结合台阵策略的震相拾取深度学习方法
发布时间：2022-02-13 18:03
深度学习的突破性发展及其在地震学领域的初步应用,为有效处理和利用地震资料提供了可能.震相拾取是地震资料处理中的基础性工作,目前已经提出了很多基于深度学习的震相拾取方法,取得了很好的效果.但是,为了满足地震学研究中处理连续地震记录的需要,尚需对方法进行进一步的改进.本研究针对性地设计了结合台阵策略,单独识别P波和S波的长时窗震相拾取深度学习模型PP（phase picker）及其训练方式,提出了具有实用性的震相拾取方法APP（array-assisted phase picker）.利用阿里余震AI捕捉大赛和Hi-net数据进行测试的结果表明,模型能够有效地在连续波形上拾取体波震相并具有很好的泛化能力.通过比较该模型与其他模型（较短时窗的模型和同时识别P波、S波的模型）的拾取效果,验证了模型设计的合理性.具体的测试样例显示,该方法能够正确地处理地震密集的波形数据并能避免典型噪声的影响.将该方法运用到内蒙古地区台网的观测数据中,检测到了人工目录中98.1%的地震,地震拾取总数为人工目录数的30倍,进一步表明本研究方法具有很好的实用性.
【文章来源】：科学通报. 2020,65(11)北大核心EICSCD
【文章页数】：11 页
【部分图文】：
PP模型的网络结构.彩色的框和连接线表示模型内不同类型的层;虚线框标识出模型中针对性设计的部分
如前所述,在震相拾取工作中,很多研究首先从连续波形中对地震进行检测,挑选出具有地震的波段,然后在这个波段上拾取P波和S波[4,8].这样处理的问题在于,难以选择检测地震所用时间窗长:过短的时间窗会使得方法只能处理震中距较小、波场持续时间较短的地震;较长的时间窗又会在处理到时较为接近的多个地震时遇到困难.我们在1.1中提出的使用两个模型分别对P波和S波进行识别的PP模型,不依赖于时间窗的准确选取,可以给出一系列P波和S波的到时,但并未将同一台站上属于同一地震的P波和S波匹配起来,不同台站上的震相也未被联系到具体对应的地震上.蒋一然和宁杰远[15]在Chen和Holland[19]的基础上,发展出一种以P、S震相到时差作为时空约束的台阵策略.先由自动拾取算法给出连续记录里不同台站上的P、S震相的到时信息;再利用P波、S波在同一台站上的到时差计算地震的发震时刻和位置,根据不同台站估计的发震时刻和位置的一致性将不同台站上属于同一地震的震相匹配起来,最终完成对地震的识别和对震相到时的拾取.这样可以不先在单台上把属于同一地震的P、S波匹配起来,而是借助台阵约束来完成这种匹配,通过更强的约束,让方法具有了处理复杂情形的能力.在单台上,以现有方法和样本,在很多情况下对震相、噪声几乎不可能做出准确的判断,始终会有大量的误识别产生.借助于台阵方法,可以去除掉绝大部分孤立出现的误识别信号,能够显著提高拾取的准确率.本研究因此进一步借鉴蒋一然和宁杰远[15]的思路,提出将本研究的PP模型与台阵策略相结合,减少误识别的比例,形成震相拾取方法APP(array-assisted phase picking),具体拾取流程如下:(1)使用训练好的PP模型的两个网络,对三分量数据进行滑动扫描,分别识别P波和S波,取输出结果大于0.5的峰出现的位置作为P波、S波的到时.时间窗每次滑动10 s,P波取每个时间窗中15～25 s时间段的输出结果,S波取每个时间窗中20～30 s时间段的输出结果.(2)寻找同一台站上到时差小于80 s的P、S震相,并根据到时差估算发震时刻和台站与震中的距离.(3)根据蒋一然和宁杰远[15]的台阵策略,将研究区域划分为多个子区域,联合不同台站的估计结果,取发震时刻和震中位置一致性最好的时刻和子区域作为发震时刻和震中位置.(4)将不同台站上满足发震时刻和震中位置的拾取结果和相应的地震匹配起来,剔除余下未被匹配的震相,得到最终的地震和震相到时目录.
