共查询到19条相似文献，搜索用时 828 毫秒
1.
2.
磁暴急始的自动识别拾取与磁暴报告自动产出是国家地磁台网数据产品产出中重要的内容。为实现在1s采样率下的磁暴急始高精度拾取,本文针对性地提出基于Walsh变换和Akaike信息准则(AIC)的起跳点检测算法——Walsh-AIC算法,将其应用于98个磁暴急始事件的拾取上,并采用由国际地磁指数服务(ISGI)发布的磁暴时刻为标准对应用效果进行评估。结果表明,该算法不仅能够将急始磁暴起跳时刻的位置更加明显地刻画出来,而且能够有效避免传统识别急始磁暴的AIC算法中存在的识别起跳时刻结果晚于实际起跳时刻的情况。同时,将Walsh-AIC算法与其他主流拾取方法进行对比,发现前者定位结果的平均偏差和标准差均明显小于其他算法。此外,Walsh-AIC算法结果的误差关于0点的对称性较好,表明该算法拾取磁暴急始起跳时刻的精度较高,适合于解决磁暴急始的自动拾取问题。 相似文献
3.
地震P波到时快速、精确的自动拾取是实现地震预警的第一步。目前所有P波到时自动拾取方法都需要进一步考虑准确度问题,据此提出用"振幅变化"长短时均值比方法拾取P波到时。研究表明引进"振幅变化"作为特征函数比Allen的"振幅变化平方"更能突显地震波初至时刻的"突变"特征。对"振幅变化长短时均值比方法"和Allen的"振幅变化平方长短时均值比方法"进行抗噪音分析表明,在较低信噪比条件下,Allen方法不能准确地拾取P波到时,而新方法依然能较准确地拾取P波到时。在较高信噪比条件下,用两种方法拾取的160个M_S4.0地震P波到时,其误差大都在允许范围内,但新方法拾取的准确度略高。新方法可以看做是对长短时均值比方法的拓展。 相似文献
4.
目前叠加速度的获取主要是通过人工拾取速度谱,存在着效率低、耗时长且易受人为因素影响的缺点.本文提出了一种基于自适应阈值约束的无监督聚类智能速度拾取方法,实现叠加速度的自动拾取,在保证速度拾取精度的同时提高拾取效率.利用时窗方法在速度谱中计算自适应阈值,从而识别出一次反射波速度能量团作为速度拾取的候选区域.然后,根据K均值方法将不同的速度能量团聚类,并将最终的聚类中心作为拾取的叠加速度.最后,依据人工拾取速度的经验,加入了离群速度点的后处理工作,以获得更光滑的速度场.模型和实际地震数据测试结果表明,本文提出的方法总体上与人工拾取叠加速度的精度相当,但明显提升了速度拾取效率,极大缓解了人工拾取负担. 相似文献
5.
6.
《地球物理学进展》2020,(3)
初至拾取是勘探地震资料处理中最基础的工作之一,现有的初至拾取方法日趋成熟.但当信号信噪比较低时,常规方法的拾取精度随之降低,因此一些适用于低信噪比数据的拾取方法被提出.其中应用较广泛的是基于时频分析的初至拾取方法,由于拾取过程涉及时频正变换和逆变换,效率较低,鉴于此,基于时频系数的叠加结果和时间域信号具有相同波形特征的特点,提出了一种在时频域直接开展初至拾取的方法,首先将数据转入时频域,然后采用自适应的噪声衰减方法进行噪声压制,最后在时频域直接拾取初至.模拟和实际数据的拾取结果证实,该方法在低信噪比的环境下,可以获得高于常规方法的拾取精度,并且比基于小波变换的其他方法更节省计算成本. 相似文献
7.
准确拾取P、S波震相到时是深入开展地震波研究工作的基础,本文改进了自动拾取参数优化函数算法和质量评估方案,引入了拾取到时优化方案,使用基于参数优化的频带-带宽拾取算法、AICD拾取算法和峰度拾取算法对腾冲地区7个宽频带地震台站记录的地震资料开展了地震P、S波到时自动拾取,对拾取结果进行了优化和质量判定.结果表明：经参数优化、拾取优化后,采用3种方法自动拾取的P、S波到时与人工拾取到时的时差在0.1 s内的记录占比分别达到74.66%、70.98%.这些参数值均优于算法改进前的同类参数,证明了优化方法的可靠性. 相似文献
8.
