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。     

美国地震监测现状综述

美国的地震监测工作起步较早,在台网设计、设备研制、软件研发、标准制定、数据管理和新技术应用等领域处于领先地位。近年来,随着移动互联网的发展,以及强震动观测、地震预警和大规模流动台阵等项目的推进,美国的地震数据产品实现了从单一向多元化、定制化的跨越。我国的地震监测工作虽起步较晚,但随着国家地震烈度速报与预警、“一带一路”地震监测台网和中国地震科学实验场等一系列重大项目的实施,地震站网密度、监测预警能力、地震数据智能处理、服务水平和新技术应用等方面都取得了跨越式发展。为更好地了解国际地震监测现状,文章从地震监测架构、地震台网布局、数据处理系统、地震预警系统和数据产品五个方面介绍了美国的地震监测工作进展,并与我国地震监测进行对比分析,可为我国地震监测预警事业规划和发展提供参考。