白鹤滩水库库区基于深度学习的震相拾取与地震定位

近年来深度学习技术广泛应用于震相拾取与地震定位研究,采用深度神经网络搭建的EQTransformer模型对白鹤滩水库库区34个数字地震台站2016—2018年记录的连续数据进行P、 S波震相拾取,并通过REAL进行震相关联和初步定位,然后使用VELEST和hypoDD地震定位算法优化地震位置。研究表明,基于深度学习的震相拾取,与白鹤滩水库地区传统的人工处理方法相比显示出更高的效率,EQTransformer模型可拾取与人工拾取相当的P、 S波震相到时,其时间差的均值分别为0.03 s和0.07 s,符合正态分布。REAL初步定位后的地震个数(13815个)接近常规目录(7862个)的2倍,最终通过hypoDD获得了7108个高精度定位地震。估算的震级比常规目录中的震级平均低0.27,震级差值集中在0.7以内,最小完备震级由常规目录的M_L1.4更改为M_L0.6+0.27,填补了部分常规目录的震级空白,丰富了研究区域内的中小型地震。     

深度学习地震数据重建方法研究综述

由于自然条件限制和人为因素的影响,实际采集得到的地震数据往往会出现地震道数据缺失的情况,会对后续的地震数据处理和解释制造困难,需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域,截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法,分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图,重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势,对现今的深度学习重建方法进行总结和展望.     

地震震源深度定位研究的现状与展望

地震震源深度是地震学研究中的核心问题之一,准确确定地震震源深度对于准确评估地震灾害、确定地震成因和动力学环境、判断余震发展趋势和危险性以及核爆监测等多方面具有非常重要的意义,然而地震震源深度定位一直是国际地震学界一个难题。针对这些问题,对地震震源定位研究的现状和未来的发展进行了分析和总结。首先,对目前国际和国内地震深度定位方法的研究现状进行了总结,综述了目前深度定位的主要思路和方法,主要介绍了走时定位和波形拟合定位2个方面。其中,系统介绍了走时定位中的S-P定位、Pn-Pg定深以及波形反演定深中的偏振定深和振幅定深方法,并分别阐述了这些方法的优缺点及适用范围。由于波形反演中的深度震相方法对地震深度较为敏感,而且对速度模型的依赖性相对较小,因此对深度震相中的sPmP、sPL、sPn,sSn等进行了较为全面的介绍和评述,分别就其适用范围及优缺点进行了定量的分析。其次,对速度模型的影响以及地震波速度结构的反演等问题进行了简要的综述。最后,在此基础上,对未来深度定位的发展进行了展望,提出综合多种定位方法和数据以及联合地震学和大地测量学等技术进行联合深度定位,将是未来地震定深以及地震震源性质反演的主要方向。     

波形相关意义“重复地震”研究综述

波形相关意义的“重复地震”在自然界中普遍存在,其数量远远超过我们的预期。近年来由于数字地震观测技术的普及和发展,有关“重复地震”的研究引起越来越多的关注,目前“重复地震”研究已被广泛应用于检测地壳介质性质变化、评估地震台网的定位精度、估计地震“复发”的概率和断层深部滑动速率的估算方面的估计;在提高定位和震相识别精度、断层结构、震源物理及地震预测研究等方面也都显示出值得关注的应用潜力。本文对有关“重复地震”的最新研究及应用成果进行了总结和归纳。     

波形相关意义“重复地震”研究综述

波形相关意义的“重复地震”在自然界中普遍存在,其数量远远超过我们的预期.近年来由于数字地震观测技术的普及和发展,有关“重复地震”的研究引起越来越多的关注.目前“重复地震”研究已被广泛应用于检测地壳介质性质变化、评估地震台网的定位精度、地震“复发”和断层深部滑动速率的估算等方面,在提高定位和震相识别精度、断层结构、震源物理及地震预测研究等方面也都显示出值得关注的应用潜力.本文对有关“重复地震”的最新研究及应用成果进行了总结和归纳.     

深度人工神经网络在地震反演中的应用进展

人工神经网络是通过从大量训练数据中学习来拟合复杂非线性函数的有效方法,属于一种数据驱动的机器学习方法.人工神经网络应用于地震反演时可以得到更高分辨率和精度的结果,有着优于传统反演方法的泛化能力和非线性拟合能力.本文对人工神经网络的发展脉络进行了回顾,梳理了基于梯度的学习过程中代价函数的作用,反向传播学习算法的思路,激活函数的不同类型,以及万能近似定理等.特别是对热门的深度神经网络,按照时间先后顺序总结了带卷积核的LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet、UNet、自编码器和GANs等经典模型.在此基础上,本文分析了深度神经网络在反射系数和子波反演、速度反演、波阻抗反演和地震结构反演中不同网络的拓扑结构、学习算法、激活函数和训练样本等.最后,本文归纳和讨论了用于地震反演的有监督端到端学习网络的流程和关键影响因素等,展望了融入物理规律、基于反演目标函数展开的专用地震反演网络.     

