基于样本增强的卷积神经网络震相拾取方法

为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。      

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0.067s,0.082s.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...     

地震震相分析与测量的进展

地震震相分析是地震学研究中最基本、也是最基础的工作。本文就震相分析与测量方面的一些重要进展进行了概述,主要包括初动到时和极性的测量,震相中其他参数的测量,以及其他震相的识别与测量等。本文还着重介绍了《IASPEI标准地震震相表》,该震相表的完成与公布是地震震相分析工作的重要进展。     

基于神经网络的近震与远震识别

选用P波震相附近的地震波作为研究对象,对近震和远震特征信息进行探讨。选取初至P波主周期作为神经网络输入元,P波到达后2～6s作为地震波时间窗,选择正确的网络结构和参数,搜集大量的地震样本数据进行训练,实现对近震和远震地震事件的非线性系统识别。结果表明:在样本训练区间检验数据的预测结果置信度达到100%;在非样本区间也能迅速收敛到标识符0或1附近。近震样本信号最大周期为0.25s,而置信度达到80%以上的预测区间几乎接近0.35s;远震样本信号最小周期为0.9s,而置信度达到80%以上的预测区间达到0.5s,表明模型建立得当,具有良好的泛化能力。     

基于U-Net的井中多道联合微地震震相识别和初至拾取方法

微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法(MT-Net).方法采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U-Net的单道方法(ST-Net)相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道...     

RBF神经网络在天山地震带地震预报中的应用

运用RBF人工神经网络模型,结合中国震例,通过对1976年以来新疆天山地震带MS≥4.7地震前异常参数研究分析,筛选出15个地震异常指标使其作为RBF神经网络的输入样本,经过31组样本集的训练和5组检验样本的检验,建立了基于RBF神经网络地震震级预测模型,通过对实际震例的检验取得了较为理想的预报效果。     

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件（天然地震80个、非天然地震50个）,对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。     

帕米尔地区深震震相特征及震源定位的初步研究

根据中国、塔吉克双方地震资料，研究帕米尔地区深震震相特征及震源定位。结果表明：区内深震震相有明显的区域特征，由新疆境内的数台资料，可以识别深震震相；用直达波来模拟深震源地震Ｐ、Ｓ波的传播是可行的，试算震例说明，在一定的震中距范围内（△＜８°），精度完全符合使用要求；帕米尔地区速度模型，经过反复分析测算，及几十次震例计算验证，可以推广使用。     

地震后续震相自动生成软件的设计与应用

为了提高地震观测资料的价值和利用率,台站应标注出记录清楚的地震震相.但识别地震震相需要花费大量的时间和精力,为了能够给工作人员在人机交互标注地震震相时提供参考和提示,研制出地震后续震相自动生成软件.此软件只要指定震相走时表文件目录和需处理的震相文件,即可实现后续震相的自动添加.软件目前在红山地震台运行正常,日常工作中发挥了积极作用.     

应用卷积神经网络和自注意力机制识别地磁场干扰事件

随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。     

Active Source Seismic Identification and Automatic Picking of the P-wave First Arrival Using a Convolutional Neural Network

In seismic data processing, picking of the P-wave first arrivals takes up plenty of time and labor, and its accuracy plays a key role in imaging seismic structures. Based on the convolution neural network (CNN), we propose a new method to pick up the P-wave first arrivals automatically. Emitted from MINI28 vibroseis in the Jingdezhen seismic experiment, the vertical component of seismic waveforms recorded by EPS 32-bit portable seismometers are used for manually picking up the first arrivals (a total of 7242). Based on these arrivals, we establish the training and testing sets, including 25,290 event samples and 710,616 noise samples (length of each sample:2s). After 3,000 steps of training, we obtain a convergent CNN model, which can automatically classify seismic events and noise samples with high accuracy (> 99%). With the trained CNN model, we scan continuous seismic records and take the maximum output (probability of a seismic event) as the P-wave first arrival time. Compared with STA/LTA (short time average/long time average), our method shows higher precision and stronger anti-noise ability, especially with the low SNR seismic data. This CNN method is of great significance for promoting the intellectualization of seismic data processing, improving the resolution of seismic imaging, and promoting the joint inversion of active and passive sources.     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.     

基于支持向量机的地震体波震相自动识别及到时自动拾取

面对海量地震资料,自动准确地拾取震相并确定其到时的需求非常迫切.基于支持向量机技术,本文提出了使用两个分类器SSD和SPS自动识别地震体波震相并自动拾取其到时的方法.相比于传统的自动拾取方法,本文方法能够更准确地识别震相并区分P波和S波.进一步地,我们提出了利用台阵资料辅助识别震相的方案,有效地提高了地震震相拾取的准确率.     

