基于小波包分形和神经网络的地震与岩溶塌陷识别

本文以近年来广西地震台网中心记录的天然地震和岩溶塌陷为例,尝试利用基于小波包的分形和径向基函数神经网络技术对这两类事件的波形进行识别,以期有效地识别地震与岩溶塌陷。结果表明,基于小波包分形与神经网络相结合的事件识别方法对天然地震和岩溶塌陷事件的识别率高达89.5%,可作为识别天然地震与岩溶塌陷的一个有效方法。      

爆破、塌陷识别研究进展综述

简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。     

基于支持向量机的地震事件类型自动识别及应用

天然地震与非天然地震自动识别是地震自动编目系统的重要功能之一,是监测数据产出智能化的基础应用.从福建天然地震和人工爆破事件中,提取小波分析特征、P/S震相振幅比、波形能量分布特征,对以上特征组合联合支持向量机进行大批量数据测试分析,研究得出识别效果较好的事件类型判别算法,最优测试识别率为94.5％;采用最优算法研发基于支持向量机事件类型自动识别模块,将研制的自动识别软件模块应用于福建台网的日常地震编目工作,对2019年8月1日至2020年2月29日共计1531个日常触发事件进行准实时分类,自动识别软件模块分类的正确率为93.9％.另外,采用AMQ消息中间件为信息中介,从redis波形共享内存中获取事件波形,实现自动识别模块与自动编目系统对接.     

地震和爆破事件源波形信号的卷积神经网络分类研究

本文首先从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形.在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.每一个事件有107个观测台站,故有107份垂直分量波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份不等.然后提取被留下未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究.     

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块。以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的Alex Net、VGG16、VGG19、Goog Le Net 4种卷积神经网络结构进行学习训练,结果显示各类卷积神经网络结构对训练集与测试集的识别准确率均达93%以上,且各个网络在训练过程中的训练集与测试集的准确率及代价函数的走势曲线基本一致。其中,Alex Net网络结构的识别准确率最高,测试集为98.51%,且未发生过拟合现象; VGG16、VGG19网络结构的准确率次之;Goog Le Net网络结构的识别准确率相对较低。为检验深度学习卷积神经网络在数字地震台网实时运行过程中的事件判别效能,选取训练好的Alex Net卷积神经网络开展基于单个事件多个台站波形记录的事件类型判定检验。最终结果显示,在山东台网实时触发的110个M≥0.7事件中,共有89个事件的类型被准确识别,准确率约为80.9%。具体到各个类型事件中,天然地震的准确率约为74.6%;爆破的准确率约为90.9%;塌陷事件的准确率为100%。若删除其中由于波形失真而造成的类型识别错误事件,则天然地震的识别准确率将提高至91.4%,而所有事件的整体识别准确率也将由80.9%提高至91.7%,与目前地震台网日常工作中人工判定的识别准确率基本相当。这表明,深度学习技术可以快速高效地实现天然地震与爆破、塌陷的事件类型识别。     

用逐步代价最小决策法识别地震与爆破

在动态时间规整法的基础上, 建立了逐步代价最小决策法(SAMC). 该方法中的代价函数可以很好地反映特征归属, 对较差的特征具有一定的“容忍度”、 稳定性好, 还可用全程代价函数评判识别结果的可信度. 用SAMC方法对北京及其周边地区33次地震和29次爆破中提取的5个分类特征量进行识别, 识别率为90%; 从该5个特征量中选择较好的3个特征量进行识别, 识别率为92%; 在上述地区另选13次事件作为检验样本进行U检验, 5个分类特征量和3个分类特征量的识别率分别为92%和100%, 识别效果很好. 这表明SAMC是识别地震与爆破的有效方法.      

基于经验模态分解的地震波特征提取的研究

本文原始数据为35个天然地震和27个人工爆破事件的离震中最近的5个台站的垂直分量波形数据.从原始波形数据分别提取最大振幅对应的周期、倒谱的方差、自相关函数的最大值3个特征.依据希尔伯特黄变换原理,用经验模态分解方法把原始波形信号分解为10个左右的本征模态函数分量后,再从每个分量中分别提取这3个特征.接着对所获取的特征样本集合采用随机划分法分为学习样本集与检验样本集,然后再通过支持向量机进行分类识别,如此反复进行多次样本划分和分类识别.结果表明经验模态分解后的分量信号提取的这3个特征具有更高的识别率,说明了经验模态分解有利于识别天然地震和人工爆破事件,值得进一步深入研究.     

