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0.067 s,0.082 s.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.

     

兼顾速度和精度的深度神经网络震相拾取

深度神经网络虽然在震相拾取中取得了良好效果,但作为高复杂度的机器学习模型,深度神经网络在取得较高精度的同时需要付出较高的计算代价,而且试验研究表明震相拾取中并不需要过高的模型复杂度。为此,本文根据地震波形的特点设计了四种具有不同复杂度的深度神经网络改进模型,可以综合具体的精度和速度需求从中选取合适的模型。在此基础上,将改进模型与现有四种到时拾取的深度学习网络模型进行了对比,结果表明本文中的网络模型在到时拾取上具有较高的速度和精度。同时,本文的深度神经网络通过使用多种深度学习模型压缩手段可将震相拾取模型的大小压缩到2.0 MB以内,从而使得模型可以在低功耗设备上完成高速震相拾取的同时尽可能地减少精度损失。      

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.

     

卷积神经网络在远-近地震震相拾取中的应用及模型解释

利用北京国家观象台的测震记录,探索了样本构建、训练过程、模型结构等因素对远震震相P-S和近震震相Pg-Sg拾取模型性能的影响。结果表明：适中的卷积层深度、正则化和数据清洗能够有效地改善模型性能,而残差块的影响却相对有限。与此同时,基于类模型可视化和平滑GradCAM++的模型解释显示：卷积神经网络复现了震相的关键特征,其决策敏感区域也与震相识别的经验准则一致。最后,连续波形的扫描结果展示了卷积神经网络在远-近地震震相识别的应用前景与提升空间。此外,本文针对模型搭建与训练中存在的问题提出了样本选择、模型架构、标签标注和集成学习等改进方案,以供后续研究参考。     

基于U形卷积神经网络的震相识别与到时拾取方法研究

精确获取震相到时是地震定位和地震走时成像等研究的重要基础.近年来,随着地震台站的不断加密,地震台网监测到的地震数量成倍增长,发展快速、准确、适用性强的震相到时自动拾取算法是地震行业的迫切需求.本文在前人工作基础上,发展了Pg、Sg震相自动识别与到时拾取的U网络算法（Unet_cea）,使用汶川余震和首都圈地震台网记录的89344个不同震级、不同信噪比的样本进行训练和测试.研究表明,U网络能够较好地识别Pg、Sg震相类型和拾取到时,Pg、Sg震相的正确识别率分别为81%和79.1%,与人工标注到时的均方根误差分别为0.41 s和0.54 s.U网络在命中率、均方根误差等性能指标上均明显优于STA/LTA和峰度分析自动拾取方法.研究获得的最优模型可以为区域地震台网的自动处理提供辅助.

     

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。     

天然地震识别与震相自动拾取技术进展

震相拾取是地震数据处理过程中最基本的步骤之一。在传统的人工拾取技术不能满足庞大的地震数据处理需求的情况下,震相自动拾取技术从产生到发展至今经历了漫长的过程。本文回顾并总结了震相自动拾取技术的发展状况,重点介绍了长短时窗法、赤池准则法、模板匹配技术、基于自相关盲搜索的FAST法、S波偏振分析法、人工智能方法等,以及近年发展起来的多频率震相识别、全波形叠加、二次方自回归模型等方法,同时分析了每种方法的优势和局限性。     

ObsPy包中的地震事件触发和震相拾取算法梳理

ObsPy包是基于Python语言编写的面向地震学应用的地震数据处理工具软件包,该软件包中实现了5种地震事件触发和2种震相拾取算法。文章主要对这几种算法进行梳理,分析其参数需求与特点,并以临汾台、太原台和大同台3个国家测震台记录到的2016年3月12日运城盐湖ML4.8地震的事件波形为例进行分析,为研究ObsPy包在地震数据自动处理中的应用提供参考与借鉴。     

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.

     

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.

