基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

BP神经网络在地震噪声波形检测中的应用

为实现自动检测地震噪声波形是否异常,提出应用BP神经网络技术进行地震噪声波形检测.选取福建地震台网88个测震台站2018-2019年的地震噪声原始波形,计算波形的加速度功率谱密度(PSD)值作为神经网络的输入特征值,在MATLAB中构建BP神经网络进行学习训练和仿真测试.测试验证了训练后的BP神经网络模型具备了可靠的地震噪声波形是否异常的检测能力.应用BP神经网络检测地震噪声波形免去了人工判断的工作,实现全自动处理,提高了检测效率,为今后地震噪声波形质量自动监控提供了新的技术方法.     

北京房山岩体附近随采矿活动增强的背景地震活动和动态触发事件研究

北京西部房山岩体多次发现动态触发事件,但之前的研究都受限于台站分布稀疏的影响。本文系统地分析了2011年3月11日日本东北近海MW9.1地震和2012年4月14日印度洋MW8.6地震之前和之后各40天内固定台站和流动台站记录的连续波形。首先,本文采用短时平均比长时平均的检测方法构建模板数据库;其次,本文运用波形模板匹配滤波技术对连续波形进行互相关来检测地震事件。最后,本文分别检测得到日本东北近海地震主震后和印度洋地震主震后1 956个和950个地震事件。多数检测到的地震属于浅源(5km)地震并群集出现在北京西部房山岩体北岭向斜构造,这个地区邻近一个正在运行的煤矿。从两次主震的强振幅面波中分别检测出7个和10个地震事件,但对应的强前震和余震波形中则没有检测到类似的多事件爆发模式。多种统计检验表明两次主震后短时爆发事件是动态触发事件。本文认为采矿相关的活动可能扰动了地下应力环境,从而使该地区比其他地区更容易被动态应力触发。     

较大地震破裂尺度的一种简单估算

通过对各向同性均匀介质中两个点源的波形传播的几何性质的分析，提出对较大地震的破裂尺度的估计，可以采用多个子事件的模拟，根据接收台站得到的子事件的视时间差的分布特征，判断震源的实际破裂方向和破裂尺度，甚至仅仅根据宽频带Ｐ波（组）的波形宽度就可进行近似的估算。     

地震自动速报综合触发系统产出结果评估

收集2015年1月—2020年8月地震自动速报综合触发系统的全部产出结果,选取国内天然地震事件结果共计1863条,与正式速报目录结果进行对比研究。研究结果显示,自动速报系统所产出的地震参数较正式速报目录发震时刻平均偏差约2s,震中位置平均偏差约8km,震源深度平均偏差约9km,震级绝对平均偏差约0.25,偏差均值为自动速报结果较正式速报结果偏大约0.1。到达产出震级标准的漏报地震事件176个,其主要原因为区域台站稀疏、台站分布不均匀、大震或前震尾波干扰等,未发生误报事件。发震时刻、震中位置和震源深度偏差较大事件的分布与漏报事件类似,多发生于台站密度较低、台站分布不均匀和速度模型与实际差异较大的地区。震级偏差主要与地震事件震级大小和震中所在位置有关,对于3.0≤M<5.0的地震事件,产出震级最为稳定,而对于M≥6.0的地震,震级结果可靠性较低;此外,震级偏差的大小与区域分布并无明显关系,但偏差方向具有区域特征。通过对自动速报系统运行情况的统计分析,提出了关于自动速报系统改进与完善的建议,有助于提高自动速报系统的应用效果。     

