| Transformer模型和迁移学习在地震P波和噪声判别中的应用研究 |
| |
| 引用本文： | 郑周, 林彬华, 于伟恒, 金星, 王士成, 李水龙, 周施文, 丁炳火, 韦永祥, 周跃勇, 陈辉. 2024. Transformer模型和迁移学习在地震P波和噪声判别中的应用研究. 地球物理学报, 67(11): 4189-4203, doi: 10.6038/cjg2024S0004 |
| |
| 作者姓名： | 郑周 林彬华 于伟恒 金星 王士成 李水龙 周施文 丁炳火 韦永祥 周跃勇 陈辉 |
| |
| 作者单位： | 1. 中国地震局工程力学研究所地震工程与工程振动重点实验室 地震灾害防治应急管理部重点实验室, 哈尔滨 150088;; 2. 福建省地震局, 福州 350003;; 3. 中国地震局厦门海洋地震研究所, 福建厦门 361021 |
| |
| 基金项目： | 国家重点研发计划(2018YFC1504005), 国家自然科学基金项目(40104062, U1839208)和地震局地震科技星火计划(XH23024A)联合资助 |
| |
| 摘 要： | 
准确可靠地区分地震和噪声信号对于地震危险性分析和地震预警至关重要.然而, 无处不在且复杂的噪声信号使这项任务充满挑战.针对中国和日本数据的差异, 本研究在深度学习模型训练过程中采取了不同的策略来区分地震和噪声信号.首先, 鉴于日本数据丰富, 直接训练一个Transformer模型, 该模型在日本的判别准确率为99.82%.其次, 为缓解数据不平衡, 对中国地震数据采用了随机滑动波形窗进行增强.
还使用中国数据对预先训练的日本模型进行了微调, 以更好地适应中国数据集.经过微调后, 模型在中国的判别准确率为99.47%.结果表明, 使用原始波形训练的深度学习模型进行地震事件判别时能够取得很高的准确率.此外, 迁移学习模型在门源6.9级地震和漾濞序列震中得到了良好的验证, 表明迁移学习在台网稀疏地区的应用是有效的, 这为地震学和地震预警提供了一种潜在的方法.
|
| 关 键 词： | 地震预警 深度学习 迁移学习 数据增强 Transformer模型 |
| 收稿时间： | 2024-01-03 |
| 修稿时间： | 2024-05-27 |
|
| 点击此处可从《地球物理学报》浏览原始摘要信息 |
|
点击此处可从《地球物理学报》下载免费的PDF全文 |
|
