峰度和AIC方法在区域地震事件和直达P波初动自动识别方面的应用

提出了一种基于直达P波信号的峰度和Kurtosis-AIC方法进行区域地震事件实时检测和直达P波初动精细识别的新方法,并应用于山东地震台网记录的地震波资料处理.结果表明:(1)应用峰度方法能够有效识别出地震事件,可有效减低地震事件的错误报警率和漏报率;(2)与人工识别震相到时的结果相比,根据Kurtosis-AIC震相自动识别方法得到的震相到时的平均绝对值误差为(0.09±0.08)s。     

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块.以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的AlexNet、VGG16、VGG19、GoogL...     

卷积神经网络余震自动识别及在中国地震台网地震检测中的应用

正随着地震网络在全球范围大规模部署,每天产生的大量连续波形记录对数据处理的新方法提出了要求。传统的波形拾取算法都有一定的局限性,很难同时适用于复杂区域的不同类型地震事件的自动识别与到时挑选。机器学习和深度学习神经网络方法由于具有较强的泛化能力,近些年来受到越来越多关注。本研究使用汶川地震的10 000多个余震和专家手动挑取的P、     

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.     

基于机器学习和台阵相关性的水力压裂微地震事件自动识别及到时拾取

利用密集台阵对水力压裂微地震进行监测将有助于优化储层压裂、揭示断层活化.为满足密集台阵海量采集数据的处理需求,本文建立了一种综合运用多种机器学习方法和台阵相关性的、无需人工干预的自动处理流程,从而能够快速得到高质量的密集台阵震相到时目录.该综合策略包括：(1)利用迁移学习在连续波形中快速检测地震事件;(2)利用U型神经网络PhaseNet自动拾取P波、S波震相;(3)利用三重线性剔除法,结合密集台阵到时相关性剔除异常到时数据和地震事件;(4)利用K-means和SVM两类机器学习算法,进一步区分发震时刻接近的多个地震事件,减小事件漏拾率.通过将该流程应用于四川盆地长宁—昭通页岩气开发区微地震监测数据,并将自动处理结果与人工拾取结果进行比对发现,二者在震级测定、定位以及走时成像结果等方面具有很好的一致性,表明本文处理流程结果精度可达到手动处理精度.本文结果为密集台阵地震监测数据的高效、高精度处理提供了新思路.     

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.     

断层带围陷波的自动识别算法

在地震断层带台阵记录的数据中,研究出了断层带围陷波的一种自动识别算法。使用自动的S波最佳选择来识别地震图中的时间窗,以用于断层带围陷波的后续搜索。该算法计算每个台站记录的各个地震图的5个特征:卓越周期、1s持续时间的能量(代表围陷波)、相对波峰强度、到时延迟以及6s持续时间的能量(代表整个地震图)。共同用这些特征来识别台阵中地震图有统计离群值的台站。将此算法应用于大数据集可以从其他台站地震图中的偶然局部场地放大中识别出真正的围陷波。此方法在1992年美国兰德斯地震破裂区上记录的测试数据集上进行了验证,以前曾在此波形上人工识别出围陷波,然后应用到圣哈辛托断层带上记录的几千个地震事件的更大数据集上。所开发的技术为断层带附近记录的大型地震波形数据集的系统客观处理提供了一个重要工具。     

基于深度学习的地震检测模型在区域台网的泛化性研究

将识别地震的深度学习算法PhaseNet应用于四川台网和首都圈台网,对该模型的泛化能力进行了测试和评估。首先利用2010年1月至2018年10月首都圈台网199个地震台站记录的29328个事件(M_L0～M_L4)所对应的126761段事件波形,以及2019年4—9月四川及邻省部分台网227个地震台站记录的16595个事件(M_L0～M_L6.0)所对应的120233段事件波形分别建立了SC和CA测试数据集,并用预训练好的PhaseNet模型进行P、 S震相自动识别和到时拾取,并将拾取结果与人工拾取结果在不同误差阈值下进行对比。测试结果表明, PhaseNet在两个数据集上具有良好的震相检测能力(误差阈值为0.5 s),其P、 S震相检测的F₁值都超过0.75,具有比较稳定的准确拾取P波到时能力(误差阈值0.1 s),其检测F₁值均超过0.6,而S波到时拾取的F₁值分别为0.33(SC)和0.53(CA)。进一步分析了测试结果与震中距、震级、...     

