基于深度学习技术的地震实时流数据自动处理辅助工具开发
发布时间：2021-11-29 00:18
以JOPENS系统实时流接收为基础,应用Redis共享内存技术和近年来发展较快的深度学习震相自动识别技术,设计一套可7×24小时不间断稳定接收并实时识别连续地震流数据中P、S震相的系统,为地震台网实时数据处理提供一套辅助工具,并在福建省地震局测震台网128个台站的实时数据流上进行测试。该工具由Redis实时数据流共享模块与深度学习震相到时自动拾取、MSDP震相格式转换3个模块组成,可以实时接收并自动识别台网地震连续波形,生成P、S震相报告,并可导入MSDP人机交互工具进一步处理,在一定程度上可以减轻人工处理工作量。
【文章来源】：地震地磁观测与研究. 2020,41(02)
【文章页数】：7 页
【部分图文】：
地震实时流数据自动处理辅助工具的工作流程
(2）定义一个Trace类便于缓存数据，类结构见图2。Trace类包括多种数据类型，主要由numpy数组tr＿data和字典型列表tr＿Stat构成，其中tr＿data用于存放三分量波形数据，tr＿Stat存放台站参数、波形信息等。(3）客户端：连接redis服务器，从redis共享内存中读取台站参数信息写入tr＿Stat，台站信息存入一维数组station＿list，通道信息存入二维数组channel＿list，按秒读取redis中指定台站编号、通道编号、波形开始时间、波形结束时间的波形数据，返回tr＿data，传输失败的秒数记录到tr＿Stat的errorSecSum。
(3)PhaseNet的输出有2种：(1)表格数据，震相文件格式见表1;(2)含震相自动标注和概率分布的图片，见图3（图中绿色线条为P波概率分布，紫色线条为S波概率分布，概率峰值对应于到时）。虽然输出图片更为直观，但会拖慢实时处理速度，因此一般默认输出表格数据。2.3 MSDP交互
【参考文献】：
期刊论文
[1]基于U形卷积神经网络的震相识别与到时拾取方法研究[J]. 赵明,陈石,房立华,David A Yuen. 地球物理学报. 2019(08)
[2]基于深度学习卷积神经网络的地震波形自动分类与识别[J]. 赵明,陈石,Dave Yuen. 地球物理学报. 2019(01)
[3]数据处理系统软件JOPENS的架构设计与实现[J]. 吴永权,黄文辉. 地震地磁观测与研究. 2010 (06)
本文编号：3525446
【文章来源】：地震地磁观测与研究. 2020,41(02)
【文章页数】：7 页
【部分图文】：
地震实时流数据自动处理辅助工具的工作流程
(2）定义一个Trace类便于缓存数据，类结构见图2。Trace类包括多种数据类型，主要由numpy数组tr＿data和字典型列表tr＿Stat构成，其中tr＿data用于存放三分量波形数据，tr＿Stat存放台站参数、波形信息等。(3）客户端：连接redis服务器，从redis共享内存中读取台站参数信息写入tr＿Stat，台站信息存入一维数组station＿list，通道信息存入二维数组channel＿list，按秒读取redis中指定台站编号、通道编号、波形开始时间、波形结束时间的波形数据，返回tr＿data，传输失败的秒数记录到tr＿Stat的errorSecSum。
(3)PhaseNet的输出有2种：(1)表格数据，震相文件格式见表1;(2)含震相自动标注和概率分布的图片，见图3（图中绿色线条为P波概率分布，紫色线条为S波概率分布，概率峰值对应于到时）。虽然输出图片更为直观，但会拖慢实时处理速度，因此一般默认输出表格数据。2.3 MSDP交互
【参考文献】：
期刊论文
[1]基于U形卷积神经网络的震相识别与到时拾取方法研究[J]. 赵明,陈石,房立华,David A Yuen. 地球物理学报. 2019(08)
[2]基于深度学习卷积神经网络的地震波形自动分类与识别[J]. 赵明,陈石,Dave Yuen. 地球物理学报. 2019(01)
[3]数据处理系统软件JOPENS的架构设计与实现[J]. 吴永权,黄文辉. 地震地磁观测与研究. 2010 (06)
本文编号：3525446
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3525446.html
