山西定襄地震台FH-463A与BHC-336定标器测氡仪系统观测数据对比

对山西定襄地震台2套FD-125氡钍分析器及其配套定标器分别为FH-463A与BHC-336的测氡仪系统,从定标器阈值设定、观测数据稳定性及数据一致性方面,开展定标器阈值设定对比试验和水氡测值同步对比观测.结果表明:FH-463A定标器测氡仪系统水氡数据标准误差更小,精度更高,稳定性更佳;BHC-336定标器阈值为0....     

基于支持向量机算法的地震事件分类研究——以东北地区为例

台网的加密使我们可以监测到更多类型、更小的地震事件,地震震源分类对地震危险性评估、区域构造研究和诱发地震的孕震机制都具有重要意义.在传统的地震监测中,技术人员通过P波极性、频谱特征和矩张量等参数识别地震事件的类型,这种识别方法依赖人工经验且较难实现自动化.本文以东北地区天然地震、爆破以及塌陷事件为例,提取三种事件P波和S波在频率域和时间域的典型物理特征,利用支持向量机（Support Vector Machine-SVM）方法对特征进行训练,对事件进行机器学习分类识别.东北地区事件的分类结果表明,该方法可以有效的完成三分类识别,准确率达到99.2%,爆破、塌陷、天然地震三种类型的F₁分数分别为98.99%、97.85%和100%.同时该方法具有较好的泛化能力,基于东北地区的训练模型,甘肃地区塌陷识别准确率为84.9%,内蒙古地区爆破识别准确率为86.6%.本研究显示支持向量机方法在少样本量的地震事件类型多分类中有较好的实际应用前景.

     

地震和爆破事件源波形信号的卷积神经网络分类研究

本文首先从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形.在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.每一个事件有107个观测台站,故有107份垂直分量波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份不等.然后提取被留下未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究.     

天山中段地区重复地震时空特征研究

基于2009—2017年新疆区域数字地震台网记录的地震波形数据,利用波形互相关技术及主事件定位方法识别并重新定位了新疆天山中段及其周缘的重复地震。以波形互相关系数0.9作为阈值来确定研究区的重复地震事件,统计结果显示3万零181个事件中的1万1 618个为重复地震事件,这些重复地震事件组成了2395组重复地震对和重复地震丛,占总事件数的38.5%。根据重复地震重定位前后地震对之间距离的统计结果推测,该区域的系统定位误差约为5—10 km。进一步结合该区域最新的震源分类结果对不同震源类型重复地震的时空分布特征予以分析,结果显示:重复矿山爆破事件在空间上呈丛集性分布,且其中的93.6%发生于白天,同时呈现季节性发生模式,即爆破多发生于夏季,而冬季较少;而重复构造地震在空间上大多沿断层分布,24小时内呈随机分布的特征,且研究时段内每个月的活动水平相对平稳;重复诱发地震成丛分布于靠近油气田和水库的区域,但其中部分诱发地震的位置与构造地震重叠,发震时间特征与构造地震相似,为随机分布。      

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.

     

阿尔金断裂带中段现代沉积物样品钾长石红外激发后红外释光的残留信号——对年轻古地震事件测年的指示意义

阿尔金断裂中段车尔臣河—清水河沿线发育新鲜的地震地表破裂带,据推测可能由千年以来的强震事件所致。然而,由于目前缺乏可有效应用于ka时间尺度的第四纪测年方法,建立该地区历史时期古地震事件的精确时间序列十分困难。文中在该断裂带采集分选好、中、差3种不同类型的具有代表性的现代断塞塘沉积样品,探讨了基于钾长石红外激发后红外释光(post-IR IRSL)方法测定年轻古地震事件的可能性。通过"积分区间-激发温度坪"实验,确认了在首步IR激发温度为110℃时,post-IR IRSL170信号在ka时间尺度上不受异常衰减影响。采用粗颗粒2mm小测片技术,利用最小年龄模型和有限混合模型,可有效识别出断塞塘沉积物中post-IR IRSL170信号晒退彻底的钾长石颗粒。实验表明,这一方法得到的post-IR IRSL170信号的非光敏残留剂量为0. 6～0. 8Gy,如通过合理的方法扣除其影响,post-IR IRSL170技术将有望用于数百a至ka时间尺度的古地震事件测年。     

基于STFT和CNN的地震信号分类识别研究

地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果.     