基于特征值分解方法,本文讨论了一种适用于地方震事件S波震相到时拾取的自动处理算法。该算法计算参数少、简便快捷、易于实现,通过选用七个不同长度的时间窗,有效地减小了窗长选择不合理所引起的震相拾取误差。利用福建地震台网记录的9 855条三分向波形记录进行测试,结果表明:本文方法的S波平均拾取偏差为（0.003±1.34） s,其中79.6%的记录拾取偏差小于0.5 s,4.1%的记录拾取偏差超过2.0 s,说明本文方法能够满足日常工作基本需求。综上分析认为,波形记录质量是影响拾取算法结果精度的最主要因素,信噪比较高的记录,其S波到时拾取偏差显著优于信噪比较低的记录,对信噪比较低的部分记录进行带通滤波预处理后,S波震相拾取精度也有所提升。 相似文献
9.
本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%. 相似文献
10.
地震反射走时拾取是反射走时层析成像的首要环节。本文提出一种基于共炮点域、共检波点域、共中心点域、共偏移距域的多域人机交互反射波走时拾取方法。通过分析地震记录在不同域的特征,选择最佳的域进行反射波同相轴的拾取,在人机交互的环境下采用人工和计算机相结合,提高拾取的准确度和效率。利用Qt语言编程实现了地震资料的多域显示及反射波走时多域人机交互拾取软件。合成地震记录和实际地震资料的走时拾取结果表明,该软件操作灵活方便,对复杂地震资料的反射波走时拾取取得良好效果。 相似文献
11.
为提高初至拾取方法的准确性和自适应能力,将变异系数加权K均值聚类算法引入初至拾取中。首先提取均方根振幅、相邻道相关性、线积分、振幅谱主频等多种地震属性;然后针对地震属性进行加权K均值聚类,自动识别初至所在时窗;最后结合相位校正法,实现时窗内初至波起跳时间的拾取。在此基础上通过实际数据测试,并与长短时窗能量比法、反向传播神经网络方法对比,验证了本文方法的有效性与可行性。结果表明,基于加权K均值聚类的多属性初至拾取方法能较快速、准确地拾取低信噪比数据的初至,并且无需人为判断时窗,从而提高了拾取的自适应能力。 相似文献
12.
地震P波、S波初至时间的拾取是地震波分析的一项基础性工作.本文提出了一种新的地震波初至时间自动拾取的方法:首先,把地震波的三分量时程曲线变换为一组空间向的能量变化率时程曲线;然后对能量变化率时程曲线进行STA/LTA(Short Time Average/Long Time Average,短时间的均值/长时间的均值)处理,拾取地震P波和S波的大致初至时间;最后提出采用一种二次方自回归模型对初至附近的能量变化率曲线进行二次方自回归处理,精确拾取出P波和S波的初至时间.本文采用了10组芦山地震的记录数据和150组汶川地震的记录数据对此方法的可靠性进行了检验.以人工拾取结果为参考,此方法具有很高的准确率和稳定性,同时,相比于常用的STA/LTA方法和AIC(Akaike Information Criterion,Akaike信息准则)方法,此方法在计算时间效率方面稍微逊色,但是对S波初至时间的拾取精度和可靠性更高.此方法丰富了地震P波、S波初至时间的自动拾取方法. 相似文献
13.
