共查询到17条相似文献，搜索用时 164 毫秒
1.
为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。 相似文献
2.
3.
精确获取震相到时是地震定位和地震走时成像等研究的重要基础.近年来,随着地震台站的不断加密,地震台网监测到的地震数量成倍增长,发展快速、准确、适用性强的震相到时自动拾取算法是地震行业的迫切需求.本文在前人工作基础上,发展了Pg、Sg震相自动识别与到时拾取的U网络算法（Unet_cea）,使用汶川余震和首都圈地震台网记录的89344个不同震级、不同信噪比的样本进行训练和测试.研究表明,U网络能够较好地识别Pg、Sg震相类型和拾取到时,Pg、Sg震相的正确识别率分别为81%和79.1%,与人工标注到时的均方根误差分别为0.41 s和0.54 s.U网络在命中率、均方根误差等性能指标上均明显优于STA/LTA和峰度分析自动拾取方法.研究获得的最优模型可以为区域地震台网的自动处理提供辅助. 相似文献
4.
以JOPENS系统实时流接收为基础,应用Redis共享内存技术和近年来发展较快的深度学习震相自动识别技术,设计一套可7×24小时不间断稳定接收并实时识别连续地震流数据中P、S震相的系统,为地震台网实时数据处理提供一套辅助工具,并在福建省地震局测震台网128个台站的实时数据流上进行测试。该工具由Redis实时数据流共享模块与深度学习震相到时自动拾取、MSDP震相格式转换3个模块组成,可以实时接收并自动识别台网地震连续波形,生成P、S震相报告,并可导入MSDP人机交互工具进一步处理,在一定程度上可以减轻人工处理工作量。 相似文献
5.
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. 相似文献
6.
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
7.
中国目前实行的区域地震台网独立运行机制,使得在相邻不同台网的交界地区可能存在多个版本的地震目录和震相观测报告,影响了地震活动性分析与研究.为此,本文提出了一种基于联合概率的方法,可标明两个或多个相邻台网目录中相同的事件,合并它们的震相数据开展重新定位,并重构不同台网交界地区的统一地震目录.该方法的思路与分析步骤是：首先,计算获得不同台网之间具有最小发震时刻差异的两两地震的时空强差异分布,查找并剔除独立地震,计算事件合并的联合概率;其次,基于联合概率分析合并不同台网的地震目录和震相观测报告,对合并事件进行重新定位和定位误差分析,并基于G-R关系检验重构目录的完整性.本文以2014年鲁甸地震序列为例的初步应用结果显示,震相合并之后的地震定位精度相比之前单个台网的结果,特别是相比四川台网的目录,定位精度提高非常显著,合并后的目录与之前相对完整的云南目录接近,但相比由两个台网目录简单拼凑而成的目录更加准确.此外,研究还发现在目录合并过程中,对于4级以上的中强震,应选择MS而不是以ML震级标度;震相合并后被复用台站记录的到时信息可用于检测不同台网间的震相拾取是否存在系统偏差.本文提出的方法使得在相邻不同台网的过渡区形成一个统一且尽可能准确可靠的地震目录成为可能. 相似文献
8.
紫坪铺水库地震台网是离汶川MS8.0地震震中最近的地震台网,记录了不可多得的地震事件资料。为讨论这些资料的精确度,将台网使用的地震记录仪的型号、硬件组成和性能指标与美国的RefTek地震记录仪进行了比较,并从地震记录数据处理结果方面进行了分析验证。结果表明,台网记录仪自身硬件带来的最大误差<1.8ms;该台网记录的汶川MS8.0地震震相拾取结果与美国的RefTek地震记录仪记录的结果相差0.02s。与综合四川台网得到的发震时刻比较,最大相差0.48s,最小相差-0.03s;由包括该台网在内的21个台的P波到时和震中距绘制的时程图线性度较好。这说明,紫坪铺台网所用的地震记录仪所产生的误差,远比震相读取产生的误差小,亦比地震波传播过程中介质不均匀性造成的影响要小。该台网所用地震记录仪的时间精度完全能够满足现代地震分析需要。 相似文献
9.
《华南地震》2017,(1)
利用广东数字地震台网2010年1月至2013年10月的地震震相到时和波形资料,首先对地震目录进行完整性分析,选出在MC震级0级以上的3 969个地震进行波形互相关分析。设定在至少三个台站记录的垂直分量波形相关系数大于0.8的两个事件为重复地震对,共识别出广东地区的重复地震1 612个,占总数的41%。根据前人"重复地震震中位置间的差异约为四分之一优势波长"的研究成果,将筛选出的重复地震对用于定量判断地震目录中的震相拾取误差和评估台网定位精度,结果显示:广东地震台网的震相拾取误差约80%在0.3 s内,约70%在0.2 s内,40%多在0.1 s内;内陆定位误差较小,这与该地台站密集、方位分布较好有关,而沿海定位误差相对较大。 相似文献
10.
