[发明专利]面向地震震相识别的基于时域的卷积神经网络模型及应用

说明书

本发明提供面向地震震相识别的基于时域的卷积神经网络模型及应用，该模型是通过以下步骤构建而成：(1)将地震波形数据集分成训练集、验证集和测试集；(2)将卷积神经网络CNN与时域神经网络TCN进行结合构建S‑TCN模型，将训练集先输入到连续的三个卷积块进行特征学习，再将特征学习后的数据输入到一个主TCN块和两个连续的副TCN块中进行地震P波和S波的总特征提取和上下文信息的提取，最后连续的两个副TCN块的输出被分别送到GRU模块和TimeDistributed模块的两个并行分支进行震相识别与震相拾取；(3)训练S‑TCN模型、验证，得到震相识别与拾取结果。该模型保留了更多的地震信号数据的特征，对地震震相识别准确性高。

技术领域

本发明涉及地震信号检测和预警技术，具体涉及一种面向地震震相识别的基于时域的卷积神经网络模型及应用。

背景技术

地震严重危害人民生命财产安全，快速准确的地震震相自动识别能够为地震预警提供有效手段，快速准确的P波识别是地震预警发出报警信息的基础。

地震预警系统的工作原理就在于可以探测到地震发生最初时发射出来的无破坏性的地震波为纵波(纵波即P-波，primary wave)，而破坏性的地震波为横波(横波即S-波，secondary wave)，由于传播速度相对较慢则会延后10～30秒到达地表。深入地下的地震探测仪器检测到纵波(P-波)后传给计算机，即刻计算出震级、烈度、震源、震中位，于是预警系统抢先在横波(S-波)到达地面前10～30秒通过电视和广播发出警报。并且，由于电磁波比地震波传播得更快，预警也可能赶在P波之前到达。

当地震发生后，离震中最近的几个预警台站会陆续接收到地震信号，触发地震参数快速判测系统；在收到信号的几秒至十几秒内，快速判测系统将估算出地震的发震时刻，发震位置，震源的类型和震级的大小；然后利用这些参数模拟出相关区域内地面运动的强烈程度；根据模拟的结果，抢在相应地震波以前，向不同地区发出相应的预警信息。

活化断层是地震的主要因素。近年来，深度神经网络用于地震震相自动识别并证明深度神经网络可以有效处理海量数据，拾取的更多多有效震相用于层析成像。通过提升深度网络的泛化性用于处理海量测震数据，为现有地震目录提供更多有效数据用于地质结构的反演。随着近些年来地震观测的不断增多，海量地震数据的快速、高精度的自动拾取，对于地球深部精细结构研究、地震快速预警有着重要意义。传统的检测方法中，STA/LTA(Allen,1978)[1]和模板匹配方法(Gibbons and Ringdal 2006[2]；Shelly et al.2007[3]；Ross et al,2017[4]；Li et al,2018[5])是最常用的传统检测方法，但是STA/LTA对阈值和特征函数的选取极大的影响了识别的准确率，模板匹配方法极其依赖模板的数量和质量，泛化性差。

近年来，学者们将深度神经网络用于地震震相识别中并取得良好效果，Perol T在2108年提出了ConvNetQuake应用于侦测美国俄克拉荷马地区的地震，结果发现其功力大胜俄克拉荷马州地质调查所的震测系统，检测出的地震数量超过旧有系统的17倍以上。Ross等的基于南加州地区的273,882多个地震事件建立数据集并训练CNN模型，其得到的模型具有较强的泛化能力，即使对与训练数据所属区域构造不同的地区，如日本Kumamoto地震的事件波形，也能有效检测。虽然其具有较好的震相识别性能，但存在计算资源要求高的问题。

最近的研究结果表明，时域卷积网络TCN(Temporal Convolutional Network)在广泛的序列建模任务中优于基线循环架构，包括动作分割、语音分析和合成任务等，严等人发表的有关TCN用于天气预报任务的研究成果表明TCN在时间序列数据的预测任务中表现良好。但传统的TCN存在感受野有限、准确率低的问题。目前采用时域卷积神经网络TCN对地震震相识别，与RNN等传统的循环神经网络相比，TCN虽然不利用重复的体系结构，但是随着网络层数的加深，反向传播的梯度会越来越不稳定，并且随着感受野的扩大，TCN的识别性能也会有所下降。

发明内容