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。      

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.

     

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1~40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前震和余震共11次地震事件进行实时震级估算.结果表明：在P波到达后1~40 s的不同时间窗下,随着时间窗的增加,深度卷积神经网络单台震级估算模型对训练集和验证集的震级估算误差和标准差逐渐减小,且逐渐趋于稳定;对于云南漾濞M_S6.4主震与青海玛多M_S7.4主震,大部分单台震级估算误差主要分布在±0.5震级单位内;通过多台加权平均方法计算预测震级,漾濞主震与玛多主震在首台触发后2 s时,震级估算结果分别是M6.0和M7.0;同时,随着首台触发后时间的增加,漾濞与玛多主震的震级估算逐渐接近实际震级,且在首台触发后9 s时,漾濞主震和玛多主震的震级估算分别是M6.2和M7.3;在首台触发后1 s时,对于玛多与漾濞地震的前震和余震,多台加权平均震级估算结果也主要分布在±0.5震级单位误差范围内.该方法为中国地震预警系统的震级估算方案提供了潜在可能.

     

基于深度学习的地震震级分类

为了探索地震加速度时程记录的震级信息,训练卷积神经网络基于地震震级大小对地震记录进行分类,将K-NET和KiK-net中将近12万个地震记录作为样本,对其进行信息筛选和归一化,之后将地震加速度时程记录用作输入,训练卷积神经网络模型以M5.5为分类界限来区分大震和小震。结果显示,在训练集中基于该模型的分类准确率为93.6％,在测试集中的准确率为92.3％,具有良好的分类效果,这表明大震记录与小震记录之间存在一些根本的区别,即可通过地震动加速度时程记录获取一定的震级信息。      

基于卷积神经网络的地震预警震级持续估算方法研究

为提高地震预警震级快速持续估算结果的准确性,本文构建了基于多种地震动特征参数的卷积神经网络震级估算CNN-M模型.该模型基于日本KiK-net强震动观测记录,利用其P波触发后3～ 10s时间窗内的幅值参数、周期参数、烈度参数、信噪比参数共11种地震波特征参数以及震中距参数作为输入.本文所建立的CNN-M模型随着地震发生...     

大地震震级测定及速报

为了研究在强烈地震发生时,记录图最大振幅出格,如何决速测定强震震级这一实用化很强的问题,在用面波持续时间及测定体波震级方法的基础上。本文用云南1988年11月发生在澜沧、耿马地区的两次M_S≥7.0的地震资料(由全国基准台网SK仪器记录的地震图),进一步研究用这两种方法快速测定大地震震级作为速报方法的可能性。研究结果表明,用归算的面波持续时间测定M_S作为大震速报,一般需要等待从地震图初至后延10—20分钟的时间,而用体波测定震级m_B作为大震速报仅需要等待从初至后延数秒至5分钟左右。因此,是最为实用的大震速报方法。其优点在于图上最先到达的总是体波,对于M_S≥7.0的地震,体波振幅往往不限幅,这种特征满足强震测定和大震速报的需要。本文用澜沧、耿马两次大震的资料,对这两种方法作了较好的比较和检验。用收集到的约1500多个中强地震的面波震级和体波震级数据,经验统计给出两者之间的线性关系为M_S=1.55mg-3.47。     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。     

机器学习在地震紧急预警系统震级预估中的应用

地震预警是地震减灾工作的重要途径,而震级预估是整个地震紧急预警系统中重要且较为困难的一个环节.目前,世界上多个国家和地区都已建立了各自的地震预警系统,并且形成了特征频率（τ_p和τ_c等）相关和特征振幅（P_d等）相关的两类震级紧急预警的方法,但各有局限性.本文在已有的方法和理论基础上,运用机器学习算法,将日本KIK和KNET台网从2015年至2017年所记录到的843条地震目录,55426条记录作为全数据集,设计、训练出一套用于常见震级范围的机器学习震级预估模型.与已有方法的预估结果相比,机器学习方法不仅使预估的整体误差和方差下降,同时多台联合评估单一地震事件的截面方差也更低.本研究的结果显示了机器学习算法在震级紧急预估问题上具有较广阔的应用前景,同时也为较为复杂的深度学习类算法框架下端到端模型提供了实践基础和研究可能.

     

吉林地震台网与中国地震台网测定东北地区深源地震震级偏差研究

选用吉林地震台网正式运行以来记录的18次东北地区mb (mB)≥4.0深源地震资料,以中国地震台网地震目录给出的震级为标准震级,进行震级偏差统计分析,得出震级校正值.分析震级差异形成的原因,为吉林地震台网测定东北深源地震震级偏差校正提供参考.     