基于机器学习算法的银川台阵资料自动化震相分析和定位

近年来快速发展的机器学习算法显著提高了震相拾取的精度和效率。采用卷积神经网络和递归神经网络的震相识别方法对银川台阵2019年6～7月的连续波形数据进行事件检测和P、 S震相拾取,并通过快速震相关联和事件定位得到了银川地区较全的地震目录。结果表明,当震相数小于10时,虽然可以检测出较多事件,但分布呈弥散状,与区域地震活动特征不符。进一步对震相数≥10的事件进行了人工复核。总体而言,随着震相数量的增加,事件的误检率逐步降低。震相数16是该地区自动检测和定位结果准确性的拐点。当震相数≥20时,全部召回了地震目录中的13个地震事件,二者平均定位差异4.27 km。经过人工复核,检测到的真实地震事件为区域内地震目录中事件数量的9倍。本文使用的基于机器学习和快速震相关联和定位方法的流程可在确保准确率的基础上降低人工检测的难度,提高地震检测的效率。     

一组可用于探测亚稳态橄榄石存在情况的震相

基于简化的波速结构,利用二维伪谱法研究了俯冲带不同位置震源激发的地震波的传播特征.发现当俯冲板块中存在6%的低速异常时,直达P波和直达S波之间存在波阵面近平面的易于识别的P-S转换震相,其传播方向不因震源位置偏离低速层的中心而改变.对于低速层的边界存在±2 km的随机起伏、低速层为楔形、周围介质为水平分层模型这三种情况,这组震相仍然清晰可辨.对于150 km长度的橄榄石楔,模拟结果显示仍然能在一定震中距范围内接收到这一震相.因此,可以尝试用这组震相来探测俯冲带亚稳态橄榄石的存在状态.     

随机地震反演关键参数优选和效果分析(英文)

随机地震反演技术是将地质统计理论和地震反演相结合的反演方法,它将地震资料、测井资料和地质统计学信息融合为地下模型的后验概率分布,利用马尔科夫链蒙特卡洛(MCMC)方法对该后验概率分布采样,通过综合分析多个采样结果来研究后验概率分布的性质,进而认识地下情况。本文首先介绍了随机地震反演的原理,然后对影响随机地震反演效果的四个关键参数,即地震资料信噪比、变差函数、后验概率分布的样本个数和井网密度进行分析并给出其优化原则。资料分析表明地震资料信噪比控制地震资料和地质统计规律对反演结果的约束程度,变差函数影响反演结果的平滑程度,后验概率分布的样本个数决定样本统计特征的可靠性,而参与反演的井网密度则影响反演的不确定性。最后通过对比试验工区随机地震反演和基于模型的确定性地震反演结果,指出随机地震反演可以给出更符合地下实际情况的模型。     

南海巴士海峡三维OBS探测的异常数据恢复

为了探明南海东北部马尼拉俯冲带北段的地壳结构属性,2016年4—6月,"实验2"号科考船执行基金委共享航次,在巴士海峡区域实施三维海底地震仪（OBS）深地震探测实验.实验总共投放48台国产便携式OBS,最终回收41台,放炮测线长2300 km,有效放炮10800次,获得了宝贵的第一手数据资料.但初步处理显示,新研发的25台OBS数据异常,未能识别有效震相,给后续计算模拟带来极大困难.为此,本文对异常数据进行了深入分析,通过数据格式检查、导航放炮时间查对、相邻台站信号对比、外部时间和内部时间分析等手段,发现数据异常的原因是采样间隔发生了变化,由设置的4.0 ms变为实际的4.5 ms,导致内部时间出错,无法正确裁截和对齐震相.新版仪器为节能优化,调低了CPU主频,导致在较高采样率情况下,实际采样间隔比预设要长,这是造成数据异常的主要原因.通过修正采样间隔和数据重采样的方法,我们成功恢复了异常数据,获得了清晰的地震剖面.此项研究不仅挽救了宝贵的地震数据,为下一步地壳结构研究提供数据基础,而且提升了国家基金委共享航次的科学意义,可为今后国产仪器的研发和使用提供重要参考.     

卷积神经网络在地面微地震多道P波极性分类中的应用

微地震监测技术是监测水力压裂过程、评价压裂效果的重要手段.对于地面监测,PP波极性能够直接、快速地反演震源机制,同时极性校正能够提高绕射叠加定位方法的成像精度.因此,准确而迅速地确定P波极性对地面微地震实时监测具有重要意义.卷积神经网络是一种深度学习算法,具有强大的特征学习与分类能力,可用来确定微地震事件的P波极性.地...     

Numerical modeling of global seismic phases and its application in seismic phase identification

Earthquake data include informative seismic phases that require identification for imaging the Earth's structural interior. In order to identify the phases, we created a numerical method to calculate the traveltimes and raypaths by a shooting technique based upon the IASP91 Earth model, and it can calculate the traveltimes and raypaths for not only the seismic phases in the traditional traveltime tables such as IASP91, AK135, but also some phases such as pPcP, pPKIKP, and PPPPP. It is not necessary for this method to mesh the Earth model, and the results from the numerical modeling and its application show that the absolute differences between the calculated and theoretical traveltimes from the ISAP91 tables are less than 0.1 s. Thus, it is simple in manipulation and fast in computation, and can provide a reliable theoretical prediction for the identification of a seismic phase within the acquired earthquake data.