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1 078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示：最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

中国大陆古地震研究的关键技术与案例解析(4)——古地震定年技术的样品采集和事件年代分析

古地震资料要在地震中长期预报和地震危险性评估中发挥更重要的作用,关键在于减小古地震研究中的不确定性,古地震发生年代的确定是最大限度减小不确定性的关键因素之一。要得到尽可能接近真实的古地震事件年代,除正确地选择测年方法外,正确的采样方法和事件年代确定技术尤为关键。在几种主要测年技术中,优先采集碳十四(14C)测年样品、释光样品采集搬运过程有充分"退火"条件的物质、铍十(10Be)样品应采集各种干扰因素较少的样品、依据构造运动属性选择适宜的采样位置、用序列样品限制事件年代等,是正确采集测定事件年代样品的技术要点;用地层年代限制的事件发生年代宜用区间值、有多个可信样品年龄值时应用年轻样品的年代数据,是确定单一地点事件发生年代的基本原则;而包括逐次限定法、Z统计法、年龄分布曲线重叠法、事件窗法、年龄分布曲线权重重叠法在内的时间对比法,以及空间对比法是断层或断层段多个测年地点事件年代估计的主要分析方法。     

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...     

基于广义S变换的地震与爆炸识别

为了进一步增强区域台网针对天然地震与人工爆炸事件的识别能力,本文利用广义S变换方法,围绕河北省三河采石场爆破以及周边发生的天然地震波形记录展开研究,总结了地震与爆炸在时频谱中的差异性。研究表明,受震源机制影响,天然地震时频谱图的频带范围更宽广,能量团分布也较人工爆炸更为复杂。为了消除震中距的影响,本文将求解的时频谱保存为规格相等的灰度图像,通过滑动窗口计算图像的灰度一致性得到新的识别判据?谱图二阶矩。对三河地区已知地震和爆炸事件的测试表明,谱图二阶矩对单台波形记录的识别率可达91%,多台求取平均值之后的识别率超过98%,因此该判据具有良好的应用前景。      

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。     

甘肃平凉地区地震活动特征及其发震机理研究

针对2001年以来甘肃省平凉地区中小地震活动增强现象比较突出问题,通过遗传算法重新定位地震深度,利用矩张量反演方法反演震源机制解,并根据平凉地区地震时空分布特征、震相特征以及区域地质构造环境,认为平凉地区地震主要为煤矿诱发地震,可能发震机理为煤体压缩、顶底板拉伸、断层矿震等.     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来, 快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力, 能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型, 其中输入信息包括多台站地震波形和单台站的地震时频数据, 使得卷积神经网络同时获取事件的波形、频谱和极性特征.根据美国犹他州2012年记录到的天然地震和采石场爆破的观测资料, 构建深度学习的训练数据集并进行模型训练, 并据此判断2013—2016年间已知的天然地震和爆破事件.结果表明, 多输入卷积神经网络具有较高的识别精度, 识别率高达97%.

     

浙江临安地震台阵勘选测试与背景噪声水平分析

在大中城市周边建设地震台阵,可解决城市内地震监测台站建设不便和背景噪声高等问题,增强人口密集区的地震监测能力。杭州湾地区沉积层较厚,建设基岩地震台站不够现实,为适应长三角区域的一体化发展,增强该区地震和非天然地震的监测能力,在浙江临安建设地震台阵。使用GL-PS60一体化宽频带地震计进行测点勘选工作,利用Welch平均周期法,对9个子台进行背景噪声功率谱估计。结果发现,背景噪声功率谱相关性较好,且与全球噪声模型一致性较好。在台阵勘选过程中,于2017年4月12日和13日分别记录到临安4.2级地震及菲律宾远震事件,波形清晰,表明初选台址效果较好,符合地震台阵建设要求。     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。