基于深度学习的测井岩性识别方法研究与应用

深度学习是一种高效的特征提取方法,它能够提取数据中更加抽象的特征,从而有效地解决复杂的非线性问题.本文将深度学习技术应用于地球物理测井的岩性识别中,构建了一个基于Re Lu激励函数、Adagrad优化算法、Softmax回归层等技术方法整合的深度神经网络模型,利用自然伽马、深感应、岩性密度、中子-密度孔隙度和平均中子-密度孔隙度5种测井参数,以及陆相-海相指示和相对位置2种地质约束变量作为输入变量训练深度神经网络模型.通过对实际井数据的测试验证取得了非常理想的效果,展示了将深度学习技术应用于地球物理的良好前景.     

机器学习在地震检测与震相识别的应用综述

在地震学研究中地震检测与震相识别是最基础的环节,其拾取速度和精度直接影响其在地震精确定位以及地震层析成像中的应用效率和精度。近年来,机器学习在地震学领域中引起广泛关注。机器学习可以改进传统地震检测和震相识别方法,使它们能达到更加准确,识别率更高的效果。把机器学习方法按照监督学习和无监督学习分类介绍,并对机器学习方法流程进行总结,并对目前在地震检测与震相识别方面应用较为广泛的机器学习方法(卷积神经网络、指纹和相似性阈值、广义相位检测、PhaseNet、模糊聚类)进行综述。结果表明:机器学习在地震事件检测和震相识别将会是主要的手段。数据驱动的机器学习在地震学中的应用和物理模型的联合运用将是未来的发展趋势。     

紫坪铺水库及邻区的微震检测与定位

首先对四川省地震局提供的1 017次地震进行重定位，并将重定位后的578次高信噪比地震作为模板，利用基于图像处理器加速的匹配定位技术(GPU-M&L)对紫坪铺水库地震台网7个台站2005—2008年记录的连续波形数据进行扫描；然后利用基于深度学习算法的去噪技术(DeepDenoiser)设计出的卷积神经网络模型来进一步验证这些新检测到的地震事件；最后利用双差定位法对检测到的地震事件进行精定位。最终识别到的地震事件多达1万6 836个，约为四川省地震局目录事件的13倍，地震目录的完备震级由M_L1.4降为M_L-0.1。定位结果显示，研究区的地震事件呈北东向线性分布，优势震源深度指示区域地壳内的滑脱层位置，结合b值和震源深度分析结果推测，研究区蓄水后的地震主要是构造应力积累导致的天然地震活动，并伴随水库触发地震混杂发生。     

卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network, CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.     

Pre- and post-earthquake regional loss assessment using deep learning

As urban systems become more highly sophisticated and interdependent, their vulnerability to earthquake events exhibits a significant level of uncertainties. Thus, community-level seismic risk assessments are indispensable to facilitate decision making for effective hazard mitigation and disaster responses. To this end, new frameworks for pre- and post-earthquake regional loss assessments are proposed using deep learning methods. First, to improve the accuracy of the response prediction of individual structures during the pre-earthquake loss assessment, a widely used nonlinear static procedure is replaced by the recently developed probabilistic deep neural network model. The variabilities of the nonlinear responses of a structural system given the seismic intensity can be quantified during the loss assessment process. Second, to facilitate near-real-time post-earthquake loss assessments, an adaptive algorithm, which identifies the optimal number and locations of sensors in a given urban area, is proposed. Using a deep neural network that estimates area-wide structural damage given the spatial distribution of the seismic intensity levels as a surrogate model, the algorithm adaptively places additional sensors at property lots at which errors from surrogate estimations of the structural damage are the greatest. Note that the surrogate model is constructed before earthquake events using simulated datasets. To test and demonstrate the proposed frameworks, the paper introduces thorough numerical investigations of two hypothetical urban communities. The proposed frameworks using the deep learning methods are expected to make critical advances in pre- and post-earthquake regional loss assessments.     