     

基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将...     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的, 这些特征参数依赖于人的经验和主观判断, 没有充分利用初至地震波中与震级相关的信息, 制约了震级估算效果.对此, 本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征, 实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入, 震中距、震源深度以及V_s30作为辅助输入, 震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录), 利用美国和新西兰的强震记录进行泛化性能测试(583条记录), 并与应用最为广泛的峰值位移Pd方法进行对比.结果表明, 当初至地震波时长为3s时, 在4~6.4级范围内, CNN方法估算震级的准确率是Pd方法的1.5倍, 在6.5~9级范围, CNN方法估算震级的准确率是Pd方法的1.2倍; 当初至地震波从3s增加到10s时, CNN方法能够随着地震波时长的增加不断提高估算震级的准确率, 并且始终高于Pd方法, 特别是对于4~6.4级地震, CNN方法在初至3s地震波时估算震级的准确率是Pd方法在初至10s地震波时的1.2倍; 随着地震波时长的增加, CNN方法对于震级饱和问题的改善效果优于Pd方法; CNN方法具有较好的泛化能力, 在训练数据集之外的区域, 比Pd方法估算震级更准确.相比于人为定义的特征参数, CNN方法从初至地震波中自动学习到了与震级更为相关的特征, 这些特征极大地改善了震级估算的准确性和时效性, 可以为地震预警系统提供更快速更准确的震级估算.

     

基于卷积神经网络的地震震级快速估算方法

地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息（v_S30）作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统P_d方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。      

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.     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

基于神经网络方法的地下管道系统地震可靠性分析

基于反向传播的多层前馈网络（BP网络）理论，建立了管道单体地震反应预测模型和管道系统连通性预测模型。模拟数值计算提供的样本，两个模型通过离线学习，得到训练后的神经网络，以此执行实时模拟，两模型充分利用了BP网络较好的泛化能力，达到了迅速评估管网系统震后运行状态的目的，神经网络方法克服了传统方法需要大量计算时间的缺点，为地下管道的震后评估提供了一条新的途径。     

Benchmark on the accuracy and efficiency of several neural network based phase pickers using datasets from China Seismic Network

Seismic phase pickers based on deep neural networks have been extensively used recently, demonstrating their advantages on both performance and efficiency. However, these pickers are trained with and applied to different data. A comprehensive benchmark based on a single dataset is therefore lacking. Here, using the recently released DiTing dataset, we analyzed performances of seven phase pickers with different network structures, the efficiencies are also evaluated using both CPU and GPU devices. Evaluations based on F₁-scores reveal that the recurrent neural network (RNN) and EQTransformer exhibit the best performance, likely owing to their large receptive fields. Similar performances are observed among PhaseNet (UNet), UNet++, and the lightweight phase picking network (LPPN). However, the LPPN models are the most efficient. The RNN and EQTransformer have similar speeds, which are slower than those of the LPPN and PhaseNet. UNet++ requires the most computational effort among the pickers. As all of the pickers perform well after being trained with a large-scale dataset, users may choose the one suitable for their applications. For beginners, we provide a tutorial on training and validating the pickers using the DiTing dataset. We also provide two sets of models trained using datasets with both 50 Hz and 100 Hz sampling rates for direct application by end-users. All of our models are open-source and publicly accessible.     

Seismic signal enhancement based on the low-rank methods

Based on the fact that the Hankel matrix constructed by noise-free seismic data is low-rank, low-rank approximation (or rank-reduction) methods have been widely used for removing noise from seismic data. Due to the linear-event assumption of the traditional low-rank approximation method, it is difficult to define a rank that optimally separates the data subspace into signal and noise subspaces. For preserving the most useful signal energy, a relatively large rank threshold is often chosen, which inevitably leaves residual noise. To reduce the energy of residual noise, we propose an optimally damped rank-reduction method. The optimal damping is applied via two steps. In the first step, a set of optimal damping weights is derived. In the second step, we derive an optimal singular value damping operator. We review several traditional low-rank methods and compare their performance with the new one. We also compare these low-rank methods with two sparsity-promoting transform methods. Examples demonstrate that the proposed optimally damped rank-reduction method could get significantly cleaner denoised images compared with the state-of-the-art methods.     

Substorm onset identification using neural networks and Pi2 pulsations

The pattern recognition capabilities of artificial neural networks (ANNs) have for the first time been used to identify Pi2 pulsations in magnetometer data, which in turn serve as indicators of substorm onsets and intensifications. The pulsation spectrum was used as input to the ANN and the network was trained to give an output of +1 for Pi2 signatures and –1 for non-Pi2 signatures. In order to evaluate the degree of success of the neural-network procedure for identifying Pi2 pulsations, the ANN was used to scan a number of data sets and the results compared with visual identification of Pi2 signatures. The ANN performed extremely well with a success rate of approximately 90% for Pi2 identification and a timing accuracy generally within 1 min compared to visual identification. A number of potential applications of the neural-network Pi2 scanning procedure are discussed.