初至震相自动识别方法研究与发展趋势

地震波中震相检测、识别是地震学研究的一个基础性和关键性工作环节。初至震相的自动检测可大大提高地震速报的速度,为震后应急赢得宝贵时间。本文对国内外初至震相的自动检测方法的研究现状进行了阐述,对初至震相自动识别的发展趋势进行了展望。     

应用单台垂向记录进行区域地震事件实时检测和直达犘波初动自动识别

提出一种基于直达P波信号和其它背景噪声在能量、非高斯性、非线性和偏振特性的不同而进行区域地震事件实时检测的新方法信噪综合差异特征量方法（简写为EFGLP方法）,同时对比分析了应用信号的不同统计特性来精细识别震相初至的３种有效方法,其中的TOC AIC方法是新提出的．应用山东数字地震波资料处理的结果表明:①与常规的STA/LTA地震事件触发算法相比,EFGLP方法能够有效降低地震事件的错误报警率和漏报率;②与人机交互震相识别结果相比,当信噪比比较低、震相初至比较模糊时,3种震相精细识别方法中的TOC-AIC方法识别精度最高;当信噪比比较高、震相初至比较清晰时,基于VAR-AIC 和TOC-AIC方法所测量得到的震相初至识别基本一致．      

余震自动识别技术研究进展

基于余震识别自动化对地震监测、灾后应急、确定发震构造、分析预报和科学研究的重要意义,总结和分析了余震自动识别技术的现状和未来发展。首先,总结单台震相到时自动拾取方法及其特征函数,包括单特征方法、互相关方法和机器学习方法。其次,分别总结基于震相走时的常规识别方法和基于特征函数的偏移叠加方法。最后,对余震识别技术的未来发展进行分析和展望,认为偏移叠加方法的性能改进将成为未来余震识别的重点发展方向,深度学习方法作为一种新技术,将在包括震相拾取和余震识别在内的地震数据处理领域发挥重要作用。     

机器学习在地震事件自动检测中的应用综述

很多地震学问题的解决都依赖于地震事件的准确检测,随着计算机软硬件的快速发展,机器学习学科发展迅速,其在地震事件自动检测中的应用在过去几十年被广泛研究,不同的机器学习算法被应用于火山喷发、天然地震等事件的自动检测中.本文介绍了自动检测的经典算法和基于相关性的算法,系统概述了机器学习领域内各种算法在地震事件检测中的应用现状,对目前的算法做简要对比分析,最后针对地震事件自动检测领域内存在的问题进行了讨论,探讨了未来的发展方向.     

地震初至震相自动识别方法研究

地震震相识别是地震记录分析的基础性工作,在地震定位、地下结构、以及地震学研究中有广泛应用。使用最常用的长短时窗能量比(STA/LTA)加自回归方法(AIC)的方式,采用两步法进行初至震相识别,并分析特征函数对能量变化的敏感度,该方法识别的初至震相70%以上都早0.5s以内,能够较好的识别初至震相。     

基于机器学习算法的银川台阵资料自动化震相分析和定位

近年来快速发展的机器学习算法显著提高了震相拾取的精度和效率.采用卷积神经网络和递归神经网络的震相识别方法对银川台阵2019年6～7月的连续波形数据进行事件检测和P、S震相拾取,并通过快速震相关联和事件定位得到了银川地区较全的地震目录.结果表明,当震相数小于10时,虽然可以检测出较多事件,但分布呈弥散状,与区域地震活动特...     

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.     

高频GNSS形变波的震相识别：模拟实验与实例分析

高频GNSS震时形变波震相及识别是GNSS地震学的重要内容.在实时数据处理基础上,本文利用振动台的高频GNSS观测实验,并结合近期部分大震的高频GNSS形变波震相特征进行研究.数据处理结果表明,实时处理与事后处理的精度在同一量级,且与采样率无关.通过与同址观测强震仪和地震计记录的对比及特定震相的频谱分析,发现高频GNSS可完整记录P波、S波、Love波及Rayleigh波震相,影响震相记录的主要因素是GNSS定位精度与震级,而仅当震中距很小时,采样率将产生一定影响.研究结果得出：基于地震波传播规律,利用高频GNSS台阵记录的形变波空间分段特征,结合震相运动轨迹及其他地震波记录,可实现实时高频GNSS形变波的震相识别.     

地震地磁观测与研究丛书出版

为了尽早把我国的地震数据库建立起来，更有效地开展地震信息服务工作，促进基础地震学和应用地震学中与国民经济有重大工业关系的一些研究工作的开展，《地震地磁观测与研究》编辑部出版了一套“地震学磁观测与研究丛书”，现已出版六个分册：①现代代震台网观测技术，每册定价5.60元;②计算机高级语言及其在地震学中的应用,定价5.60元③缩微技术及其在地震学中的应用;④地震学中的射线方法;⑤震相与地球内部结构;⑥震级与震源程序参数测定,定价3.75元.     

基于深度学习到时拾取自动构建长宁地震前震目录

将深度学习到时拾取、震相关联技术与传统定位方法联系起来,构建一套连续波形自动化处理与地震目录自动构建流程,对于高效充分利用地震资料,提升微震检测能力具有十分重要的意义.我们应用最新发展的迁移学习震相识别技术、震相自动关联技术,对长宁Ms6.0地震震中附近21个台站震前半个月(6月1日-6月17日)的连续记录波形进行P、...     

