人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例

发布时间：2021-11-12 13:51

　　为了准确而迅速地拾取大量地震事件的P波初至,将深度学习方法引入微地震P波初至到时拾取研究中,对卷积神经网络的结构进行改造,以便适应地震波形数据的特点和P波初至拾取的要求。该算法只需要输入10s窗口的三分量地震波形数据,就可以自动地判定P波初至时刻,无需扫描连续波形,运算时间远远小于长短窗、模板匹配等传统方法。使用该算法训练汶川地震主震后2008年7—8月7467条人工拾取的余震P波初至到时,将得到的模型对测试集中1867条数据的计算结果与人工拾取结果对比,误差小于0.5 s者占比达到98.9%。在低信噪比条件下,该方法仍能保持较好的拾取能力。 

【文章来源】：北京大学学报(自然科学版). 2019,55(03)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

Morlet小波基(据文献[20]修改)

北京大学学报(自然科学版)第55卷第3期2019年5月456证集误差的连接权和阈值。训练过程中采用最小二乘误差作为损失函数的计算损失,使用学习速率为0.001的自适应矩估计法来优化参数。3模型结果3.1时间域波形数据卷积神经网络模型结果基于时间域波形数据卷积神经网络模型,对5974条训练集数据进行训练,调整参数,将整个数据集中的1867条数据作为测试集,当测试集数据结果的最小二乘误差在最近的1000次训练中都未减小时,停止训练。为了便于评价模型的泛化能力,我们将训练集和测试集结果的误差分布做成直方图(图2)。图2(a)显示7467条训练集+验证集样本波形数据通过时间域波形数据卷积神经网络模型计算得到的到时拾取结果与人工拾取到时之间的误差分布,人工拾取到时的标注精度为0.1s,65.8%的误差小于0.1s,89.6%的误差小于0.2s,98.4%的误差小于0.5s。图2(b)显示1867条测试集样本波形数据通过时间域波形数据卷积神经网络模型计算得到的到时拾取结果与人工拾取到时之间的误差分布,42.8%的误差小于0.1s,67.4%的误差小于0.2s,90.6%的误差小于0.5s。可见,该模型在测试集的表现比训练集有较大的下降,误差大于1.0s的仍有2.1%。因此,我们对其中误差小于0.1s和大于1.0s的数据分别画出波形进行分析,结果如图3所示。从图3看出,对信噪比较高的数据,该模型有不错的表现。图3(a)显示使用时间域波形数据卷积神经网络模型对测试集中一条三分量波形数据拾取P波初至到时的结果,模型拾取到时比人工拾取到时滞后0.03s。由于人工拾取到时的标注精度为0.1s,故可以认为对该条数据的拾取结果是准确的。对于信噪比较低的数据,该模型的识别能力较弱。图3(b)显示使用时间域波形数据卷积神经网络模型对测试集中某条低信噪比数据拾取P波初至到时的结果,模?

蔡振宇等人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例457红线表示人工拾取的到时,蓝线表示模型拾取的到时。下同图3高信噪比和低信噪比时间域波形数据卷积神经网络模型拾取到时与人工拾取到时对比Fig.3ComparisonoftimedomainCNNmodelandmanualpickingresultsinhighSNRcircumstanceandlowSNRcircumstance黄色竖线表示不同频率模型拾取的到时,绿色竖线表示模型最终给出的到时,红色竖线表示人工拾取的到时图4小波时频谱卷积神经网络模型拾取到时与人工拾取到时对比Fig.4Comparisonofwavelettime-frequencymapmodelandmanualpickingresults

【参考文献】：
期刊论文
[1]微震信号自动检测的STA/LTA算法及其改进分析[J]. 刘晗,张建中.  地球物理学进展. 2014(04)
[2]“国家数字测震台网数据备份中心”技术系统建设及其对汶川大地震研究的数据支撑[J]. 郑秀芬,欧阳飚,张东宁,姚志祥,梁建宏,郑洁.  地球物理学报. 2009(05)
[3]用于三分向记录震相识别的小波变换方法[J]. 刘希强,周蕙兰,沈萍,杨选辉,马延路,李红.  地震学报. 2000(02)
[4]利用人工神经网络理论对地震信号及地震震相进行识别[J]. 张范民,李清河,张元生,盛国英,范兵.  西北地震学报. 1998(04)



本文编号：3491042