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.     

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%.

     

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。     

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.     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

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.

     

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块.以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的AlexNet、VGG16、VGG19、GoogL...     

福建地区人工爆破与天然地震的判定

利用福建地震台网的人工爆破与天然地震的数字记录,采用波形对比法,分析发生在同一地区的爆破与地震波形特征.结果发现,爆破与地震在震相、P波初动符号分布、振幅比As/Ap等方面具有不同特征,据此得出爆破识别的有效判据,并对一次疑爆事件进行有效检验,为今后爆破的识别提供依据.     

乌拉特前旗爆破与地震识别

2004年1～5月，内蒙古乌拉特前旗一带出现中小地震记录明显增多现象，在此期间，该区高速公路施工，新增许多爆破点。选取1～5月乌拉特前旗发生的45次地震事件，通过对模拟地震波形与数字地震波形对比和爆破与地震的震相分析，共识别出爆破5次，占该区地震总数的11．1％，排除人工爆破导致乌拉特前旗“窗口”中小地震记录增多的可能性，表明地震“窗口”中小地震活动明显增强。     

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。      

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...     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础。针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法。首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习LogitBoost的决策树集成分类器进行分类。实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93.1%以上,比集成学习AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好。     

数字化台网的近震震相自动识别

首次提出了数字化台网对于近震震相自动识别的“波形变化值增长”算法和“无后续震相”判据 .前者根据波形变化值来描述近震波形的变化 ,用该值的增长捕捉地震波振幅或频率的突变 ;后者在识别到初动后考察后续波形的变化情况 ,如果没有其它震相 ,初动识别无效 .该判据使算法在初动震相振幅过小识别不清时 ,不会误将后续振幅较大的震相识别为初动震相 .该方法经实例检验表明精度符合地震速报的要求 ,并编制了相应的程序     

基于小波包分形和神经网络的地震与岩溶塌陷识别

本文以近年来广西地震台网中心记录的天然地震和岩溶塌陷为例,尝试利用基于小波包的分形和径向基函数神经网络技术对这两类事件的波形进行识别,以期有效地识别地震与岩溶塌陷。结果表明,基于小波包分形与神经网络相结合的事件识别方法对天然地震和岩溶塌陷事件的识别率高达89.5%,可作为识别天然地震与岩溶塌陷的一个有效方法。      

基于多尺度注意残差网络的地震波形分类研究

选用2010年2月—2016年12月发生在北京顺义及河北三河等首都圈邻近区域的117个地震事件(包括54个天然地震事件和63个非天然地震事件——爆炸事件)作为研究对象,利用文章所提出的多尺度注意残差网络对其中的天然地震事件和爆炸事件波形进行二分类。首先,对原始地震波形进行简单预处理并截取成相同长度的地震时序数据,直接将其作为网络模型的输入;其次,选用含有残差模块的深度神经网络作为基础网络,利用深度神经网络对特征的自动提取能力,省略了传统波形分类需要提前提取时域波形的特征作为分类算法输入的步骤;然后,融合通道注意力机制(ECA)并对其进行改进,将空间维度的信息融入通道信息,优化了网络对关键信息的关注,更好地聚焦重要特征;最后,使用空间金字塔池化代替最大池化进行多尺度特征融合,得到更多的特征信息,构成多尺度注意残差网络。实验结果表明,最高分类准确率为97.11%,平均分类准确率为96.53%,证明了多尺度注意残差网络在地震波形分类任务中的有效性,为震源类型识别工作提供了一种新的方法。     

卷积神经网络快速挑选接收函数

地震三分量波形数据中提取的接收函数受震源复杂性及随机噪声等因素的影响,往往出现一些波形异常现象,需要在资料解释前予以剔除.当接收函数数量较多时,人为挑选质量合格的接收函数将耗费大量的时间.为了高效的挑选高质量的接收函数,本文利用深度学习卷积神经网络(Convolutional Neural Network,简称CNN)...     

模拟PLUM方法在2021年日本福岛县近海M7.3级地震中的表现

2021年2月13日晚,日本福岛县近海发生M7.3级地震,产生强烈振动,此次地震被认为是"3.11"地震的余震。首先介绍了PLUM方法的原理及日本气象厅地震预警系统对于PLUM方法的应用,评述了JMA地震预警结果。通过模拟PLUM方法在此次地震中的表现,由预测精度和有效预警时间两个指标来评估该方法的性能,并与日本气象厅发布的预警信息对比。模拟结果显示:受限于地震数据以及PLUM方法本身的原理,在震后第24 s发出第一次警报,不及使用P波预警与PLUM相结合的JMA地震预警系统及时。在地震前期0~40 s处于烈度剧烈上升阶段,预测精度较差;40 s之后的预测结果较为准确,预测精度高达100%。PLUM方法可以有效克服点-源模型中的弊端,特别是在多个地震同时发生的情况下预警效果良好,将PLUM方法纳入我国地震预警系统可以有效提高预警能力。