推荐星级:
- 1
- 2
- 3
- 4
- 5
基于深度学习卷积神经网络的地震波形自动分类与识别
资料介绍
发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.
部分文件列表
文件名 | 大小 |
基于深度学习卷积神经网络的地震波形自动分类与识别.pdf | 2M |
部分页面预览
(完整内容请下载后查看)第
卷 第
期
1
地
球
物
理
学 报
ꢀ
,
Vol.62 No.1
62
ꢀ
ꢀ
ꢀ
ꢀ
年
月
1
,
Jan.2019
2019
CHINESE JOURNAL OF GEOPHYSICS
ꢀ ꢀ ꢀ
,
赵明 陈石
,
, ():
基于深度学习卷积神经网络的地震波形自动分类与识别 地球物理学报
.
, :
DaveYuen.2019.
621 374382doi
ꢀ
-
/
10.6038c 2019M0151.
jg
,
,
ZhaoM ChenS DaveYuen.2019.Waveformclassificationandseismicreconitionb convolutionneuralnetwork.Chinese
ꢀy
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
(
), ():
,
: /
J.Geo hs.inChinese 621 374382doi10.6038c 2019M0151.
jg
ꢀ
-
p y
基于深度学习卷积神经网络的地震波形
自动分类与识别
,
23
1
,
1
*
赵明 陈石
,
DaveYuen
ꢀ
,
中国地震局地球物理研究所 北京
1
2
3
100081
ꢀ
,
美国哥伦比亚大学应用物理和应用数学系 纽约
10027
ꢀ
,
中国地质大学大数据学院 武汉
430074
ꢀ
、 、
摘要 发展高效 高精度 普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要 波形自动拾取
.
ꢀ
算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选 本文针对地震事件 噪音分类这一问
.
-
,
题 使用
,
个汶川地震余震事件建立数据集 应用深度学习卷积神经网络
(
)
方法进行训练 并用
CNN
,
个
13839
8900
,
新的汶川余震事件作为检测数据集 其训练和检测准确率均达到
,
CNN
以上 在对连续波形的检测中
.
方法在
95%
/
和
STA LTA Fbicker
, ,
传统方法 并能找出大量人工挑选极易遗漏的微震事件 最后 我们应
.
精度和召回率上优于
p
、
个台站 天的连续波形数据进行了识别 到时挑取及与参考地震目录
8
用训练好的最优模型对选自全国台网的
441
,
CNN
,
段波形 用自动挑选算法拾取到
,
对
1380 P S
,
到时 并与
,
1
关联
检出
个地震目录事件成功关联 对
7016
540
,
,
证明了
,
模型具有泛化能力 初步展示了
级以上事件总体识别准确率为
二级以上为
在发展
CNN
54%
80%
CNN
、 、 ,
兼具效率 精度 普适性算法 实时地震监测等应用上具有巨大潜力
.
;
关键词 卷积神经网络 自动波形拾取
ꢀ
:
/
doi10.6038c 2019M0151
jg
,
2018031220181214
-
中图分类号
收稿日期
收修定稿
P315
ꢀ
-
-
-
Waveformclassificationandseismicreconitionb convolutionneuralnetwork
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
g
y
ꢀ
,
23
1
1
*
,
,
CHENShi DaveYuen
ꢀ ꢀ
ZHAO Min
ꢀ
g
ꢀ
,
,
,
1Instituteo Geo hsics ChinaEarthuakeAdministration Beiin 100081 China
ꢀf
p y j g
ꢀ
ꢀ
q
ꢀ
ꢀ
,
,
2Universit o Minnesota NewYork10027 USA
y f
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
,
3ChinaUniversit o Geoscience Wuhan430074 China
y f
ꢀ ꢀ
ꢀ
ꢀ
ꢀ
,
,
Abstract Thedevelo mentofefficient hih recision anduniversalautomaticwaveform ick
ꢀ ꢀ ꢀp -
ꢀ
ꢀ
p
g
-
p
ꢀ
ꢀ
ꢀ
u alorithmismoreand moreim ortantinthebackroundofearthuakebi data.Themain
ꢀ ꢀ ꢀ ꢀ ꢀ p ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ g ꢀ
p g q
g
ꢀ
ꢀ
challenecomesfrom howtoadattotheclassificationofdifferentt esofseismiceventsin
gꢀ
ꢀ ꢀ ꢀ ꢀ pꢀ ꢀ ꢀ ꢀ ꢀ ꢀyp ꢀ ꢀ ꢀ ꢀ
,
,
differentreions.Inthis aer accordin totheseismiceventnoiseclassification roblem a
ꢀ g ꢀpp ꢀp
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
-
ꢀ
convolutionalneuralnetwork method wasusedtotrainthedatasetbasedon13839 Wenchuan
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
earthuakeaftershocksand8900new Wenchuanaftershockeventswereusedasthetestdataset.
