达P波初动自动识别方面的应用

提出了一种基于直达P波信号的峰度和Kurtosis-AIC方法进行区域地震事件实时检测和直达P波初动精细识别的新方法,并应用于山东地震台网记录的地震波资料处理.结果表明:(1)应用峰度方法能够有效识别出地震事件,可有效减低地震事件的错误报警率和漏报率;(2)与人工识别震相到时的结果相比,根据Kurtosis-AIC震相自动识别方法得到的震相到时的平均绝对值误差为(0.09±0.08)s。     

基于最大顺序统计量的P波初动极性自动读取方法的小震震源机制反演及在云南小江地区的应用研究

地震P波震相到时与初动极性的精确读取是地震资料分析处理的重要步骤之一.本研究采用了一种新的高精度自动确定地震波P波震相到时与初动极性的概率分布的方法(POI方法,后同),在此基础上研究开发了一套自动化小震震源机制解的反演流程,并将其应用在云南小江断裂带周边区域的小震震源机制和构造应力场反演中.得到的震源机制与应力场反演结果与前人的研究一致,且与区域GPS观测结果和构造背景吻合度较好,显示该方法具有良好的应用前景,为高效分析密集台阵地震观测资料,开展小震震源参数测量与区域应力场反演提供了新的研究思路和技术手段.     

基于最大顺序统计量的P波初动极性自动读取方法的小震震源机制反演及在云南小江地区的应用研究

地震P波震相到时与初动极性的精确读取是地震资料分析处理的重要步骤之一.本研究采用了一种新的高精度自动确定地震波P波震相到时与初动极性的概率分布的方法(POI方法,后同),在此基础上研究开发了一套自动化小震震源机制解的反演流程,并将其应用在云南小江断裂带周边区域的小震震源机制和构造应力场反演中.得到的震源机制与应力场反演结果与前人的研究一致,且与区域GPS观测结果和构造背景吻合度较好,显示该方法具有良好的应用前景,为高效分析密集台阵地震观测资料,开展小震震源参数测量与区域应力场反演提供了新的研究思路和技术手段.     

基于深度学习震相拾取和密集台阵数据构建青海玛多Ms7.4地震震源区高分辨率地震目录

高分辨率地震目录有助于描绘断层的精细结构和认识发震断裂的构造形态及发震机制.基于玛多地震科考布设的短周期台阵数据,本文利用深度学习自动拾取P/S波震相、震相关联、绝对定位、相对定位等定位流程,构建了玛多Ms7.4地震后第14天至第43天的高分辨率地震目录,揭示了玛多震源区主震西侧以及主震向东20 km区域范围内的地震序...     

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。     

基于U-Net的井中多道联合微地震震相识别和初至拾取方法

微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法(MT-Net).方法采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U-Net的单道方法(ST-Net)相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道发生严重的初至拾取结果偏差及P、S震相误拾等情况.本文方法的识别与拾取结果整体上达到了与多道互相关法接近的水平,可满足微地震监测资料处理中实时性和准确性的要求.     

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.     

联合小波变换与偏振分析自动拾取微地震P波到时

对微地震P波到时的自动拾取是微地震信号分析和数据处理的主要目标之一。基于小波变换的多尺度分析思想,对微地震信号进行小波处理后的小波系数代替原始信号,应用包含在小波变换系数中的信号偏振信息,提出了联合小波变换与偏振分析自动拾取微地震信号P波到时的方法。通过对嘉阳煤矿监测的实际微地震数据进行小波变换,用多尺度小波分解的各个尺度单支重构信号构成协方差矩阵,求解不同尺度协方差矩阵的最大特征值和次大特征值求取P波到时定位函数,实现P波到时的自动拾取,取得了满意的结果.     

区域地震信号自动识别方法及应用(英文)

地震信号的实时、自动、准确识别对于地震自动速报和地震预警十分重要。仿真信号试验分析表明,观测数据的四阶统计量函数(BKCF)对信号与噪声在能量和(或)频率方面的微弱差异变化具有较高的分辨能力。以此为基础,本文提出了一种新的自动探测区域地震事件的方法和测定直达波震相到时的BKCF-AIC方法。为了进一步提高波震相到时测定的精度,本文首先对指定时段的P-波记录进行偏振特性分析,其次对含有P波的S波记录进行偏振滤波处理,再次应用上述方法测定震相到时。与传统算法相比,基于山东测震台网记录的区域地震震例分析结果表明,使用本文提出的方法能够大幅度降低地震事件误检、漏检率,进一步提高了震相识别精度。     

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.     

一种基于模板匹配的震相关联和提取技术及其初步应用

本文提出一套有别于常规模板匹配算法的流程,不仅能够提供被识别地震的时间、空间、强度信息,还可根据震相关联提取每个地震对应的震相到时资料供后续研究使用。该流程基本原理为:地震事件发生会使得震相记录在时间上趋于丛集,因此可利用密度聚类方法对震相信息进行提取。具体实现步骤为:(1)对采用相同降采样和滤波处理的模板事件和连续波形进行互相关系数计算,挑选相关性超过阈值的到时信息形成离散时间序列;(2)对整个序列进行DBSCAN聚类分析并对每个聚类簇开展自洽性检验,获取单个地震的震相关联,进而提取震相到时;(3)通过去重复事件、震级测算与定位获得最终的结果。将该方法应用到龙门山断裂带南段地震空区,结果显示,2013年5月至2016年12月,35个模板共获得了93个确切的地震信息,是所使用模板的2.65倍,包含390条P波震相以及791条S波震相。绝大部分模板并没有识别出自身的重复/相似地震,而被识别出的地震是由少量模板匹配成功的,主要分布于双河和安顺附近。精定位结果显示,双石-大川断裂倾向NW,同时在安顺以西可能存在某条不知名的、浅部直立、深部倾向NW的"铲状"断裂,震源深度与芦山地震序列类似,存在自SW至NE变深的现象,可能反映了龙门山断裂带南段不同段落具有类似的构造特征。测试结果表明,本文设计的流程可提供包括震源参数和每个地震震相到时信息在内的完整震相报告,在模板识别领域可作为一套计算机自主处理的可行方案。