基于Bagging集成学习算法的地震事件性质识别分类

地震台网在监测地震的同时记录到的非天然震动事件会对后续的科研和预报工作造成较大的影响,因此快速准确的对天然震动事件与非天然震动事件加以区分就显得尤为重要.本文针对传统人工方法识别地震事件性质的不足之处,采用Bagging机器学习算法对地震事件性质进行区分.首先选取震中距范围在80～200km内的地震数据,之后采用AIC算法自动识别P波到时,进而用处理后的数据训练模型,最后使用测试数据对模型进行评估,准确率可达85%以上.因此,本文提出的方法可以有效地对天然震动事件与非天然震动事件加以区分.     

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。     

利用奇异值分解方法实时自动检测P波和S波

利用奇异值分解(SVD)分析实现了一种新的P波和S波震相的自动检测方法。该方法是基于Rosenberger(2010)用于三分量地震波形奇异值分解的实时迭代算法。该算法通过利用奇异值分解并将波形分为P波和S波分量来识别视入射角。我们将该算法应用于滤波后的波形,然后在经过滤波和奇异值分解分开的信道上设置入射角和奇异值检测器,或者应用信噪比(SNR)检测器来拾取P波和S波。安扎地震台网和最近在圣哈辛托断层带地区部署的便携式仪器为测试不同设置的检测算法提供了一个非常密集的地震台网,包括不同震源机制的事件、具有不同场地特性的台站和射线路径偏离奇异值分解算法中使用的逼近。2~30Hz巴特沃思带通滤波器给出了各种事件和台站的最佳性能。我们在许多事件上应用奇异值分解检测,并且从2005年6月M_W5.2地震复杂、强烈的余震序列中得到结果。这个序列经过几位分析人员的彻底复查,确定了主震后第一个小时的294个事件都围绕主震密集分布。我们使用这个数据集来微调自动奇异值分解检测、关联和定位,实现了37%事件的自动识别和定位。所有检测到的事件都落在此密集区内,并且没有虚假的事件。普通的信噪比检测器不会超过11%的成功,并且位置分布更广泛(不完全在复查的群集内)。由奇异值分解检测器检测到震相(P波或S波)的预先知识显著降低了由震相盲信噪比检测器产生的噪声。     

高阶统计量及AIC方法在区域地震事件和直达P波初动识别中的应用

利用高阶统计量（偏斜度和峰度）与赤池信息量准则（简称AIC）相结合,进行区域地震事件实时检测和P波初至精细识别的新方法研究,通过处理山东地震台网记录的地震波资料,结果表明：应用高阶统计量（偏斜度和峰度,尤其是峰度）能够有效识别地震事件,降低地震事件的错误报警率和漏报率;与人工识别震相到时结果相比,根据Ske-AIC、Kur-AIC震相自动识别方法得到的震相到时的平均绝对值误差小.     

基于小波包和峰度赤池信息量准则的P波震相自动识别方法

基于小波包变换和峰度赤池信息量准则(AIC), 提出了一种新的自动识别P波震相的综合方法, 即小波包-峰度AIC方法． 首先对由加权长短时窗平均比(STA/LTA)法粗略确定的P波到时前后3 s的记录进行小波包三尺度的分解与重构, 分别计算每个尺度重构信号的峰度AIC曲线并将其叠加, 叠加曲线的最小值则为P波震相到时; 然后对原始地震记录进行有限冲激响应自适应滤波以提高信噪比和识别精度; 最后将小波包-峰度AIC方法应用到合成理论地震图及实际地震记录的P波初至自动识别中. 结果表明: 初至清晰度对识别精度的影响比信噪比对其影响更大; 与单独使用加权STA/LTA方法和峰度AIC法相比, 小波包-峰度AIC法具有更强的抗噪能力, 识别精度更高; 当初至清晰时, 小波包-峰度AIC法自动识别与人工识别的P波到时平均绝对差值为(0.077±0.075) s．      