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
q
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
Thetrainin anddetectionaccurac rateswerebothover95%.Inthedetectionofcontinuous
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
g
ꢀ
ꢀ
y
ꢀ
ꢀ
ꢀ
, /
waveforms theCNN methodissueriortothetraditionalmethodsofSTA LTAandFbickerin
ꢀ
ꢀ
ꢀ
ꢀ ꢀ p
ꢀ ꢀ ꢀ
ꢀ
ꢀ ꢀ
ꢀ p
ꢀ
(
,
)
和中国地震局地球物理研究所基本科研业务专项
41774090 41804047
( )
为本研究提供资助
DQJB1801
基金项目 国家自然科学基金
ꢀ
.
,
, , ,
男 博士 助理研究员 主要从事地震学方面的研究
.E mail mzhao ceai .ac.cn
gp
:
第一作者简介 赵明
ꢀ
-
@
-
,
, ,
男 研究员 主要从事地球内部物理学研究
.E mail chenshi ceai .ac.cn
gp
:
通讯作者 陈石
ꢀ
*
-
@
-
375
:
赵明等 基于深度学习卷积神经网络的地震波形自动分类与识别
期
1
ꢀ
,
recisionandrecallrate andcanfindalarenumberofmanuall selectedmicroseismicevents
ꢀꢀ gꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ
y
ꢀ
ꢀ
ꢀ
,
thatareeasil missed.Finall weusethetrainedotimalmodeltoidentif 8da continuous
ꢀ ꢀ ꢀp ꢀ ꢀ
ꢀ - ꢀ
y y
y
ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
,
waveformdatafrom 441stationsnationwide.CNN detects7016 waveforms then we icku
ꢀ ꢀp ꢀp
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
1380 airsofPandSarrivaltimesusin anautomatic ickin alorithm finall the ickuswere
g g p ꢀ
ꢀ ꢀꢀ ꢀꢀ ꢀp ꢀp
p
ꢀ
ꢀ
g
ꢀ
ꢀ
y
ꢀ
-
ꢀ
successfull associatedwith540earthuakecatalo events.Theoverallreconitionaccurac of
ꢀ ꢀ ꢀ ꢀ ꢀ
y
ꢀ
ꢀ
q
g
ꢀ
g
y
ꢀ
,
eventsabovemanitude1 was54% and80% abovemanitude2 whileinsomeareassuchas
ꢀ g ꢀ g ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
SichuanandXinian thedetectionrateishiher.ItisshownthatCNNneuralnetworkhasbroad
ꢀ j g ꢀ ꢀ ꢀ g ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ ꢀ
ꢀ
a lication rosectsintherealtimeearthuakedetectionandlocation.
ꢀp ꢀ ꢀ ꢀ - ꢀ ꢀ ꢀ ꢀ
pp q
p
(
);
Kewords Convolutionalneuralnetwork CNN Waveformauto ickin
g
ꢀ
ꢀ
ꢀ
ꢀ
-
p
y
,
域具有相同的震源机制的地震 对于重复发生的地
, ,
震检测十分有效 然而 其检测精度很大程度上取决
引言
0
ꢀ
, ,
于使用的模板数量 此外随着模板数据库的增长 计
,
随着地震仪在全球范围的大规模部署 人类已
(
算量也呈指数级增加
Skoumaletal.2014
ꢀ ꢀ
,
);
指纹
(
和相似性阈值法 简称
)
使用了结合计算机视
FAST
经进入地震大数据时代 如何处理地震网络每天收
.
,
集的大量数据 特别是从质量参差不齐的连续波形
觉技术和大数据处理方法的
音频指纹算
Waverint
p
, ,
法 对波形进行特征提取 将每个波形浓缩成一个只
记录中分离出地震和噪声是一个非常棘手的问题
.