2013年甘肃岷县-漳县MS6.6地震余震 序列目录完备性研究 基于对单台记录地震事件震中与震级的估计

中强地震余震序列地震目录编目是否完备、 震源参数是否准确,直接影响余震序列特征分析、 震后趋势快速判断和强余震预测等研究结果的科学性和可靠性. 2013年7月22日甘肃岷县-漳县M_S6.6地震余震序列目录中存在较多单台记录地震事件,地震观测报告仅给出其震级,而未给出震中位置. 由于余震波形间的相互交叠干扰,使得余震最大振幅的测量误差较大,造成地震观测报告给出的单台事件震级误差较大. 精确估计单台记录地震事件的震中和震级,能够补充完善现有地震目录,提高地震目录的完备性. 本文对单台记录地震事件震中和震级的估计不仅限于单个台站,而是通过分析区域台网中多个台站的波形记录实现. 首先以余震序列中震级较大、 波形记录信噪比较高的地震波形作为模板,使用波形互相关震相检测技术,检测单台记录的地震事件在多个台站的震相到时. 如果能在4个以上台站检测到震相,则利用测震台网常用的HYPOSAT方法估计其震中位置,并利用多个台站记录波形与模板地震的振幅比估计其震级. 之后计算主震发生后不同时间的最小完备性震级,并通过线性拟合得到最小完备性震级随时间变化的表达式,以分析此地震余震序列的目录完备性. 经过计算共得到253个单台记录地震事件的震级和其中177个事件的震中位置,其震中空间分布范围与余震序列中其它地震分布范围基本一致. 震级复测以及与人工拾取震相到时误差对比表明,该方法所得震相检测和震级估计结果具有较好的可靠性. 主震及最大余震发生后的短时间内,有较多数量单台事件的目录所给出的震级偏低,分析认为可能受主震与较大余震后续震相以及余震间相互干扰所致. 主震发生0.02—0.3天内,其余震序列最小完备性震级随时间的对数呈线性下降,在0.3天后最小完备性震级稳定在M_L1.1左右.      

CDSN台站的大震报警软件

实时监视地震波形和大震报警结合在一起,可以有效地提高工作效率。通过软件实时监视地震事件,台站分析人员既可以真实地看到高灵敏度的地震波形,又可以根据需要压缩放大波形,也可以做任意频段选择和滤波处理,保证了波形连续。对于大地震实施软件报警,使得台站可以根据本台的背景噪声,适当地选择报警幅度,既可避免过多的小震报警,又可以减少盲目、频繁地操作调用查看波形。适合台站工作,为台站人员提供了方便。     

台网系统监视平台

广东数字遥测地震台网的台网系统监视平台,是为监视台网中心的运行和台站仪器状况而设计的,通过网络对实时地震数据收集、处理系统运行和台站状态进行图形化自动监视,当发生地震事件、断记或系统故障时该平台能自动报警。实践表明,它既减轻了监测值班人员的工作负担,又为仪器维修人员跟踪台站仪器故障提供了帮助。     

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.     

准实时中小地震震源机制波形自动反演系统的构建及在首都圈地区的应用

基于Cut And Paste(CAP)全波形拟合反演震源机制解方法, 依托中国地震局地震预测研究所准实时地震波形数据服务系统, 通过接收区域实时连续波形数据, 构建了首都圈地区准实时准自动波形反演系统, 使系统实现当地震大于3.5级时, 可自动、 迅速反演得到震源机制解。 同时考虑到一些台站的地震波形质量或信噪比等因素, 系统也可通过人为干预方式重新反演求得相关结果。 文中详细阐述了震源机制解波形反演系统的运行流程及该系统的基本构建思路, 并对实例进行对比分析, 表明该系统具有较好的实用性。     

国家地震台数据断记统计及批量补数自动处理

在VS2015开发环境下,使用C#语言编写国家地震台断记统计和批量补数自动处理程序,实现数据中断统计查询、数据采集器波形数据文件下载和上传波形数据文件至远程服务器的自动化。该自动处理程序在部分地震台使用以来,运行良好,数据完整率、连续率得到保障。     

2022年1月8日青海门源MS6.9地震余震序列自动处理结果探讨

使用2022年1月8日青海门源M_S6.9地震前3天及后7天甘肃地震台网固定台站和邻省共享台站记录到的连续波形数据,利用RISP系统自动检测余震序列,并将检测结果与人工编目结果进行对比分析.结果表明:自动编目与人工编目定位结果基本一致,震中位置差(3.9±1.51)km,震级差值M_L(0.17±0.22);自动编目结果的发震时刻普遍略早于人工目录,但两种目录中大部分余震发生时刻的差值在2s内.自动编目产出速度快,且能检测人工无法识别的微小余震,提高了目录完备性.综合来看,自动编目系统产出结果符合预期目标,可为震群趋势判断、破裂过程快速反演等相关科学研究提供数据支撑.     

