单台sPL震相测定珊溪水库地震震源深度

稀疏台网下的传统走时定位难以确定中小地震的震源深度,而地震波深度震相蕴含着震源深度信息,为确定地震震源深度提供了新的途径。近震深度震相sPL和直达Pg波到时差与震源深度呈线性关系,可用以约束地震震源深度。本文以珊溪水库2014年震群事件为例,利用单台sPL震相测定了地震震源深度。结果表明:震源深度的测定结果与基于水库台网高密度台站下Pg和Sg走时定位Hyposat方法和全波形拟合CAP方法测定的震源深度高度一致,为4—6 km,与区域活动断层探测结果相符。sPL震相的优势震中距为30—50 km,区域台网范围内sPL与Pg的到时差与震源深度的线性关系相对固定,因此利用单台sPL震相即可快速获取可靠的地震震源深度,适用于稀疏台网下的中小地震震源深度的确定,且误差可控制在1—2 km范围内。      

深度神经网络拾取地震P和S波到时

从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路.

     

地震检测与震相自动拾取研究

针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度.      

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。     

基于深度学习和台阵策略的震相自动拾取方法APP++及其在川滇地区的应用

在APP方法的基础上,使用U-net++模型,提出了进一步的改进算法APP++用于台阵下的震相到时自动拾取,测试结果显示,APP++模型在具有和APP相当的拾取能力的同时,还能够更好地避免误识别,且具有跨区域泛化能力;将该方法用于川滇地区的固定台网和流动台阵上,扫描了2014—2019年6年的连续数据,检测到了7329...     

用sPn震相测定近震震源深度

用近震深度震相ｓＰｎ与Ｐｎ波的到时差测定近震深度，方法以求简捷准确。为此，对我国部分地区台网记录的ｓＰｎ震相进行了初步分析研究，通过研制的计算ｓＰｎ走时程序运算，给出华北、山西、华东、西北及四川地区的ｓＰｎ－Ｐｎ走时差对应震源深（ｈ）表和ｓＰｎ－Ｐｎ求震源深度列线图。经过震例检验，该表比较适合本地区的走时特性。为应用ｓＰｎ震相测准我国部分地区震源深度，提供了有利工具。     

兼顾速度和精度的深度神经网络震相拾取

深度神经网络虽然在震相拾取中取得了良好效果,但作为高复杂度的机器学习模型,深度神经网络在取得较高精度的同时需要付出较高的计算代价,而且试验研究表明震相拾取中并不需要过高的模型复杂度。为此,本文根据地震波形的特点设计了四种具有不同复杂度的深度神经网络改进模型,可以综合具体的精度和速度需求从中选取合适的模型。在此基础上,将改进模型与现有四种到时拾取的深度学习网络模型进行了对比,结果表明本文中的网络模型在到时拾取上具有较高的速度和精度。同时,本文的深度神经网络通过使用多种深度学习模型压缩手段可将震相拾取模型的大小压缩到2.0 MB以内,从而使得模型可以在低功耗设备上完成高速震相拾取的同时尽可能地减少精度损失。      

基于深度学习震相拾取和密集台阵数据构建青海玛多Ms7.4地震震源区高分辨率地震目录

高分辨率地震目录有助于描绘断层的精细结构和认识发震断裂的构造形态及发震机制.基于玛多地震科考布设的短周期台阵数据,本文利用深度学习自动拾取P/S波震相、震相关联、绝对定位、相对定位等定位流程,构建了玛多Ms7.4地震后第14天至第43天的高分辨率地震目录,揭示了玛多震源区主震西侧以及主震向东20 km区域范围内的地震序...     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

用于地震预警的P波震相到时自动拾取

P波震相的自动拾取可用于地震预警中地震事件判别和地震定位,是实现基于地震台网地震预警的首要条件.针对地震预警中P波震相拾取的特点,本文发展了一套基于长短时平均(STA/LTA)和池赤准则(AIC)算法的多步骤P波自动拾取技术,应用Delaunay三角剖分提出了一种非几何相关的干扰信号剔除方法,并应用福建省数字地震台网记录对方法进行了验证,目前方法已经用到了福建省地震预警试验系统中.     

云南腾冲地区三维地震定位

本文利用中国数字测震台网和流动台站的地震资料,基于参数优化的AICD自动拾取算法和质量评估方案得到了高质量的震相到时,并在此基础上使用一维、三维定位方法对腾冲地区的799次地震事件进行了重新定位。定位结果显示:水平方向上,一维、三维重定位结果相差较小;深度方向上,三维定位的震源成丛分布比一维定位结果更加密集,地震主要位于地壳内低速层之上。分别利用一维、三维定位方法对典型地震、人工震源进行定位,结果表明,三维定位的精度明显优于一维定位,其在水平、深度方向上的平均绝对定位误差分别为0.7 km和1.3 km。      