基于卷积神经网络的瞬变电磁数据快速成像算法研究

瞬变电磁一维反演技术已经相对成熟,但对野外实测数据进行实时成像仍然有一定难度.本文将卷积神经网络引入到时间域瞬变电磁数据成像中,通过训练网络近似瞬变电磁响应与地电模型之间的函数关系,将复杂的反演过程转化为矩阵映射过程,进而实现瞬变电磁数据的实时快速成像.考虑到传统算法大多针对单点进行成像,难以实现面积性数据快速处理,本文尝试将接收点相对发射源的坐标信息作为网络输入参数,这不仅使得该算法在野外成像过程中更加灵活,同时也大大减少了训练过程中样本集数量.为验证算法的有效性,我们首先在大量理论数据上进行测试,检验了卷积网络的优越性以及加入坐标信息可在不影响成像精度的前提下极大提升该方法对不规则测点电磁数据的成像灵活性.最后,我们通过对实测数据分别进行神经网络成像和Occam反演,进一步验证本文神经网络成像方法的有效性.

     

2022年1月8日青海门源6.9级地震机器学习地震预警震级估计与现地阈值报警的回溯验证

2022年1月8日1时45分青海省海北州门源县发生6.9级地震, 周边地区普遍有感, 并导致多条高铁线路临时停运. 本文利用这次地震获取的大量烈度计加速度记录, 基于正在进行系统研发的机器学习地震预警方法模块, 对地震预警震级估计与现地阈值报警进行了回溯验证. 结果表明: 在地震发生后3.1 s, 震级估计为6.5级, 且震级估计误差不受信噪比和震中距变化的影响, 随着首台触发后时间的增加, 震级估计逐渐接近实际震级. 对于现地地震动速度峰值PGV(Peak Ground Velocity)预测, 各个台站在P波到达后3 s时, 预测PGV与观测PGV呈现1:1线性关系, 随着P波到达后时间窗的增加, 预测PGV逐步接近观测PGV, 且PGV预测误差不受信噪比和震中距变化的影响. 现地台站仪器烈度阈值设置为Ⅵ度时, 报警成功、误报、漏报的百分比分别为99.53%、0%、0.47%, 平均预警时间为19.62 s, 且地震烈度Ⅵ度区内没有发生误报和漏报; 现地台站仪器烈度阈值设置为Ⅶ度时, 报警成功、误报、漏报的百分比分别为99.77%、0%、0.23%, 平均预警时间为9.69 s, 且地震烈度Ⅶ度区内没有发生误报和漏报. 此次回溯验证结果表明: 机器学习方法在这次地震中可以得到鲁棒的震级估计和现地阈值报警结果, 并为该方法的在线测试以及中国地震预警系统升级提供可行性依据; 其次, 在这次地震事件中, 烈度计可为预警提供额外的作用, 这也为烈度计在未来地震预警的研究和应用中提供了更多的可能性.

     

基于一维卷积神经网络的高分辨率Radon变换反演方法研究

高分辨率Radon变换是地震资料处理常用的方法之一,其反演通常涉及矩阵求逆、多次迭代等环节,这些因素导致Radon变换反演计算量大,收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上,提出基于一维卷积神经网络（Convolutional Neural Network,CNN）的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射,分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演,避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明,本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波,且计算效率高.

     

江西省测震站网地震预警能力评估初步研究

根据对江西地震预警台网使用的3种型号（测震仪、强震仪和烈度仪）仪器的记录数据计算分析,获得站址背景噪声RMS值和功率谱曲线。结果表明：测震仪能够有效地记录较宽频带内背景噪声,而强震仪只能记录大于0.1 Hz的自然噪声;相比之下,烈度仪记录仅仅是设备本身噪声,无法有效记录地脉动。3种类型仪器都能有效记录到大的地震事件,通过P波初动识别进行地震定位,而震级测定时,强震仪和烈度仪分析结果比测震仪明显偏大,实际应用时仅作参考。

     

Intelligent determination of peak ground motion parameters based on intensity assessed by artificial neural network

Artificial Neural Network (ANN) model of computation based on mathematical model of neural processes is applied to establish an intelligent computing network from seismic intensity to peak ground parameter instead of the conventional statistical relationship in this paper. For a give seismic intensity rating, the network formed with actual strong ground motion records directly produces the corresponding peak ground parameters and the effects of earthquake magnitude and epicentral distance are included. The computed results of the network trained with a number of strong motion records in the West America show that such networks have obtained good conversion relationship from seismic intensity to peak ground parameters. The Chinese version of this paper appeared in the Chinese edition ofActa Seismologica Sinica,15, 208–216, 1993.