2017年9月临城震群遗漏地震检测及发震构造初探

以河北测震台网记录的连续波形数据为基础,采用模板匹配滤波方法,检测2017年9月4日—6日河北临城震群遗漏地震。利用波形互相关扫描,检测到19次被测震台网常规分析遗漏的地震,震级范围为M_(L )0.0—1.2,并标定新检测地震事件的P波和S波到时,估计其震中位置及震级。通过地震精定位和最大地震震源机制解,认为此次临城地震序列的主要发震构造应为近EW向活动断层。     

区域地震信号自动识别方法及应用(英文)

地震信号的实时、自动、准确识别对于地震自动速报和地震预警十分重要。仿真信号试验分析表明,观测数据的四阶统计量函数(BKCF)对信号与噪声在能量和(或)频率方面的微弱差异变化具有较高的分辨能力。以此为基础,本文提出了一种新的自动探测区域地震事件的方法和测定直达波震相到时的BKCF-AIC方法。为了进一步提高波震相到时测定的精度,本文首先对指定时段的P-波记录进行偏振特性分析,其次对含有P波的S波记录进行偏振滤波处理,再次应用上述方法测定震相到时。与传统算法相比,基于山东测震台网记录的区域地震震例分析结果表明,使用本文提出的方法能够大幅度降低地震事件误检、漏检率,进一步提高了震相识别精度。     

地震记录的P波自动捡拾

震相到时的精确捡拾是地震定位的关键所在,是进行地震预警的前提.对云南测震台网的观测数据进行P波自动捡拾试验.用基于幅值和频率的P波识别方法和STA/LTA方法捡拾到的P波到时,与人工捡拾的结果比较接近,取得较好的结果;用该方法对云南强震台网的部分强震记录的竖向资料进行P波到时自动识别,也获得了较好的结果.     

检测算法在地震数据实时处理系统中的应用

1 概述 实时事件检测是地震数据实时处理系统中一项重要任务。无论国家数字地震台网、区域数字地震台网还是单个数字地震台站,都需要对通过传输系统接收到的地动信号进行事件检测。事件检测的目的在于从连续的地面运动信号数据流中,识别出需要处理的事件信号。事件检测的要求,一是尽可能将所有的事件识别出来,即降低漏检率;二是尽可能地     

基于支持向量机的地震事件类型自动识别及应用

天然地震与非天然地震自动识别是地震自动编目系统的重要功能之一,是监测数据产出智能化的基础应用.从福建天然地震和人工爆破事件中,提取小波分析特征、P/S震相振幅比、波形能量分布特征,对以上特征组合联合支持向量机进行大批量数据测试分析,研究得出识别效果较好的事件类型判别算法,最优测试识别率为94.5％;采用最优算法研发基于...     

华北地区中部地震精定位与构造应力场研究

选取华北地区中部2008年1月至2012年12月741次地震事件的波形文件,读取P波初动极性以及P、S波震相到时.利用波形互相关技术,精确计算地震对到时差,结合读取出的震相到时数据,采用双差定位法,对这些地震进行了重新定位,获得了468个地震的精确重定位结果.相比于初始结果,精定位结果在平面分布上更为集中,沿断裂带分布特征更明显;深度也更为合理.在新河断裂附近,存在明显的地震集中条带,整体走向约为北偏东35°,通过剖面分析,发现该断裂倾角很高.依据地震精定位获取P波射线参数,利用P波初动极性,采用改进的格点尝试法,计算了区内单个地震震源机制解及小震综合断层面解,并结合已有的应力数据,综合分析了区内构造应力环境.结果表明,华北地区中部现今构造应力场保持稳定,为最大主应力轴北东东一南西西向,最小主应力轴北北西-南南东向的走滑型应力状态.     

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.