昭通巡龙强夯土非天然地震记录特征及识别研究

通过分析昭通巡龙2022年11月—2023年5月多次重型地面平整机施工和小震级天然地震事件的记录特征及差异后认为：昭通巡龙强夯土事件的P波初动向下、持续时间短、衰减快、P波与S波最大振幅小于天然地震,强夯土事件波形记录的频谱特征与天然地震差异较大,天然地震P波与S波震相明显,强夯土事件震相不明显。可以利用Pg/Sg谱比、交叉Pg/Sg谱比实现强夯土非天然地震和天然地震事件的分类识别。分类结果表明：当频率大于5 Hz时,Pg/Sg谱比判据基本实现天然地震和强夯土事件分类;交叉Pg/Sg谱比判据对应的分类识别正确率为天然地震事件91.3%,强夯土事件90.7%。交叉Pg/Sg谱比判据比单一频带谱比判据能更好地反映天然地震和强夯土事件的特征差异。     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

兰州市红古区非天然地震记录特征分析

选取2010年1月至2020年8月期间甘肃区域测震台网记录的兰州市周边地区三分向宽频带数字波形资料,采用震中位置空间分布、波形特征及傅里叶频谱特征对比等多种方法相结合,分析兰州市红古区非天然地震活动的特性。结果显示:该区临近测震台记录的大量地震事件波形特征和傅里叶频谱特征与其他区域地震存在显著差异,符合非天然地震的典型震相特征,且空间分布密集、震级较大,初步分析与该区矿产资源开发活动密切相关。对红古区非天然地震特征的研究有助于台网工作人员快速、准确的判别兰州周边地震类型,同时对兰州市地震灾害风险评估与防治也具有积极的参考价值。     

基于广义S变换的地震与爆炸识别

为了进一步增强区域台网针对天然地震与人工爆炸事件的识别能力,本文利用广义S变换方法,围绕河北省三河采石场爆破以及周边发生的天然地震波形记录展开研究,总结了地震与爆炸在时频谱中的差异性。研究表明,受震源机制影响,天然地震时频谱图的频带范围更宽广,能量团分布也较人工爆炸更为复杂。为了消除震中距的影响,本文将求解的时频谱保存为规格相等的灰度图像,通过滑动窗口计算图像的灰度一致性得到新的识别判据?谱图二阶矩。对三河地区已知地震和爆炸事件的测试表明,谱图二阶矩对单台波形记录的识别率可达91%,多台求取平均值之后的识别率超过98%,因此该判据具有良好的应用前景。      

内蒙古地区非天然地震的特征与识别

基于2014年以来内蒙古测震台网观测报告,对所记录的非天然地震事件进行统计分析。提出了区分天然地震与非天然地震的一般方法。从地震事件的三要素、波形、频谱等方面对比分析内蒙古地区非天然地震与天然地震间的差异发现,内蒙古地区非天然地震具有发震时刻与发震位置较固定与集中、震级M_L<3.5、面波较发育、能量衰减较快、优势频率主要集中在1—6 Hz等特征。并通过对比内蒙古不同地区典型震例,进一步总结出内蒙古地区非天然地震的地方性特征。研究结果有利于提高内蒙古地区非天然地震的识别能力,可为今后开展该区非天然地震自动识别研究提供基础资料。     

甘肃平凉地区地震活动特征及其发震机理研究

针对2001年以来甘肃省平凉地区中小地震活动增强现象比较突出问题,通过遗传算法重新定位地震深度,利用矩张量反演方法反演震源机制解,并根据平凉地区地震时空分布特征、震相特征以及区域地质构造环境,认为平凉地区地震主要为煤矿诱发地震,可能发震机理为煤体压缩、顶底板拉伸、断层矿震等.     

浙江临安地震台阵勘选测试与背景噪声水平分析

在大中城市周边建设地震台阵,可解决城市内地震监测台站建设不便和背景噪声高等问题,增强人口密集区的地震监测能力。杭州湾地区沉积层较厚,建设基岩地震台站不够现实,为适应长三角区域的一体化发展,增强该区地震和非天然地震的监测能力,在浙江临安建设地震台阵。使用GL-PS60一体化宽频带地震计进行测点勘选工作,利用Welch平均周期法,对9个子台进行背景噪声功率谱估计。结果发现,背景噪声功率谱相关性较好,且与全球噪声模型一致性较好。在台阵勘选过程中,于2017年4月12日和13日分别记录到临安4.2级地震及菲律宾远震事件,波形清晰,表明初选台址效果较好,符合地震台阵建设要求。     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。     

BBVS-120型甚宽频带数字地震计典型地震波形记录特征

对太原基准地震台BBVS-120型甚宽频带地震计记录的不同震中距及不同类型天然地震和非天然地震波形进行分析和对比,结果表明,该地震计能够清晰记录近震、远震、极远震及爆破、塌陷等震相,对各类地震具有较好的监测能力,基本实现全频带观测,可为获得丰富的震相资料并提升地震台监测能力及速报质量,提供技术保障。     

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法.通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集.使用灰狼算法优化支持向量机径向基核函数 RBF中的惩罚系数和核函数半径形成新的 GWO-SVM 分类器,然后对事件进行辨识.结果表明:GWO-SVM 分类器辨识效果明显优于 SVM、RobustBoost集成学习、LDA、PLDA 等分类器,其在1000次循环识别实验下的准确率均值相对 SVM 提高了9．2个百分点,标准差降低了3．2以上;t检验证明 MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与 MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据.     

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。