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。      

ObsPy包中的地震事件触发和震相拾取算法梳理

ObsPy包是基于Python语言编写的面向地震学应用的地震数据处理工具软件包,该软件包中实现了5种地震事件触发和2种震相拾取算法。文章主要对这几种算法进行梳理,分析其参数需求与特点,并以临汾台、太原台和大同台3个国家测震台记录到的2016年3月12日运城盐湖ML4.8地震的事件波形为例进行分析,为研究ObsPy包在地震数据自动处理中的应用提供参考与借鉴。     

金沙江下游白鹤滩水库蓄水后地震活动特征

<正>金沙江下游白鹤滩水库是世界上第二大水库,水库坝高289 m,库容高达206.27亿m3,设计最高水位825 m,是一座仅次于三峡水库的高山峡谷型高坝大库容水库。白鹤滩水库坝址位于川滇菱形块体东部边界,多条晚第四纪以来活动的大型构造断裂带——四开交际河断裂、则木河断裂和小江断裂等在库区范围内交会,区域构造背景复杂,历史地震频发（图1）。2013年以来,在库区布设密集水库地震监测台网,以全过程监测白鹤滩水库蓄水前后的地震活动及其变化。大坝2021年4月6日下闸蓄水,至2021年10月,     

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0.067 s,0.082 s.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.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

     

天然地震识别与震相自动拾取技术进展

震相拾取是地震数据处理过程中最基本的步骤之一。在传统的人工拾取技术不能满足庞大的地震数据处理需求的情况下,震相自动拾取技术从产生到发展至今经历了漫长的过程。本文回顾并总结了震相自动拾取技术的发展状况,重点介绍了长短时窗法、赤池准则法、模板匹配技术、基于自相关盲搜索的FAST法、S波偏振分析法、人工智能方法等,以及近年发展起来的多频率震相识别、全波形叠加、二次方自回归模型等方法,同时分析了每种方法的优势和局限性。     

基于深度学习到时拾取自动构建长宁地震前震目录

将深度学习到时拾取、震相关联技术与传统定位方法联系起来,构建一套连续波形自动化处理与地震目录自动构建流程,对于高效充分利用地震资料,提升微震检测能力具有十分重要的意义.我们应用最新发展的迁移学习震相识别技术、震相自动关联技术,对长宁M_S6.0地震震中附近21个台站震前半个月（6月1日—6月17日）的连续记录波形进行P、S震相识别、震相自动关联和初步定位,并应用传统绝对定位和相对定位技术得到了长宁地震震前微震活动的绝对和相对定位目录.其中绝对定位目录能在较小的误差范围匹配85%的人工处理目录,其发震时刻平均误差为0.36±0.07 s,震级平均误差为0.15±0.024级,水平定位平均误差为1.45±0.028 km,其识别的1.0级以下微震数目是人工的8倍以上,将长宁地震震前微震目录的检测下限提升至M_L-1左右,证明了基于深度学习到时识取和REAL（Rapid Earthquake Association and Location,快速震相关联和定位技术）震相自动关联来构建微震目录具有较好的实用性.我们的自动地震目录揭示了长宁M_S6.0主震所发生的区域震前异常频繁的微震活动,以及与区域内盐矿注水井的关联性,更好地描绘了这些微震活动的时空演化特征,其空间活动性分布特征与长宁M_S6.0余震序列的分布一致.

     

中国台湾地区地震sPn震相分析及其震源深度计算

运用Pn震相对齐的方法分析了发生在中国台湾地区地震的sPn震相,总结了该地区地震sPn震相的一些特征,用sPn震相计算了震源深度并与单纯型定位法结果进行了对比。结果表明,在该地区地震中,sPn震相特征明显;应用该方法可以较准确地测定台湾浅源地震的震源深度。     

考虑震相清晰度时的最优化定位方法

在文献[1]的基础上详细讨论了各台站直达波初动震相清晰度存在差异时如何利用井下和地面观测资料联合确定震源位置、发震时刻及区域平均波速的最优化方法。理论和实际检验表明,对于一个台网而言,考虑各台站震相清晰度间的差异,会使定位主要依赖于震相清晰的台站的资料,而震相不太清晰的台站的资料只对定位起参考作用。从而提高了整个台网定位的可信度。     

基于优化参数的地震P、S波震相到时自动拾取及质量评估

准确拾取P、S波震相到时是深入开展地震波研究工作的基础,本文改进了自动拾取参数优化函数算法和质量评估方案,引入了拾取到时优化方案,使用基于参数优化的频带-带宽拾取算法、AICD拾取算法和峰度拾取算法对腾冲地区7个宽频带地震台站记录的地震资料开展了地震P、S波到时自动拾取,对拾取结果进行了优化和质量判定.结果表明：经参数优化、拾取优化后,采用3种方法自动拾取的P、S波到时与人工拾取到时的时差在0.1 s内的记录占比分别达到74.66%、70.98%.这些参数值均优于算法改进前的同类参数,证明了优化方法的可靠性.