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。     

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。      

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.     

卷积神经网络快速挑选接收函数

地震三分量波形数据中提取的接收函数受震源复杂性及随机噪声等因素的影响,往往出现一些波形异常现象,需要在资料解释前予以剔除.当接收函数数量较多时,人为挑选质量合格的接收函数将耗费大量的时间.为了高效的挑选高质量的接收函数,本文利用深度学习卷积神经网络(Convolutional Neural Network,简称CNN)方法来对接收函数的质量进行判断.我们使用华北地区和阿巴嘎地区地震观测台站接收的9833个不同的地震事件建立训练集,并用1521个新的地震事件作为检测数据集,得到的训练集的准确率和召回率均达到99%以上,测试集的准确率和召回率分别达到95.3%和92.4%.我们还使用了训练集和测试集以外的数据进行验证,并对比了不同CNN评估结果所对应的波形图,实验证明评估结果与实际的接收函数波形对应良好.此外,对于某些台站的接收函数,可能存在如下问题:波形虽然具有很好的一致性,但由于不符合常规意义下质量好的标准导致CNN无法识别.为解决该问题,本文首先对一定方位角和震中距范围内的接收函数相互求取二范数,再对二范数较低的结果进行统计,并与CNN的挑选结果进行对比,挑选出合格的数据.     

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.     

基于卷积神经网络的地震震级快速估算方法

地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息（v_S30）作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统P_d方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。      

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, 与区域地震活动特征不符。 进一步对震相数≥10的事件进行了人工复核。 总体而言, 随着震相数量的增加, 事件的误检率逐步降低。 震相数16是该地区自动检测和定位结果准确性的拐点。 当震相数≥20时, 全部召回了地震目录中的13个地震事件, 二者平均定位差异4.27 km。 经过人工复核, 检测到的真实地震事件为区域内地震目录中事件数量的9倍。 本文使用的基于机器学习和快速震相关联和定位方法的流程可在确保准确率的基础上降低人工检测的难度, 提高地震检测的效率。     

基于STFT和CNN的地震信号分类识别研究

地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果.     

基于卷积降噪自编码器和Softmax回归的微地震定位方法

本文提出了一种基于卷积降噪自编码器和Softmax回归的微地震定位方法.该方法首先将微地震数据输入到卷积降噪自编码器中进行随机噪声压制,利用卷积降噪自编码器的编码器提取微地震数据的鲁棒性特征.然后根据震源的地理位置,对每个微地震数据生成多个独立的位置标签.使用带有震源位置标签的微地震特征训练多输出的Softmax分类器模型,同时预测一个输入微地震数据的多个位置标签,进而获得精确的震源位置.合成地震记录的实验结果表明,该方法能够准确快速地定位低信噪比的微地震事件.     

基于深度神经网络的地磁观测数据高压直流输电干扰事件识别

随着越来越多高压直流输电线路的投入运行,地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件,本文基于卷积神经网络和长短期记忆神经网络,提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据,结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录,制作高压直流输电干扰样本34360条,正常样本34360条.模型在训练集上的准确率达到了94.12%,验证集上的准确率达到了92.94%,测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率,为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.     

甘肃塌陷地震震相识别研究

选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件。采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80%为地震事件分类阈值,超过分类阈值的设定为“0”或“1”,即可判定该待测事件为对应的事件类型。将地震事件作为原始图像,提取图像中最具代表性特征点;接着提取图像特征进入池化层,池化层会对该图像特征点进行归类压缩,提取最具代表性的图像特征,最后输出识别图像。结果表明:塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。     

乌兰浩特地震台爆破与地震记录识别判据

选取乌兰浩特地震台爆破及地震波形数据记录,采用小波分析方法,提取地震及爆破的3种波形特征,使用v-SVC支持向量分类机进行分类能力的效果检验,结果表明,WPT(db4)+香农熵特征+v-SVC的组合最佳,可作为该台爆破与地震记录的快速识别判据。     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础.针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进 EWT 和 LogitBoost集成分类器的地震事件分类识别算法.首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取 P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习 LogitBoost的决策树集成分类器进行分类.实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93．1%以上,比集成学习 AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好.     

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.     

人工爆破检验区域地震台网地震定位精度

利用广东地震台网记录的2015年6月珠江口海陆联合地震构造探测项目人工爆破资料,采用MSDP地震分析软件提供的3种常用地震定位方法,对6次人工爆破事件进行分析,将定位结果与已知爆破位置进行对比,验证地震定位精度。结果表明,当地震定位数据满足台网分布方位均匀度ΔU≤0.35、次空隙角(S_(gap))≤160°时,广东地区地震震中定位精度优于3 km。     

基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究

BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。     

绥棱爆破地震监测与局部场地台阵观测

黑龙江省地震局在绥棱组织了2次人工爆破,目的在于检验黑龙江省地震台网的监测能力和定位精度,并开展相关的地震学和地震工程学研究。为此,在原黑龙江省地震台网的基础上,又架设了一个由六台数字地震仪组成的流动台网,并在爆破点附近建立了一个由多通道强震观测系统和4台强震仪组成的场地影响台阵。本文介绍了这次爆破及现场观测的有关情况,并对结果进行了初步分析。     

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。