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.     

离散时变重力数据的可视化、指标量定义与解释

针对流动重力观测获得的数据成果特点,提出一种基于流动重力段差变化的时变重力数据可视化方法,并定义了两个指标量G值和C值,用以评价区域性重力场变化的显著性程度.在此基础上,应用该方法处理和分析了首都圈地区的流动重力数据.结果表明:与传统采用等值线方式来刻画时变重力场特征不同,该方法更能突出发生变化的重力测点位置、测量误差及其变化的显著性程度,可为研究与地震孕育、发生过程有关的重力场变化提供更多的定量依据.      

基于机器学习的长宁地震三维断层面几何特征建模

结合长宁地区大量的地震精定位数据和其它研究成果，利用监督分类和聚类分析等机器学习算法，基于地震簇的形态特征和地震震源机制解，编写了一套自动化提取三维破裂面形态特征的程序，获取了长宁地区地震破裂面的精细结构，可为相关研究提供可参考的发震构造模型。结果显示通过聚类分析最终获取了四个地震簇，结合对应的震源机制解节面信息，最终拟合出四条破裂面，其中：长宁背斜上的破裂面沿狮子滩背斜下部的高速体呈NW-SE方向展布，破裂面平直，倾角较陡，倾向SE；建武向斜内部的三条破裂面，主要分布在向斜两翼，规模较小，走向分别为NW,NNE和NNW，从外部包围了建武向斜核部的高速体，破裂面的展布方向与该地区三个主要震源机制解节面的产状一致，其中新城镇附近的NNW向破裂面切割深度较深，约为20 km，且倾向ENE，倾角约为70°。此外，结合地质构造背景和速度结构等反演结果推断，地震破裂面主要存在于先期形成的构造薄弱带或断裂带，例如背斜的核部和向斜的翼部因节理面贯通所形成的薄弱带以及高速体周围的软弱带，在构造应力的加载和工业开采下更容易微破裂成核，形成典型的发震构造。