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...     

基于机器学习方法的甘肃华亭地震分类研究

甘肃华亭地区历史上地震活动频繁,由于华亭地区拥有大型煤矿,因此该地区的地震活动除了常规的天然地震还有采矿引发的非天然地震.本文为了将两类地震事件进行准确区分,采用无监督、有监督到半监督分类方法,分析应用于甘肃华亭地震事件分类中.本文一共选取(34.8～35.7°N,106.1～107.1°E)范围内305个地震事件的波形数据,使用速度地震图的复杂度(C)和S/P波振幅比两个时变参数作为分类器,经过我们的训练分析,GMM、K均值、线性判别函数(LDA)、二次判别函数(QDA)、标签传播模型(Label Spreading)和自训练模型(Self Training)的最高总精度分别为87.87%、86.23%、92.16%、94.12%、96.73%、96.73%.根据分类结果分别讨论了无监督和有监督模型对天然地震和矿震的分类性能,六种方法对地震事件的分类都有不错的效果,其中半监督(Self Training)方法比其他方法有更好的改进.通过本研究我们发现,对于没有标签信息可用的无监督聚类算法,尤其是GMM方法具有与判别分析的监督方法接近的判别能力,而仅需要标注少量事件的半监督学习在本文的...     

浙江省非天然地震区域特点和识别方法

随着科技进步和工业发展,浙江省数字地震台网记录到越来越多的非天然地震事件,2015年至2021年记录到2 400余个非天然地震事件。为便于工作人员快速分析、研判地震事件性质,及时开展应急救援工作,对非天然地震事件的区域特点及识别方法的总结尤为重要。本文概述天然地震与非天然地震的波形特性,对浙江台州临海、舟山岱山、温州文成和湖州长兴4个典型区域的非天然地震波形进行震相分析、统计计算和频谱分析,并与同区域的地震波形相比较,获得浙江省非天然地震的规律与特征,归纳出浙江省不同区域的非天然地震波形特征和识别方法。     

低频事件类别及特征分析

通过分析全球记录到的各类低频地震,主要类型如:ETS(低频震颤与滑移事件)、LFT(低频震颤)、SSE(慢滑移事件)、VLF(超低频事件)、DLF(深低频事件)等,介绍了主要低频事件与天然地震的波形和频谱特征.发现不同国家地区记录到的ETS,LFT,SSE等低频事件均有相近的周期范围.文中将低频震动事件进行类别划分,获得频率持续时间分类示意图,结果表明全球主要地区记录的低频事件、火山地震、天然地震、台风和地脉动等,都有特定的频率范围和持续时间,可以从图上大体区分出低频震动事件的属性特点,为低频事件的判别提供依据.通过对低频信息的频率范围,波形特征等的深入分析和确认,可提供有价值的地震前兆信息.     

内蒙古地区非天然地震的特征与识别

基于2014年以来内蒙古测震台网观测报告,对所记录的非天然地震事件进行统计分析。提出了区分天然地震与非天然地震的一般方法。从地震事件的三要素、波形、频谱等方面对比分析内蒙古地区非天然地震与天然地震间的差异发现,内蒙古地区非天然地震具有发震时刻与发震位置较固定与集中、震级M_L<3.5、面波较发育、能量衰减较快、优势频率主要集中在1—6 Hz等特征。并通过对比内蒙古不同地区典型震例,进一步总结出内蒙古地区非天然地震的地方性特征。研究结果有利于提高内蒙古地区非天然地震的识别能力,可为今后开展该区非天然地震自动识别研究提供基础资料。     

基于深度学习残差网络模型的地震和爆破识别

为加强对地震台网记录的天然地震与人工爆破事件进行准确的性质识别,本文基于深度学习技术中的残差网络模型,提出了一种新的爆破识别方法,并根据北京数字遥测地震台网及国家数字测震台网中心记录的波形数据及其发布的包含事件性质的地震报告,选取河北三河采石场的93次爆破事件和54次周边地震事件的波形功率谱,分别采用不同的训练样本比例进行了100次和1 000次独立的随机抽样子试验以及 “留一交叉验证法” 试验,对人工爆破与天然地震进行了识别研究。试验结果表明,深度学习残差网络模型在天然地震与爆破事件的性质识别中具有很高的识别率且效果稳定,具有较好的应用前景。      

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.     

地震事件自动识别技术及其在南岭流动台阵的应用?

