深度学习方法在地震事件分类中的应用及可解释性研究

采用2016—2020年福建台网所记录的爆破和天然地震事件以及背景噪声数据集,使用CNN模型、Inception10模型、ResNet18模型和Vgg16模型4种深度学习网络模型进行分类研究。针对深度学习网络模型的“黑盒”问题,将梯度类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)算法引入这4种分类模型中,得到每个模型的可视化图。通过可视化图可以直观地看出模型在做出分类决策时对于不同波形特征的依赖权重,为模型的可解释性提供依据,进而提高模型的可信度。通过对模型的可视化图分析得出,分类效果更好的CNN模型和Vgg16模型在做出决策时更依赖于地震波形的震相特征,对于震前和震后的波段关注较小;而ResNet18模型和Inception10模型对于震相特征的关注不够敏锐。通过Grad-CAM算法对模型进行可视化分析得到的结果能够很好地反映模型的分类效果,对于改进和选择合适的分类模型具有重要意义。     

地磁低点位移异常界线交汇现象与地震关系研究

利用国家地磁台网中心产出的观测资料,研究中国大陆地区低点位移现象与强震之间的关系,认为地磁低点位移异常与强震之间具有较好的关联性。多次5级以上地震发生前两月内会出现一次或多次低点位移异常,地震往往发生在低点位移异常分界线300 km内。2022年1月8日青海门源6.9级地震、2016年1月21日青海门源6.4级地震和2019年9月16日甘肃肃南5.0级地震前两月内均出现了3次明显的地磁低点位移异常。将多次低点位移异常分界线叠加到同一幅图上,形成了1个或多个交汇区域,发现地震发生在低点位移分界线的交汇区域附近。综合活动构造断裂分布、历史大地震发生情况、中长期预测的强震潜在危险区及年度全国地震危险区进一步判断可能发震的区域,此项研究明显缩小了用地磁低点位移法预测地震发生地点的范围。