重庆地区重复地震识别及在数字地震台网定位评价中的应用

利用重庆数字地震台网2010年1月至2017年12月的地震波形资料和观测报告,选出5个研究区1 251个M_L≥1.5地震进行波形互相关计算,识别出358对同时被2个地震台站记录且各台波形互相关系数(cc)不小于0.8的重复地震对,涉及342个地震事件,约占地震总数的27%。将筛选出的重复地震对用于定量判断地震目录中震相拾取误差及评估台网定位精度,结果显示:重庆数字地震台网的垂直定位误差约为3 km,水平定位误差约为5 km,Pg、Sg震相拾取误差分别为0.5 s和0.7 s;其中武隆区地震定位和震相拾取精度最高,綦江区最低。     

利用辽宁区域地震台网记录分析重复地震

将Schaff和Richards所选的通过远震波形相关得到的分布在辽宁地区的23对ldquo;重复地震rdquo;,利用辽宁区域地震台网记录的波形资料进行相关计算,得到辽宁区域台网波形相关意义上的ldquo;重复地震rdquo;,并与Schaff和Richards的结果进行了对比分析. 利用辽宁区域台网得到的ldquo;重复地震rdquo;对辽宁区域地震台网的震相拾取和地震定位进行了评估. 结果表明,远震波形相关意义上的ldquo;重复地震rdquo;与区域台网波形相关意义上的ldquo;重复地震rdquo;有一定差别,它们只有部分交集. 但是,从总体上评估辽宁区域台网的定位能力和震相拾取误差,用两种方法得到的ldquo;重复地震rdquo;所给出的评估结果无实质差别——尽管用区域台网得到的ldquo;重复地震rdquo;似乎效果更好. 基于ldquo;重复地震rdquo;之间在理论上距离应小于1 km的工作假定,可以得到辽宁区域台网地震目录中的定位误差在5 km之内,平均为2 km;Pg震相的拾取误差94%在plusmn;1 s之间,Sg震相的拾取误差88%在plusmn;1 s之间.      

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.     

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。     

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。      

天津市测震台网Sg震相到时残差大的原因分析

为进一步定量分析近年来天津市测震台网编目中发现的Sg震相到时残差比较大的原因,采用多种速度结构模型及适当固定震源深度等途径,对2009~2012年间发生在天津及邻近地区的地震事件计算Pg、Sg震相到时差,并对相关因子做统计分布图。结果表明速度模型变化引起Sg震相到时较大残差的作用更明显,而小范围的震源深度变化对Pg、Sg到时残差影响不大。为进一步改善天津地区的速报精度和计算误差,建议适当降低该区域的S波模型速度值或对该地区的台站增加适当的走时静校正值。     

利用波速扰动定量分析Hyposat方法的定位误差

以浙江省数字地震台网的台站布局为基础,在浙江省内以0.1°×0.1°网格点作为虚拟地震震中,利用浙江2015地壳速度模型计算了各台站Pn、Sn、Pg、Sg震相到时,对速度模型及各震相走时增加适量扰动,进而使用Hyposat进行地震定位。定位结果与虚拟震源位置对比显示:(1)对于震中位置,当速度模型中速度偏差小于0.1km/s时,所得震中偏差基本在3km以内,但在某些区域会出现无法有效定位的情况;(2)对于震源深度,与仅使用Pg、Sg(或Pb、Sb)震相定位的结果相比,当Pn、Sn震相参与定位时,震源深度的计算结果更接近实际震源深度,且计算结果的一致性更好。     

辽宁测震台网地震观测报告质量分析

就地震分布、震相质量、深度分布以及地震震级等,对辽宁测震台网2010-2017年地震观测报告进行分析,得到辽宁地区地震波主要震相的平均传播速度,分别为：Pn震相平均传播速度为7.87 km/s,Pg震相平均传播速度为4.48 km/s,Sn震相平均传播速度为4.48 km/s,Sg震相平均传播速度为3.56 km/s,认为引起震相走时偏差较大的主要原因为地震定位误差及震相不易识别。     

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.     

CRPN: A cascaded classification and regression DNN framework for seismic phase picking*

Current deep neural networks (DNN) used for seismic phase picking are becoming more complex, which consumes much computing time without significant accuracy improvement. In this study, we introduce a cascaded classification and regression framework for seismic phase picking, named as the classification and regression phase net (CRPN), which contains two convolutional neural network (CNN) models with different complexity to meet the requirements of accuracy and efficiency. The first stage of the CRPN are shallow CNNs used for rapid detection of seismic phase and picking P and S arrival times for earthquakes with magnitude larger than 2.0, respectively. The second stage of CRPN is used for high precision classification and regression. The regression is designed to reduce the time difference between the probability maximum and the real arrival time. After being trained using 500,000 P and S phases, the CRPN can process 400 hours’ seismic data per second, whose sampling rate is 1 Hz and 25 Hz for the two stages, respectively, on a Nvidia K2200 GPU, and pick 93% P and 89% S phases with the error being reduced by 0.1s after regression correction.     