Active Source Seismic Identification and Automatic Picking of the P-wave First Arrival Using a Convolutional Neural Network 总被引：1，自引：1，他引：0
XU Zhen WANG Tao XU Shanhui WANG Baoshan FENG Xuping SHI Jing YANG Minghan 《中国地震研究》2019,33(2):288-304
In seismic data processing, picking of the P-wave first arrivals takes up plenty of time and labor, and its accuracy plays a key role in imaging seismic structures. Based on the convolution neural network (CNN), we propose a new method to pick up the P-wave first arrivals automatically. Emitted from MINI28 vibroseis in the Jingdezhen seismic experiment, the vertical component of seismic waveforms recorded by EPS 32-bit portable seismometers are used for manually picking up the first arrivals (a total of 7242). Based on these arrivals, we establish the training and testing sets, including 25,290 event samples and 710,616 noise samples (length of each sample:2s). After 3,000 steps of training, we obtain a convergent CNN model, which can automatically classify seismic events and noise samples with high accuracy (> 99%). With the trained CNN model, we scan continuous seismic records and take the maximum output (probability of a seismic event) as the P-wave first arrival time. Compared with STA/LTA (short time average/long time average), our method shows higher precision and stronger anti-noise ability, especially with the low SNR seismic data. This CNN method is of great significance for promoting the intellectualization of seismic data processing, improving the resolution of seismic imaging, and promoting the joint inversion of active and passive sources. 相似文献
14.
针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度. 相似文献
15.
地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路. 相似文献
16.
17.
Current deep neural networks (DNN) used for seismic phase picking are becoming more complex, which consumes much computing time without significant accuracy improvement. In this study, we introduce a cascaded classification and regression framework for seismic phase picking, named as the classification and regression phase net (CRPN), which contains two convolutional neural network (CNN) models with different complexity to meet the requirements of accuracy and efficiency. The first stage of the CRPN are shallow CNNs used for rapid detection of seismic phase and picking P and S arrival times for earthquakes with magnitude larger than 2.0, respectively. The second stage of CRPN is used for high precision classification and regression. The regression is designed to reduce the time difference between the probability maximum and the real arrival time. After being trained using 500,000 P and S phases, the CRPN can process 400 hours’ seismic data per second, whose sampling rate is 1 Hz and 25 Hz for the two stages, respectively, on a Nvidia K2200 GPU, and pick 93% P and 89% S phases with the error being reduced by 0.1s after regression correction. 相似文献
18.
Seismic phase picking is the preliminary work of earthquake location and body-wave travel time tomography. Manual picking is considered as the most accurate way to access the arrival times but time consuming. Many automatic picking methods were proposed in the past decades, but their precisions are not as high as human experts especially for events with low ratio of signal to noise and later arrivals. As the increasing deployment of large seismic array, the existing methods can not meet the requirements of quick and accurate phase picking. In this study, we applied a phase picking algorithm developed on the base of deep convolutional neuron network (PickNet) to pick seismic phase arrivals in ChinArray-Phase III. The comparison of picking error of PickNet and the traditional method shows that PickNet is capable of picking more precise phases and can be applied in a large dense array. The raw picked travel-time data shows a large variation deviated from the traveltime curves. The absolute location residual is a key criteria for travel-time data selection. Besides, we proposed a flowchart to determine the accurate location of the single-station earthquake via dense seismic array and phase arrival picked by PickNet. This research expands the phase arrival dataset and improves the location accuracy of single-station earthquake. 相似文献
19.
将识别地震的深度学习算法PhaseNet应用于四川台网和首都圈台网, 对该模型的泛化能力进行了测试和评估。 首先利用2010年1月至2018年10月首都圈台网199个地震台站记录的29328个事件(ML0~ML4)所对应的126761段事件波形, 以及 2019年4—9月四川及邻省部分台网227个地震台站记录的16595个事件(ML0~ML6.0)所对应的120233段事件波形分别建立了SC和CA测试数据集, 并用预训练好的PhaseNet模型进行P、 S震相自动识别和到时拾取, 并将拾取结果与人工拾取结果在不同误差阈值下进行对比。 测试结果表明, PhaseNet在两个数据集上具有良好的震相检测能力(误差阈值为0.5 s), 其P、 S震相检测的F1值都超过0.75, 具有比较稳定的准确拾取P波到时能力(误差阈值0.1 s), 其检测F1值均超过0.6, 而S波到时拾取的F1值分别为0.33(SC)和0.53(CA)。 进一步分析了测试结果与震中距、 震级、 信噪比、 台站所处地域之间的关系, 为下一步继续训练更优化的模型指明了方向。 研究结果表明, PhaseNet算法在区域台网地震自动检测和到时拾取方面有很大的应用潜力和提升空间, 可以为区域台网的自动编目工作提供辅助。 相似文献