: ,
例如 大地震发生之后 抗震救灾与应急救援需要对
“ ”,
保留其主要特征的紧凑 指纹 使用局部敏感哈希
, ,
余震序列进行动态的监测与快速定位 地震编目 地
, 、
算法降低相似性搜索量 该方法在检测灵敏度 适用
、 ,
性 计算效率方面都有不错的表现 但内存和计算开
球内部速度结构研究如层析成像等都是以大量地震
,
事件的挑选与到时拾取作为基础 而目前这些工作
(
销较大
Yoonetal.2015 .
ꢀ ꢀ
,
)
(
,
)
Fan etal.2015 .
g ꢀ
仍主要靠低效的人工完成
神经网络算法是指旨在模拟人类大脑学习过程
ꢀ
,
为了解决这一问题 多年来人们发展了各种自
, “ ”
的一类算法 它利用彼此互联的非线性 神经元 组
, :
动地震识别算法 比较典型的有 基于振幅的长短窗
、
, (
成的复杂网状结构 可以模拟输入特征集合 如地震
(
,
简
Akaikeinformationcriteria
) ( , )
波形 与预期输出值 如震相类型 到时等 之间复杂
基于
信息准则
Akaike
ꢀ
ꢀ
)
的方法
AIC
( , ),
以及基于波形相似性
Akaike1974
,
的非线性关系 并能进一步对新的输入特征给出有
称
、 、
的波形自相关 互相关 指纹和相似性阈值法 各种
.
(
,
)
,
类似于模板匹配
Goodfellowetal.2016 .
效预测
ꢀ ꢀ
:
方法都有自己的优势和局限性 长短窗法用短时平
神经网络算法需要事先从大量样本学习不同地震波
(
,
)
和长时平均
ShortTerm AveraeSTA
(
Lon
g
-
,
形的特征 但其独特优势在于训练好的模型具有泛
均
-
ꢀ
g
,
Term AveraeLTA
g
) 、
之比来反映信号振幅 频率等
,
化能力 可以发现训练集不包含的新特征 早在
.
20
ꢀ
,
的变化 当地震信号到达时
, /
STA LTA
,
年代 就有人将人工神经网络引入到地震波
值会有一个
世纪
90
, ,
突变 当其比值大于某一个设定阈值时 则判定有地
(
,
g
;
Wan andTen 1995 Zhaoand
ꢀ
形自动识 别 中 来
g
ꢀ
ꢀ
, , 、
震事件发生 这种方法计算快速 对于脉冲 信噪比
, ; ,
Takano1999 Gentiliand Michelini2006
ꢀ
),
由于早
ꢀ
,
高的信号识别准确率较高 但会漏掉低信噪比的信
,
期的神经网络均为全连接层 受限于当时的计算水
(
,
;
,
;
Allen 1978 Withersetal.1998 Trnkocz
ꢀ ꢀ
,
y
, ,
平 很难构建深层网络 其发展受到很大限制
号
.2010
);
2012 AIC
,
方法 依据
, ,
年以后 随着大数据时代的到来 以及计算机性能的
寻求波形曲线的极小点
AIC
,
作为震相的到时点 包括自回归
(
,
进一步提高 神经网络算法的发展迎来新的契机 其
.
方法
AIC
Sleemanand
ꢀ
, ; , )、
基于峰度的
VanEck1999 Akazawa2004
ꢀ
:
中以卷积神经网络的广泛应用最具代表性 卷积神
Kurtosis
-
(
,
)
以及基于小波变
Küerkochetal.2010
ꢀ ꢀ
, ,
经网络通过共享权重 比人工神经网络参数更少 可
方法
AIC
p
(
,
Zhan etal.2003
g ꢀ
) ,
等 该
, ,
构建的网络层数更深 提取特征的能力大大提高 在
换的
方法
waveletAIC
-
ꢀ
,
类方法对震相和频率的变化十分敏感 常被用于震
、 、 ,
语音识别 视觉识别 自然语言处理等多个领域 都
, ,
相到时的精确拾取 然而 与
/
STA LTA
,
AIC
(
,
Krizhevsk etal.2012
ꢀ
;
类似
取得了前 所 未 有 的 突 破
y
ꢀ
;
的结果也强烈依赖于信噪比以及检测区间 波形相
, ; , )
与这些问题类
LeCunetal.2015 Heetal.2016 .
ꢀ ꢀ ꢀ ꢀ
( )
关性 或称模板匹配 分析可以用来检测源自单个区
,
似 地震事件的识别本质上也是一个特征提取与参
全部评论(0)