当涂地震站地方震Sc震相分析及康拉德面特征

2016年2月13日4时17分,芜湖市弋江区发生M_L 2.1地震,震中距43.75 km,震源深度8 km。当涂地震站记录的两水平向波形均出现3个明显震相,前面2个震相分别为Pg、Sg,在横波Sg震相之后又出现一个振幅较大的不明震相。通过分析,发现该不明震相为康拉德面上的反射波Sc。分析马鞍山测震台网记录的初动较清晰的6个Sc震例,对Sc走时和震中距进行拟合,得到康拉德面上方横波速度为3.59 km/s,康拉德面深度在20.35—23.85 km之间,与已知相关数值接近。     

Seismic phase picking in China Seismic Array using a deep convolutional neuron network*

Seismic phase picking is the preliminary work of earthquake location and body-wave travel time tomography. Manual picking is considered as the most accurate way to access the arrival times but time consuming. Many automatic picking methods were proposed in the past decades, but their precisions are not as high as human experts especially for events with low ratio of signal to noise and later arrivals. As the increasing deployment of large seismic array, the existing methods can not meet the requirements of quick and accurate phase picking. In this study, we applied a phase picking algorithm developed on the base of deep convolutional neuron network (PickNet) to pick seismic phase arrivals in ChinArray-Phase III. The comparison of picking error of PickNet and the traditional method shows that PickNet is capable of picking more precise phases and can be applied in a large dense array. The raw picked travel-time data shows a large variation deviated from the traveltime curves. The absolute location residual is a key criteria for travel-time data selection. Besides, we proposed a flowchart to determine the accurate location of the single-station earthquake via dense seismic array and phase arrival picked by PickNet. This research expands the phase arrival dataset and improves the location accuracy of single-station earthquake.     

Application of Machine Learning Methods in Arrival Time Picking of P Waves from Reservoir Earthquakes

Reservoir earthquake characteristics such as small magnitude and large quantity may result in low monitoring efficiency when using traditional methods. However, methods based on deep learning can discriminate the seismic phases of small earthquakes in a reservoir and ensure rapid processing of arrival time picking. The present study establishes a deep learning network model combining a convolutional neural network (CNN) and recurrent neural network (RNN). The neural network training uses the waveforms of 60 000 small earthquakes within a magnitude range of 0.8-1.2 recorded by 73 stations near the Dagangshan Reservoir in Sichuan Province as well as the data of the manually picked P-wave arrival time. The neural network automatically picks the P-wave arrival time, providing a strong constraint for small earthquake positioning. The model is shown to achieve an accuracy rate of 90.7% in picking P waves of microseisms in the reservoir area, with a recall rate reaching 92.6% and an error rate lower than 2%. The results indicate that the relevant network structure has high accuracy for picking the P-wave arrival times of small earthquakes, thus providing new technical measures for subsequent microseismic monitoring in the reservoir area.     

一种震相拾取误差的自动判别和计算方法

本文给出了一个主要用于深地震测深数据的震相识别误差（不确定性）的判别和计算方法.该方法集中讨论从记录截面拾取震相这一过程所引起的判别误差.以震相前后一定时窗内的地震记录振幅的均方根之比为判别依据，找出误差分布范围并给出走时误差与振幅比的分级相关函数.由此，当震相确定后，计算程序将根据记录数据自动算出识别误差.实践证明该方法不仅更加客观真实、方便快捷，而且为今后震相提取工作的进一步科学规范打下了基础.     

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。     

考虑到时误差的地震定位算法及其在四川地区2001-2008年地震定位的应用

精确的地震位置对于地震活动性、地震层析成像和地壳应力场反演具有相当重要的意义,对于地震速报也具有重要的应用价值。将观测到时的不确定性、台站高程、地震震源深度进行约束的同时,根据反演理论给出了地震震源位置精确估计和误差估计的方法。该算法联合考虑Pg波、Sg波、Pn波和Sn波的到时进行反演,数据量的增加可以增强地震位置的准确性,并可同时应用于地方震和区域地震。采用模拟数据对该地震定位算法进行检验发现,该算法在观测数据的不确定性不等时明显优于其他方法。将该算法应用于四川地区2001-2008年间的地震定位,得到的地震位置更加符合地震的丛集性并集中于断裂带附近。这些结果为四川地区的地震活动性、断层构造以及地震层析成像研究打下了基础,并且为汶川地震之前的地震活动前兆研究也提供了有益帮助。