地震事件识别是地震层析成像的重要组成部分。然而,在处理宽频带流动台阵天然地震记录中识别地震事件过程中,利用传统的人工识别方法耗时巨大,效率十分低。本文首先运用STA/LTA 对地震事件进行初步判断,并结合支持向量机信号检测算法和多台联合检验法来提高地震事件判别的准确度及抗干扰能力,达到天然地震事件的自动识别。南岭流动台阵数据的应用结果表明该综合识别算法可自动快速准确地判别地震事件,并可用于地震震相的拾取。     

宁夏台网新震级国家标准的应用分析

本文选取2017年至2019年宁夏本省台网所记录的ML2.5以上天然地震与非天然地震事件的宽频带数字地震资料,按照震级新国标《地震震级的规定》[1]和现行地震速报规定对事件进行震级测定,评估结果的差异性、一致性与连贯性。结果表明:相对于新国标,天然及非天然地震的单台震级测定的偏差比旧标准更加向0聚合,震级离散程度有所降低;新震级下近台(震中距小于100公里)的震级偏差有所降低,从而弥补了旧标准存在的近台震级偏小问题,因此,新震级标准能够更合理的精确测定天然地震与非天然地震事件的震级,更适用于宁夏地区各类地震事件震级的测定;且与旧标准相比,新旧国家标准下测定的地震事件震级非常接近,相差通常不会超过0.1,差异极小;二者的一致性很好,说明我国震级测定新标准的实施对震级测定来说并不会产生大量的系统偏差,可实现与旧标准的平稳过度。然而值得注意的是,新标准下测定的天然地震与非天然地震事件震级将普遍比旧标准高,值得引起注意。     

基于正交秩-1矩阵追踪的天然地震数据重建研究:以加州San Jacinto断层密集地震台阵为例

由于受地理环境和采集成本等因素的影响,采集到的天然地震数据往往呈现不规则和不完整分布,将直接影响到后续的天然地震数据处理效果,因此需要对缺失数据进行重建.本文将一种基于降秩补全理论的正交秩-1矩阵追踪算法(Orthogonal Rank-One Matrix Pursuit,OR1MP)应用于加州San Jacinto断层带的天然地震数据重建.首先将空间数据的每个频率切片进行Hankel预变换,获取具有低秩结构特征的预变换矩阵,缺失地震道和随机噪声会增加数据预变换矩阵的秩,然后运用OR1MP算法进行降秩处理,最后做反Hankel变换,得到频域上的重建数据.OR1MP算法对2D和3D的加州San Jacinto断层带的天然地震数据实验结果表明,OR1MP算法能够有效地增加地震体的峰值信噪比,能较好地实现对天然地震信号的重建.     

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。      

甘肃塌陷地震震相识别研究

选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件。采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80%为地震事件分类阈值,超过分类阈值的设定为“0”或“1”,即可判定该待测事件为对应的事件类型。将地震事件作为原始图像,提取图像中最具代表性特征点;接着提取图像特征进入池化层,池化层会对该图像特征点进行归类压缩,提取最具代表性的图像特征,最后输出识别图像。结果表明:塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。     

江苏数字地震台网中心记录波形分析

对江苏数字地震台网的波形资料,从震相、频谱、振幅比3个方面进行对比分析,找出天然地震、人工爆破、塌陷的不同之处,能够在地震定位过程中快速识别,并将此方法在江苏地震台网实际工作中应用。     

明灯一号及邻近地区地震与爆炸的识别

通过明灯一号大当量爆破资料,挑选其周边地区天然地震和人工爆破事件,研究天然地震和人工爆破事件的波形记录特征,并应用两种模式进行识别。结果表明振幅比判据能反映天然地震与人工爆破的本质区别,可以作为识别两类事件的有效判据。两种模式识别方法的U检验效果较好,表明该研究的特征和方法具有实际应用前景。     

兰州市红古区非天然地震记录特征分析

选取2010年1月至2020年8月期间甘肃区域测震台网记录的兰州市周边地区三分向宽频带数字波形资料,采用震中位置空间分布、波形特征及傅里叶频谱特征对比等多种方法相结合,分析兰州市红古区非天然地震活动的特性.结果显示:该区临近测震台记录的大量地震事件波形特征和傅里叶频谱特征与其他区域地震存在显著差异,符合非天然地震的典型...     

爆破、塌陷识别研究进展综述

简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展.对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法.与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发.爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的...     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

Ground motion spatial correlation fitting methods and estimation uncertainty

Ground shaking intensity varies spatially in earthquakes, and many studies have estimated correlations of intensity from past earthquake data. This paper presents a framework for quantifying uncertainty in the estimation of correlations and true variability in correlations from earthquake to earthquake. A procedure for evaluating estimation uncertainty is proposed and used to evaluate several methods that have been used in past studies to estimate correlations. The results indicate that a weighted least squares algorithm is most effective in estimating spatial correlation models and that earthquakes with at least 100 recordings are needed to produce informative earthquake-specific estimates of spatial correlations. The proposed procedure is also used to distinguish between estimation uncertainty and the true variability in model parameters that exist in a given data set. The estimation uncertainty is seen to vary between well-recorded and poorly recorded earthquakes, whereas the true variability is more stable.     

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法。通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集。使用灰狼算法优化支持向量机径向基核函数RBF中的惩罚系数和核函数半径形成新的GWO-SVM分类器,然后对事件进行辨识。结果表明：GWO-SVM分类器辨识效果明显优于SVM、RobustBoost集成学习、LDA、PLDA等分类器,其在1 000次循环识别实验下的准确率均值相对SVM提高了9.2个百分点,标准差降低了3.2以上;t检验证明MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据。