三峡库区地震精定位中确定速度模型的方法

研究三峡库区地震精定位中确定速度模型的方法,分析不同速度模型对地震定位精度的影响,并选取多种方法来定量评价不同速度模型的地震定位精度。当地震分布或台站能够较好的覆盖研究区域,采用Kissling方法拟合观测数据得到的速度模型地震定位精度最高。当地震分布不能较好的覆盖研究区域,由人工地震测深结果得到的速度模型地震定位精度次之。当没有足够的观测数据,也没有人工地震测深结果,综合研究区域内的相关研究成果确定的速度模型也是可用的,但是地震定位的精度不高,特别是震源深度的精度很差。     

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...     

面向地震巨灾保险的建筑特性快速提取方法

房屋建筑分类是抗震设计和地震风险分析的基础,是巨灾保险的纽带环节,也是结构易损性准确、完备分析的前驱保障,快速获取建筑特性参数非常关键。基于影像数据获取结构特性相比传统手段具有显著优势,然而其准确性具有一定挑战性,从影像数据得到实时的、较准确的结构特性成为地震保险数据获取技术的关注焦点。本文采用深度学习方法开展从影像数据中提取面向地震保险需求的建筑特性数据,构建基于深度学习方法的建筑高度识别模型和基于机器视觉的建筑高度识别方法,运用基于Xception神经网络深度学习和机器视觉的模型,对北京地区的建筑高度进行模型测试,该方法可为地震保险分析提供重要的基础数据支持。     

东祁连山北缘断裂带基于深度学习的密集台阵地震事件快速检测与定位研究

为监测东祁连山北缘断裂带附近的地震活动性,布设包含240台短周期地震仪的面状密集台阵,进行约30 d的连续观测。首先使用基于深度学习的多台站地震事件检测算法（CNNDetector）进行地震事件检测,然后使用震相拾取网络（PhaseNet）对地震事件进行P波和S波到时拾取,其次使用震相关联算法（REAL）进行震相关联及初定位,最后使用双差定位（hypoDD）进行地震重定位,最终的精定位地震目录中共有517个地震。在密集台阵观测期间,中国地震台网正式地震目录中共有39个位于台阵内的地震事件,相比而言,密集台阵检测到大量小于0级的地震。因此通过布设密集台阵,可提高活动断裂微地震活动性的监测能力。与历史地震空间分布相比,密集台阵地震精定位分布具有较好的一致性,表现出更明显的线性分布特征。基于地震分布,发现研究区域存在与地表断层迹线走向不同的隐伏活跃断裂。     

利用卷积神经网络检测地震的方法与优化

本文以西昌台阵观测的8 321次近震数据为例,详细介绍了利用深度卷积神经网络检测地震的数据处理流程,包括数据预处理、模型训练、波形长度、网络层数、学习率和概率阈值等关键参数对检测结果的影响,并将训练得到的最优模型,应用于事件波形和连续波形的检测。研究表明,数据预处理和数据增强可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数（5—8层）的检测结果差别不大。对于地震检测,学习率设为10?4—10?3较为合适。卷积神经网络检测出的地震数量与选择的概率阈值有关,通过绘制精确率-召回率变化曲线,可以为选择合适的概率阈值提供参考。本文为进一步利用深度学习算法提高地震检测效果提供了参考。      

福建台网接入台湾台站对定位台湾中深源地震精度影响分析

福建台网负责监测中国台湾地区地震。对于中深源地震使用何种定位方法能获得较好的地震参数,这直接影响到地震定位精度。利用JOPENS系统中交互分析软件MSDP提供的定位方法,对同一地震进行两次定位,即不使用和使用接入的台湾台站,将福建台网得出的两次结果与中国台湾公布的地震参数进行对比,分析定位精度,进而找出适用于台湾地区中深源地震的定位方法,以便进一步判断在地震速报中使用这些台站进行辅助定位的可行性,并给出相关的操作方法及建议。     

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.      

Information Detection of Seismic Debris Flow by UAV High-resolution Image Based on Transfer Learning

A large number of debris flow disasters (called Seismic debris flows) would occur after an earthquake, which can cause a great amount of damage. UAV low-altitude remote sensing technology has become a means of quickly obtaining disaster information as it has the advantage of convenience and timeliness, but the spectral information of the image is so scarce, making it difficult to accurately detect the information of earthquake debris flow disasters. Based on the above problems, a seismic debris flow detection method based on transfer learning (TL) mechanism is proposed. On the basis of the constructed seismic debris flow disaster database, the features acquired from the training of the convolutional neural network (CNN) are transferred to the disaster information detection of the seismic debris flow. The automatic detection of earthquake debris flow disaster information is then completed, and the results of object-oriented seismic debris flow disaster information detection are compared and analyzed with the detection results supported by transfer learning.     

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use.