一个紧密结构地震台网中心核心数据处理系统

介绍一个基于UNIX类操作系统的紧密结构地震台网中心核心数据处理系统。 该系统适用于复杂结构的数字地震台网中心, 支持以比较低的成本, 可靠地完成地震台网中心的核心任务, 可以接收来自串口和网络的实时地震波形数据, 支持虚拟数字地震台网组网要求的节点数据服务功能等。 该系统的数据服务协议具有实时性高、 通讯可靠、 适应范围广等特点, 可以满足包括地震预警在内的所有实时地震数据应用的需要。 系统结构紧凑, 自动化程度高, 安全, 稳定, 系统伸缩性大, 可以满足台站数目不大于100个的数字地震台网中心的需要, 同时也可以作为大型数字地震台网中心的处理节点, 构成大型数字地震台网中心的数据处理系统。     

逐步波形反演方法及应用

本文针对天然地震波形反演面临的困难及其复杂性，提出了逐步波形反演方法，第一步，运用波形反演中的试错法，求得地震台站下方成层介质的初步结构；第地一步，以第一步结果为初值，令各层厚度不变，反演速度；第三步，以第二步结果为初值，令速度不变，反演厚度。以上各步还可交替进行，直至得到满意结果。     

利用重复地震观测重庆武隆地区地壳介质变化

选取重庆数字地震台网记录的武隆地区107次M_L≥1.5地震波形和观测报告资料,采用波形互相关技术进行相关计算,识别出12组同时被3个地震台站记录且各台波形互相关系数不小于0.8的重复地震。利用射线追踪方法,对武隆地区重复地震位置做归一化处理,得到所选台站记录地震P波走时差变化,结果显示:在2017年武隆M_S5.0地震前4年,武隆、仙女山、涪陵地震台记录到P波走时差均存在长期的负异常变化,持续时间长达339天,共出现18次负值,表明该时段地壳介质速度有明显升高现象。      

利用地震背景噪声互相关检测流动地震台波形时钟漂移

时钟精度是地震观测中最重要的参数之一, 需要通过卫星授时信号来保障。 当卫星信号被屏蔽或仪器守时部件出现问题时, 地震计内部时钟会逐渐漂移, 给后续数据处理带来极大困扰。 利用地震背景噪声台站对互相关提取的经验格林函数, 不仅可以用于结构成像, 也可以用于检测波形时钟是否存在漂移, 并获得时钟漂移幅度。 使用地震背景噪声互相关方法对2017—2019年云南永胜地区4个流动观测台站的连续波形进行了时钟漂移检测, 结果发现部分流动台站在不同时间段存在不同模式的时钟漂移, 最大幅度可达到1.75 s。 同时, 利用云南宾川气枪重复震源激发的信号进行互相关计算, 对上述结果进行了验证, 发现两种结果具有较好的一致性。 研究表明, 背景噪声互相关对波形的时钟漂移有较高的灵敏度, 能够有效检测出时钟问题, 防止波形被误用, 可为后续波形时钟校正提供参考信息。     

利用重复地震观测重庆巫山地区地壳介质变化

利用波形互相关技术,对重庆数字地震台网记录的巫山地区90次地震波形资料进行相关计算,识别出24对同时被2个地震台站记录且各台波形互相关系数不小于0.8的重复地震对;利用射线追踪方法,对巫山地区重复地震位置做归一化处理,得到所选台站记录地震P波走时差变化,结果显示,在2013年重庆巫山M_L 3.7地震前,建坪、双龙、荆竹地震台记录到该地区短期地壳介质速度有明显升高现象。     

A Machine Learning Approach for Improving the Detection Capabilities at 3C Seismic Stations

We apply and evaluate a recent machine learning method for the automatic classification of seismic waveforms. The method relies on Dynamic Bayesian Networks (DBN) and supervised learning to improve the detection capabilities at 3C seismic stations. A time-frequency decomposition provides the basis for the required signal characteristics we need in order to derive the features defining typical “signal” and “noise” patterns. Each pattern class is modeled by a DBN, specifying the interrelationships of the derived features in the time-frequency plane. Subsequently, the models are trained using previously labeled segments of seismic data. The DBN models can now be compared against in order to determine the likelihood of new incoming seismic waveform segments to be either signal or noise. As the noise characteristics of seismic stations varies smoothly in time (seasonal variation as well as anthropogenic influence), we accommodate in our approach for a continuous adaptation of the DBN model that is associated with the noise class. Given the difficulty for obtaining a golden standard for real data (ground truth) the proof of concept and evaluation is shown by conducting experiments based on 3C seismic data from the International Monitoring Stations, BOSA and LPAZ.     

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.