深度神经网络拾取地震P和S波到时

从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路.

     

用于地震预警的P波震相到时自动拾取

P波震相的自动拾取可用于地震预警中地震事件判别和地震定位,是实现基于地震台网地震预警的首要条件.针对地震预警中P波震相拾取的特点,本文发展了一套基于长短时平均(STA/LTA)和池赤准则(AIC)算法的多步骤P波自动拾取技术,应用Delaunay三角剖分提出了一种非几何相关的干扰信号剔除方法,并应用福建省数字地震台网记录对方法进行了验证,目前方法已经用到了福建省地震预警试验系统中.     

融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法

基于深度学习方法提出了一种矿山微震P波到时拾取方法。首先构建CNNDet模型进行事件监测和到时预拾取;其次引入自注意力机制,融合门控循环单元（GRU）构建CGANet模型,对检测到的事件进行P波到时精确拾取;最后将该方法与长短时窗能量比法、DPick和PpkNet方法进行对比,结果显示测试集的事件检测精确率和召回率都达到98%以上,P波到时估计的误差均值和标准差分别为0.014 s和0.051 s,说明本文方法在精确率、召回率及标准差等方面均明显优于上述三种方法。此外,对不同信噪比样本进行测试的结果也证明,本文方法在低信噪比下依然能保持较高的精度。在实际震源定位中,该方法也展现出了更优异的性能。     

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。     

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算法拾取微地震事件P波到时对比研究

本文将HZ-MS48微地震采集仪监测的实际数据,利用STA/LTA算法来识别微地震事件P波到时.比较了在不同STA(短时窗平均值)情况下对拾取精度和结果的影响.结果表明:此算法确定信噪比比较高的微地震事件是非常有效的,能精确拾取P波到时.利用5ms、10ms、20ms三种不同的短时窗处理数据,发现对P波拾取的敏感程度不同,短时窗的值越大,拾取P波的敏感性越低,拾取精度降低,触发的阈值应随着短时窗的增加而减小.     

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。     

联合小波变换与偏振分析自动拾取微地震P波到时

对微地震P波到时的自动拾取是微地震信号分析和数据处理的主要目标之一。基于小波变换的多尺度分析思想,对微地震信号进行小波处理后的小波系数代替原始信号,应用包含在小波变换系数中的信号偏振信息,提出了联合小波变换与偏振分析自动拾取微地震信号P波到时的方法。通过对嘉阳煤矿监测的实际微地震数据进行小波变换,用多尺度小波分解的各个尺度单支重构信号构成协方差矩阵,求解不同尺度协方差矩阵的最大特征值和次大特征值求取P波到时定位函数,实现P波到时的自动拾取,取得了满意的结果.     

用B-样条双正交小波拾取P波到时

地震波包含有许多震相,这些震相蕴涵着丰富的地球物理信息,反映了震源、传播路径等介质的特征,识别这些震相对于了解震源机制、地层结构以及地震波特性是很重要的.地震事件检测的一个重要目的是在地震发生前后提供地震的相关信息,以减少或避免地震带来的损失.由于P波和S波的特殊性,地震事件检测主要是识别P波和S波以及确定它们的到时,因此准确而高效地确定P波和S波到时方法的研究成为众多地球物理学家的研究热点.     

微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

3种远震P波到时拾取方法的比较及其参数优化

分析了自回归赤池信息准则（AR-AIC）、高阶统计量（HOS）和累积和（CUSUM）等3种到时拾取方法中参数对远震P波到时估计的影响,以450个远震P波信号为样本集,参考人工拾取到时,以网格搜索方式确定了每种方法的最优参数。之后重新选取信噪比处于[2,20]区间的100个远震P波信号,用确定最优参数后的3种到时拾取方法估计其P波初至时间,并比较了3种方法对低信噪比远震P波的拾取准确度。结果表明,AR-AIC方法和CUSUM方法对低信噪比远震P波的拾取准确度要优于HOS方法,CUSUM方法的计算速度最快,HOS方法由于其原理的限制更适用于信噪比较大、初动较尖锐的信号。      

