共查询到20条相似文献，搜索用时 31 毫秒
1.
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
2.
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
3.
STA/LTA算法拾取微地震事件P波到时对比研究 总被引：2，自引：0，他引：2
本文将HZ-MS48微地震采集仪监测的实际数据,利用STA/LTA算法来识别微地震事件P波到时.比较了在不同STA(短时窗平均值)情况下对拾取精度和结果的影响.结果表明:此算法确定信噪比比较高的微地震事件是非常有效的,能精确拾取P波到时.利用5ms、10ms、20ms三种不同的短时窗处理数据,发现对P波拾取的敏感程度不同,短时窗的值越大,拾取P波的敏感性越低,拾取精度降低,触发的阈值应随着短时窗的增加而减小. 相似文献
4.
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
5.
分析了自回归赤池信息准则（AR-AIC）、高阶统计量（HOS）和累积和（CUSUM）等3种到时拾取方法中参数对远震P波到时估计的影响,以450个远震P波信号为样本集,参考人工拾取到时,以网格搜索方式确定了每种方法的最优参数。之后重新选取信噪比处于[2,20]区间的100个远震P波信号,用确定最优参数后的3种到时拾取方法估计其P波初至时间,并比较了3种方法对低信噪比远震P波的拾取准确度。结果表明,AR-AIC方法和CUSUM方法对低信噪比远震P波的拾取准确度要优于HOS方法,CUSUM方法的计算速度最快,HOS方法由于其原理的限制更适用于信噪比较大、初动较尖锐的信号。 相似文献
6.
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
7.
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
8.
基于粘滞性单自由度振动器响应下的能量转换理论,提出利用阻尼能量作为目标函数的P波震相到时拾取方法——SDOF Picker算法。使用该方法对江苏及邻区2010—2016年实际记录的9 607组P波初至进行到时自动拾取测试,以地震编目中人工拾取到时为基准,与利用AIC算法自动抬取的结果进行了系统性对比分析,结果显示:SDOF Picker算法和AIC算法自动拾取P波初至的准确率分别为97.1%、91.8%,中值偏差分别为(0.02±0.61)s、(0.05±0.77)s,方差分别为0.37 s2、0.60 s2,这表明SDOF Picker算法的在准确率和拾取精度方面均优于AIC算法。 相似文献
9.
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
10.
微地震事件初至拾取是微地震数据处理的关键步骤之一.实际微地震监测资料中存在大量低信噪比事件,而传统方法对这些事件的应用效果并不理想.为了克服传统方法抗噪性弱的缺点,本文通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面的存在的差异,设计了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.为了检验本文方法的可行性和有效性,分别对模型数据和实际资料进行了处理,并将处理结果与传统方法及手工拾取的结果进行了对比.分析表明,利用本文方法得到的初至到时与手工拾取结果的绝对误差平均值仅为1.33×10~(-3)s,小于3个采样点;方差为3.21×10~(-6)s~2;初至到时在手工拾取结果±0.005s误差范围内的个数占总数的95.8%.这些参数值均优于传统方法的同类参数,证明了本文方法的可靠性. 相似文献
11.
微地震（MS）波初始到时的自动拾取是MS监测数据处理的关键技术之一,也是实现MS震源自动定位的技术难点.本文在MS震源定位结果反演与推断的研究基础上,对不同类型MS波的到时点特征进行了分析与描述,并对不同时窗长度下能量特征值的变化规律进行了研究,提出了控制时窗移动范围和确定时窗长度自适应参数的具体方法,利用建立的MS波初始到时点特征的模式识别库,对拾取的到时进行模式归类、定量评价和匹配,提高了自动拾取结果的可靠性.研究结果表明,对典型的信噪比高的MS波,到时自动拾取的结果与手工拾取的结果基本一致;对无量纲大振幅的MS波,到时自动拾取结果的可靠性要高于手工拾取,对信噪比低和到时点不清晰的MS波自动拾取的可靠性较低. 相似文献
12.
《世界地震译丛》2020,(2)
地震震源位置和震源机制解的确定需要精确的P波到时和初动极性信息。由于这些参数的自动化算法的精度比人工识别的要低,因而在处理大数据时是存在一定问题的。本文通过训练卷积神经网络来获取P波到时和初动极性信息,该方法直接对波形记录进行学习,而不是特征提取。我们利用南加州地区1 820万条手动拾取的波形记录,来训练卷积神经网络。1 200万条无关联波形记录的交叉验证显示,自动与人工拾取之间的差异的标准差为0.023s。以人工识别的初动极性做参考,分类器拾取的精度为95%。同时,在不影响质量的前提下,与人工识别相比,分类器拾取的极性数量更多,从而获得的震源机制解数量几乎翻倍。经过训练的卷积神经网络具有很好的精度,这表明它们可以与地震专家一样好,甚至更好。 相似文献
13.
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
14.
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
15.
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
16.
17.
18.
利用密集台阵对水力压裂微地震进行监测将有助于优化储层压裂、揭示断层活化.为满足密集台阵海量采集数据的处理需求,本文建立了一种综合运用多种机器学习方法和台阵相关性的、无需人工干预的自动处理流程,从而能够快速得到高质量的密集台阵震相到时目录.该综合策略包括：(1)利用迁移学习在连续波形中快速检测地震事件;(2)利用U型神经网络PhaseNet自动拾取P波、S波震相;(3)利用三重线性剔除法,结合密集台阵到时相关性剔除异常到时数据和地震事件;(4)利用K-means和SVM两类机器学习算法,进一步区分发震时刻接近的多个地震事件,减小事件漏拾率.通过将该流程应用于四川盆地长宁—昭通页岩气开发区微地震监测数据,并将自动处理结果与人工拾取结果进行比对发现,二者在震级测定、定位以及走时成像结果等方面具有很好的一致性,表明本文处理流程结果精度可达到手动处理精度.本文结果为密集台阵地震监测数据的高效、高精度处理提供了新思路. 相似文献
19.
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