信噪比是衡量地震数据质量的重要指标之一,在地震数据处理和解释中有着重要的作用.目前已有的地震数据信噪比估计方法往往得到的是整个数据的全局信噪比,这种方法只能说明地震数据总体质量的好坏,无法直观细致地刻画地震信号的局部质量.本文提出一种基于正则化条件的局部信噪比估计方法.该方法的基本原理是使用正则化共轭梯度法求解局部信噪比最优解,正则化算子的参数将控制地震信号各点数据局部信噪比的平滑性.其中应用一种基于“过滤波”的级联信号估计方法来计算有效信号,该方法利用有效信号和噪声的相关性特征计算局部信噪比中的有效信号.局部信噪比估计方法利用了信号中每个数据点及其邻域各点的局部信息,避免了使用单个数据点而可能出现的信噪比不合理值,而且局部处理能够减少全局噪声对信噪比估算的影响,该方法可以更准确地表征地震资料信噪分布特征.另外,局部信噪比对去噪方法的评估也具有重要意义.理论模型测试和实际资料处理结果表明,局部信噪比估计方法能够准确反映任一给定地震信号剖面的局部信噪比特征,为非平稳地震数据质量评估提供了直观的评判标准.
相似文献发展高效、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.
相似文献分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.
相似文献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MS6.4主震与青海玛多MS7.4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.
相似文献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Vs30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.
相似文献地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.
相似文献随着越来越多高压直流输电线路的投入运行, 地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件, 本文基于卷积神经网络和长短期记忆神经网络, 提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据, 结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录, 制作高压直流输电干扰样本34360条, 正常样本34360条.模型在训练集上的准确率达到了94.12%, 验证集上的准确率达到了92.94%, 测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率, 为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.
相似文献