查表法设计地震活动模糊预测预警系统

模糊数学方法在地震学研究,特别是在地震预测工作中起到过重要的作用。近年发展起来的模糊查表法是模糊数学中新出现的一种新的模糊系统有效方法,在智能控制、机器学习、序列建模、综合预测中获得了广泛的应用,取得了显著效果。基于此,把该方法引入地震活动趋势预测和预警研究工作中:首先介绍了模糊查表法的方法与原理,然后基于该方法和由最大震级序列形成的多维样本建立了华北地区及主要地震活动带最大震级时间序列的趋势预测和预警模型,并对获得的模型进行了内符检验,最后对建模方法和计算结果进行了详细讨论。综合分析认为,该方法原理简单直观,计算结果稳健,建模与预测精度较高,外推泛化能力较强,可以作为地震趋势预测和预警的一种有效方法。     

基于多源数据的机器学习在地震预测中的研究进展

近年来,机器学习的快速发展在计算机视觉、自然语言处理和数据挖掘等领域取得前所未有的成绩。地震研究学科众多,包括地震学、大地测量学、地球化学、地球电磁学和地质学等,研究产生的多源、复杂、海量数据高度符合机器学习对于训练数据的要求,因此许多学者将机器学习方法引入到地震预测中。本文基于机器学习背景、地震预测应用流程和评价方法等方面,回顾了近年来基于机器学习方法,利用不同学科数据进行地震预测的应用概况和主要进展,并对机器学习在地震预测中的应用进行总结和讨论。     

天津滨海爆炸事件检测与相对定位研究

2015年8月12日发生在天津滨海新区的化学品爆炸事故造成了严重的人员伤亡和财产损失。 基于区域地震台网记录的数字化连续地震波形资料, 对爆炸发生过程的精细分析是深入调查爆炸事故发生原因、 快速估计事故所造成灾害与损失的重要手段之一。 本文首先利用震相到时和质点运动轨迹信息对记录波形中能量较强的震相性质进行分析, 再通过模板匹配算法检测爆炸过程中是否存在两次大爆炸以外的小爆炸事件, 并对检测方法的效能进行检验, 最后依据波形互相关得到的震相到时差估计两次较大爆炸的相对位置。 计算结果显示区域台网记录波形中能量最大的体波震相可能为沿沉积层顶部传播的Pg震相, 垂直向能量最强的面波震相为Rg震相, 而能量较弱的初至震相可能为结晶基底首波; 爆炸过程中除了两次能量较大的爆炸以外还能检测到两次较小的爆炸事件, 其当量相当于约M_L0.5的地震; 基于两次大爆炸Pg震相相对到时信息得到第二次大爆炸发生在第一次大爆炸的北西侧, 两次爆炸位置距离约50~55 m。 本文研究结果为爆炸事故的调查分析提供了地震学依据。     

走向21世纪的实用地震学

实用地震学包括地震勘探、深部地震测深、工程地基与质量勘查以及浅部地质灾害预测等，在国民经济各方面起着重要作用，特别是在我国油气资源勘探与开发中起着并将继续起着不可替代的作用．在即将迈向２１世纪的今天，我们探讨一下实用地震学未来发展的道路是很必要的．实用地震学在２１世纪仍将在地学研究和国家建设中发挥它应有的作用，而且对它的要求也将越来越高，因而它在理论和应用方面都有诸多疑难问题要研究．本文就其发展现状、未来的理论研究和新技术的应用问题做些探讨．     

基于深度学习网络的地震地质灾害识别研究

遥感影像识别方法是破坏性地震震后地质灾害快速、准确获取的重要方法之一,传统的遥感影像识别方法主要以人工目视识别方法和半自动识别方法为主,需投入大量的人力和时间。针对破坏性地震震后地质灾害解译时间长、投入人力多等问题,以2017年8月8日四川九寨沟7.0级地震震后高分辨率无人机遥感影像为研究样本,提出基于深度学习网络的地震地质灾害识别方法。首先结合震后遥感影像解译资料和现场调查资料,提取九寨沟地震地质灾害无人机遥感影像特征,并构建研究区地震地质灾害解译指标和分类数据集;然后采用DeepLabv3+网络结构及softmax损失函数,建立基于深度学习网络的地震地质灾害遥感影像图像语义分割模型方法;最后采用半监督学习方法进行结果验证。研究结果表明,基于深度学习网络的地震地质灾害识别方法可有效识别九寨沟地震地质灾害分布信息,整体分类识别准确率为94.22%,F₁分数值为0.77,结果具有较好的一致性和准确性,可提升地震现场灾情获取和重点地震隐患识别等工作效率及服务能力。     

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。      

深度学习在地震定位中的应用综述

近年来,深度学习的发展给科研人员开辟了地震定位研究的新思路,科研人员将深度学习技术应用于地震定位并取得了较好的效果。文章首先介绍根据神经网络的编码与解码对深度神经网络的分类,然后对深度学习的基本流程进行总结,最后对深度学习中广泛应用于地震定位的方法进行综述,总结不同方法的特点和实际应用情况。结果表明：深度学习方法能够实现地震事件的自动定位,且定位的精度较高,缩短了地震定位所需时间,在处理地震大数据方面也具有明显优势,能够克服目前传统地球物理方法在地震定位方面的一些不足之处。相信随着深度学习技术的进一步发展,必将更为广泛地应用于地震定位研究中。