区域地震信号自动识别方法及应用(英文) 总被引：2，自引：0，他引：2
地震信号的实时、自动、准确识别对于地震自动速报和地震预警十分重要。仿真信号试验分析表明,观测数据的四阶统计量函数(BKCF)对信号与噪声在能量和(或)频率方面的微弱差异变化具有较高的分辨能力。以此为基础,本文提出了一种新的自动探测区域地震事件的方法和测定直达波震相到时的BKCF-AIC方法。为了进一步提高波震相到时测定的精度,本文首先对指定时段的P-波记录进行偏振特性分析,其次对含有P波的S波记录进行偏振滤波处理,再次应用上述方法测定震相到时。与传统算法相比,基于山东测震台网记录的区域地震震例分析结果表明,使用本文提出的方法能够大幅度降低地震事件误检、漏检率,进一步提高了震相识别精度。 相似文献
11.
在地震学研究中地震检测与震相识别是最基础的环节,其拾取速度和精度直接影响其在地震精确定位以及地震层析成像中的应用效率和精度。近年来,机器学习在地震学领域中引起广泛关注。机器学习可以改进传统地震检测和震相识别方法,使它们能达到更加准确,识别率更高的效果。把机器学习方法按照监督学习和无监督学习分类介绍,并对机器学习方法流程进行总结,并对目前在地震检测与震相识别方面应用较为广泛的机器学习方法(卷积神经网络、指纹和相似性阈值、广义相位检测、PhaseNet、模糊聚类)进行综述。结果表明:机器学习在地震事件检测和震相识别将会是主要的手段。数据驱动的机器学习在地震学中的应用和物理模型的联合运用将是未来的发展趋势。 相似文献
12.
本文以西昌台阵观测的8 321次近震数据为例,详细介绍了利用深度卷积神经网络检测地震的数据处理流程,包括数据预处理、模型训练、波形长度、网络层数、学习率和概率阈值等关键参数对检测结果的影响,并将训练得到的最优模型,应用于事件波形和连续波形的检测。研究表明,数据预处理和数据增强可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数（5—8层）的检测结果差别不大。对于地震检测,学习率设为10?4—10?3较为合适。卷积神经网络检测出的地震数量与选择的概率阈值有关,通过绘制精确率-召回率变化曲线,可以为选择合适的概率阈值提供参考。本文为进一步利用深度学习算法提高地震检测效果提供了参考。 相似文献
13.
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
14.
Reservoir earthquake characteristics such as small magnitude and large quantity may result in low monitoring efficiency when using traditional methods. However, methods based on deep learning can discriminate the seismic phases of small earthquakes in a reservoir and ensure rapid processing of arrival time picking. The present study establishes a deep learning network model combining a convolutional neural network (CNN) and recurrent neural network (RNN). The neural network training uses the waveforms of 60 000 small earthquakes within a magnitude range of 0.8-1.2 recorded by 73 stations near the Dagangshan Reservoir in Sichuan Province as well as the data of the manually picked P-wave arrival time. The neural network automatically picks the P-wave arrival time, providing a strong constraint for small earthquake positioning. The model is shown to achieve an accuracy rate of 90.7% in picking P waves of microseisms in the reservoir area, with a recall rate reaching 92.6% and an error rate lower than 2%. The results indicate that the relevant network structure has high accuracy for picking the P-wave arrival times of small earthquakes, thus providing new technical measures for subsequent microseismic monitoring in the reservoir area. 相似文献
15.
Fast and accurate P-wave arrival picking significantly affects the performance of earthquake early warning(EEW)systems.Automated P-wave picking algorithms used in EEW have encountered problems of falsely picking up noise,missing P-waves and inaccurate P-wave arrival estimation.To address these issues,an automatic algorithm based on the convolution neural network(DPick)was developed,and trained with a moderate number of data sets of 17,717 accelerograms.Compared to the widely used approach of the short-term average/long-term average of signal characteristic function(STA/LTA),DPick is 1.6 times less likely to detect noise as a P-wave,and 76 times less likely to miss P-waves.In terms of estimating P-wave arrival time,when the detection task is completed within 1 s,DPick′s detection occurrence is 7.4 times that of STA/LTA in the 0.05 s error band,and 1.6 times when the error band is 0.10 s.This verified that the proposed method has the potential for wide applications in EEW. 相似文献
16.
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
17.
针对现有地震直达P波到时拾取网络精度低、误差大等问题,结合UNet++编码、解码器,融入特征过滤器设计一种具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet,实现对地震P波的高精度、低误差拾取。首先,该网络在编码器模块采用大卷积核、低通道数的卷积层,对输入的地震信号进行深度特征提取;其次,在解码器模块的特征还原过程中加入特征融合机制,补全特征信息,避免序列特征污染问题;最后,仅对编码器后三个下采样模块添加特征过滤器,深入挖掘特征序列,通过细化P波到时特征,提升到时拾取精度。实验结果表明,提出的网络在0.1 s、0.2 s、0.3 s误差阈值下P波拾取率分别为80.73%、94.01%、97.81%,平均绝对误差0.078 s,均方误差0.021,与现有P波拾取传统方法和深度学习算法相比性能更优。 相似文献