强噪声环境下基于信噪比的地震P波到时自动提取方法

大数据量、强噪声环境给地震P波到时的自动提取带来很大挑战.针对此问题,本文通过构建特殊的特征函数,建立SNR与STA/LTA的内在联系,提出两种基于SNR的地震P波到时自动提取方法,即基于SNR的STA/LTA方法与基于SNR的综合方法.这两种方法分别是运用SNR概念对传统STA/LTA方法和STA/LTA与AIC综合方法的改进.仿真分析结果表明：对于弱噪声环境（10 dB）和一般噪声环境（6 dB）,本文方法较传统STA/LTA方法对地震P波到时提取的准确度更高;而对于强噪声环境（3 dB）,本文方法仍能准确提取地震P波到时,而传统STA/LTA方法则出现了较大的误判率（10%）与漏判率（65%）.本文方法为STA/LTA赋予了明确的物理意义,使其阈值的选取建立在严密的数学推导之上.另外,本文方法在进行地震P波到时自动提取的同时,兼具数据预处理功能,无需额外的基线校正或高通滤波,因而具有较好的实时性.

     

利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时

地震P波、S波到时是精确分析地震水平位置、深度与速度结构等的重要参数,如何准确拾取P波和S波到时是地震学的一项重要的基础工作.大数据量与强噪声环境给地震到时的自动拾取带来了很大挑战.在频率域中可将信号与噪声分离,但会造成震相的偏移.针对上述问题,本文在STA/LTA、AIC方法的基础上,引入了标准时频变换（Normal Time-Frequency Transform,NTFT）,结合信号时间域与频率域特征,提出了基于NTFT的STA/LTA方法,以及基于NTFT的AIC方法来拾取P波和S波的到时.基于NTFT的STA/LTA方法通过构建即时频率约束的特征函数,以增强地震信号振幅响应的变化特征.基于NTFT的AIC方法则根据NTFT的变换系数定位即时频率-时间基准点,通过滑动窗口直接对标准时频谱进行AIC处理拾取最佳到时.本文采用了不同强度噪声的60组合成数据和105组实测地震数据对方法的可靠性进行检验.以人工拾取到时为参考,实测数据中NTFT-STA/LTA方法拾取P波、S波到时的均方根误差分别为0.36 s和0.56 s;NTFT-AIC方法拾取P波、S波到时的均方根误差分别为0.25 s和0.35 s.相比于STA/LTA、AIC方法,NTFT改进后的方法提高了P波和S波到时的拾取准确率,为强噪声环境下的地震波形到时拾取提供了新思路.

     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

山西地区远震P波到时残差分布

收集2008—2016年山西地震台网记录的震中距30°—90°范围内1 253个远震事件波形,拾取7 600余条高质量P波初至到时,使用IASP91模型计算相对到时残差,分析残差水平分布特征,结果显示:①以山西地区中部的山西断裂带为界,西部地震台站记录的P波初至主要表现为早到时,东部位于大同火山区的地震台站记录则主要表现为晚到时;②位于山西断裂带内部的地震台站记录的P波初至主要表现为早到时,残差水平显著低于西部地震台站;③研究区P波到时整体呈现自西向东逐渐由早到晚的分布特征。推测山西断裂带西部地区下方可能存在高速异常结构,山西断裂带内部及大同火山区下方可能存在低速异常结构。     

山西地区远震P波到时残差分布

收集2008-2016年山西地震台网记录的震中距30°-90°范围内1 253个远震事件波形,拾取7 600余条高质量P波初至到时,使用IASP91模型计算相对到时残差,分析残差水平分布特征,结果显示：①以山西地区中部的山西断裂带为界,西部地震台站记录的P波初至主要表现为早到时,东部位于大同火山区的地震台站记录则主要表现为晚到时;②位于山西断裂带内部的地震台站记录的P波初至主要表现为早到时,残差水平显著低于西部地震台站;③研究区P波到时整体呈现自西向东逐渐由早到晚的分布特征。推测山西断裂带西部地区下方可能存在高速异常结构,山西断裂带内部及大同火山区下方可能存在低速异常结构。     

