| 基于深层卷积神经网络的震级快速估算方法 |
| |
| 引用本文： | 王自法,廖吉安,王延伟,位栋梁,赵登科.基于深层卷积神经网络的震级快速估算方法[J].地球物理学报,2023(1):272-288. |
| |
| 作者姓名： | 王自法 廖吉安 王延伟 位栋梁 赵登科 |
| |
| 作者单位： | 1. 中国地震局工程力学研究所;3. 河南大学土木建筑学院;4. 桂林理工大学广西岩土力学与工程重点实验室 |
| |
| 基金项目： | 国家自然科学基金项目(51978634,51968016)共同资助； |
| |
| 摘 要： | 当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的，这些特征参数依赖于人的经验和主观判断，没有充分利用初至地震波中与震级相关的信息，制约了震级估算效果.对此，本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征，实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入，震中距、震源深度以及Vs30作为辅助输入，震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录),利用美国和新西兰的强震记录进行泛化性能测试(583条记录),并与应用最为广泛的峰值位移Pd方法进行对比.结果表明，当初至地震波时长为3 s时，在4～6.4级范围内，CNN方法估算震级的准确率是Pd方法的1.5倍，在6.5～9级范围，CNN方法估算震级的准确率是Pd方法的1.2倍；当初至地震波从3 s增加到10 s时，CNN方法能够随着地震波时长的增加不断提高估算震级的准确率，并且始终高于Pd方...
|
| 关 键 词： | 地震预警 震级估算 卷积神经网络 深度学习 |
|
|