本研究统计了模型拾取与人工拾取差在1.5 s内的结果,误差的分布如图3(a)～(d).可以看出,由SC训练集得到模型的拾取结果早于由JP训练集得到的模型:在JP测试集上,SC训练集得到模型的拾取结果偏早;在SC测试集上,JP训练集得到模型的拾取结果偏晚.经过对具体波形的查看,发现这里的差异是由于两个台网人工拾取习惯造成的,SC数据集的人工拾取会偏早一些.对于震相拾取而言,一个稳定的小的到时偏差,对于定位等方法没有影响,也可以通过标定很容易地消除这种偏差.我们对同一组拾取结果都采用去均值处理,再评价其拾取结果.这里的均值取到时差在2 s以内结果的平均值.为了定量地对比模型的拾取效率,采用与Zhu和Beroza[10]相同的评价标准,下面为正确率P、召回率R和综合正确率F1的表达式:
【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]基于支持向量机的地震体波震相自动识别及到时自动拾取[J]. 蒋一然,宁杰远. 地球物理学报. 2019(01)
[4]深度神经网络拾取地震P和S波到时[J]. 于子叶,储日升,盛敏汉. 地球物理学报. 2018(12)
[5]中国地震科学台阵流动观测现状及进展[J]. 宋丽莉,杨微,葛洪魁,袁松湧,欧阳飚. 国际地震动态. 2012(03)
本文编号：3623662
【文章来源】：科学通报. 2020,65(11)北大核心EICSCD
【文章页数】：11 页
【部分图文】：
PP模型的网络结构.彩色的框和连接线表示模型内不同类型的层;虚线框标识出模型中针对性设计的部分
如前所述,在震相拾取工作中,很多研究首先从连续波形中对地震进行检测,挑选出具有地震的波段,然后在这个波段上拾取P波和S波[4,8].这样处理的问题在于,难以选择检测地震所用时间窗长:过短的时间窗会使得方法只能处理震中距较小、波场持续时间较短的地震;较长的时间窗又会在处理到时较为接近的多个地震时遇到困难.我们在1.1中提出的使用两个模型分别对P波和S波进行识别的PP模型,不依赖于时间窗的准确选取,可以给出一系列P波和S波的到时,但并未将同一台站上属于同一地震的P波和S波匹配起来,不同台站上的震相也未被联系到具体对应的地震上.蒋一然和宁杰远[15]在Chen和Holland[19]的基础上,发展出一种以P、S震相到时差作为时空约束的台阵策略.先由自动拾取算法给出连续记录里不同台站上的P、S震相的到时信息;再利用P波、S波在同一台站上的到时差计算地震的发震时刻和位置,根据不同台站估计的发震时刻和位置的一致性将不同台站上属于同一地震的震相匹配起来,最终完成对地震的识别和对震相到时的拾取.这样可以不先在单台上把属于同一地震的P、S波匹配起来,而是借助台阵约束来完成这种匹配,通过更强的约束,让方法具有了处理复杂情形的能力.在单台上,以现有方法和样本,在很多情况下对震相、噪声几乎不可能做出准确的判断,始终会有大量的误识别产生.借助于台阵方法,可以去除掉绝大部分孤立出现的误识别信号,能够显著提高拾取的准确率.本研究因此进一步借鉴蒋一然和宁杰远[15]的思路,提出将本研究的PP模型与台阵策略相结合,减少误识别的比例,形成震相拾取方法APP(array-assisted phase picking),具体拾取流程如下:(1)使用训练好的PP模型的两个网络,对三分量数据进行滑动扫描,分别识别P波和S波,取输出结果大于0.5的峰出现的位置作为P波、S波的到时.时间窗每次滑动10 s,P波取每个时间窗中15～25 s时间段的输出结果,S波取每个时间窗中20～30 s时间段的输出结果.(2)寻找同一台站上到时差小于80 s的P、S震相,并根据到时差估算发震时刻和台站与震中的距离.(3)根据蒋一然和宁杰远[15]的台阵策略,将研究区域划分为多个子区域,联合不同台站的估计结果,取发震时刻和震中位置一致性最好的时刻和子区域作为发震时刻和震中位置.(4)将不同台站上满足发震时刻和震中位置的拾取结果和相应的地震匹配起来,剔除余下未被匹配的震相,得到最终的地震和震相到时目录.
本研究统计了模型拾取与人工拾取差在1.5 s内的结果,误差的分布如图3(a)～(d).可以看出,由SC训练集得到模型的拾取结果早于由JP训练集得到的模型:在JP测试集上,SC训练集得到模型的拾取结果偏早;在SC测试集上,JP训练集得到模型的拾取结果偏晚.经过对具体波形的查看,发现这里的差异是由于两个台网人工拾取习惯造成的,SC数据集的人工拾取会偏早一些.对于震相拾取而言,一个稳定的小的到时偏差,对于定位等方法没有影响,也可以通过标定很容易地消除这种偏差.我们对同一组拾取结果都采用去均值处理,再评价其拾取结果.这里的均值取到时差在2 s以内结果的平均值.为了定量地对比模型的拾取效率,采用与Zhu和Beroza[10]相同的评价标准,下面为正确率P、召回率R和综合正确率F1的表达式:
【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]基于支持向量机的地震体波震相自动识别及到时自动拾取[J]. 蒋一然,宁杰远. 地球物理学报. 2019(01)
[4]深度神经网络拾取地震P和S波到时[J]. 于子叶,储日升,盛敏汉. 地球物理学报. 2018(12)
[5]中国地震科学台阵流动观测现状及进展[J]. 宋丽莉,杨微,葛洪魁,袁松湧,欧阳飚. 国际地震动态. 2012(03)
本文编号：3623662
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3623662.html