基于深度学习到时拾取自动构建长宁地震前震目录

将深度学习到时拾取、震相关联技术与传统定位方法联系起来,构建一套连续波形自动化处理与地震目录自动构建流程,对于高效充分利用地震资料,提升微震检测能力具有十分重要的意义.我们应用最新发展的迁移学习震相识别技术、震相自动关联技术,对长宁M_S6.0地震震中附近21个台站震前半个月（6月1日—6月17日）的连续记录波形进行P、S震相识别、震相自动关联和初步定位,并应用传统绝对定位和相对定位技术得到了长宁地震震前微震活动的绝对和相对定位目录.其中绝对定位目录能在较小的误差范围匹配85%的人工处理目录,其发震时刻平均误差为0.36±0.07 s,震级平均误差为0.15±0.024级,水平定位平均误差为1.45±0.028 km,其识别的1.0级以下微震数目是人工的8倍以上,将长宁地震震前微震目录的检测下限提升至M_L-1左右,证明了基于深度学习到时识取和REAL（Rapid Earthquake Association and Location,快速震相关联和定位技术）震相自动关联来构建微震目录具有较好的实用性.我们的自动地震目录揭示了长宁M_S6.0主震所发生的区域震前异常频繁的微震活动,以及与区域内盐矿注水井的关联性,更好地描绘了这些微震活动的时空演化特征,其空间活动性分布特征与长宁M_S6.0余震序列的分布一致.

     

自动捡拾P波到时综合方法的选取与探讨

快速、准确以及可靠的震相自动识别,不仅可为政府震后决策提供快速可靠的地震信息,还对减轻地震灾害损失和提高公众对政府可信度具有较大价值。以云南强震动台网实际观测记录为基础,选取了2008年至2017年期间震级在M5.0至M7.0间共计20余次地震事件,借鉴国内外P波震相自动拾取的相关研究,用最常用的长短时平均STA/LTA结合AIC准则综合捡拾法和长短时平均STA/LTA结合BIC准则综合捡拾法这两种不同的综合分析方法,将涵盖了云南盈江、腾冲、彝良、洱源和景谷等地震多发区域的记录P波到时捡拾,并对捡拾准确度、可靠度以及相应速率进行对比探讨。统计分析结果表明:在精确捡拾部分中,相比AIC准则,BIC准则的构架与算法更加灵活简单,且其抗干扰信号能力强,能有效避免干扰信号引起的误触发,可在漏捡拾与误捡拾之间寻求最佳平衡,对地震数据实现快速有效的实时处理,更利于云南省内地震预警发展。     

白鹤滩水库库区基于深度学习的震相拾取与地震定位

近年来深度学习技术广泛应用于震相拾取与地震定位研究,采用深度神经网络搭建的EQTransformer模型对白鹤滩水库库区34个数字地震台站2016—2018年记录的连续数据进行P、 S波震相拾取,并通过REAL进行震相关联和初步定位,然后使用VELEST和hypoDD地震定位算法优化地震位置。研究表明,基于深度学习的震相拾取,与白鹤滩水库地区传统的人工处理方法相比显示出更高的效率,EQTransformer模型可拾取与人工拾取相当的P、 S波震相到时,其时间差的均值分别为0.03 s和0.07 s,符合正态分布。REAL初步定位后的地震个数(13815个)接近常规目录(7862个)的2倍,最终通过hypoDD获得了7108个高精度定位地震。估算的震级比常规目录中的震级平均低0.27,震级差值集中在0.7以内,最小完备震级由常规目录的M_L1.4更改为M_L0.6+0.27,填补了部分常规目录的震级空白,丰富了研究区域内的中小型地震。