地震波形自動分類及識別

• 一、任務(wù)背景
• 二、數(shù)據(jù)格式
• 三、擬采用方法及理由
• • 3.1、提高計算速度
  • • 1、減少噪聲
    • 2、算法優(yōu)化
  • 3.2、提高泛化性
  • • 1、提高地域相關(guān)泛化性
    • 2、提高學(xué)習(xí)效率
    • 3、數(shù)據(jù)增強
  • 3.3、實驗與檢測

一、任務(wù)背景

隨著地震儀在全球范圍的大規(guī)模部署，人類已經(jīng)進入地震大數(shù)據(jù)時代．如何處理地震網(wǎng)絡(luò)每天收集的大量數(shù)據(jù)，特別是從質(zhì)量參差不齊的連續(xù)波形記錄中分離出地震和噪聲是一個非常棘手的問題．大地震發(fā)生之后，抗震救災(zāi)與應(yīng)急救援需要對余震序列進行動態(tài)的監(jiān)測與快速定位，地震編目，地球內(nèi)部速度結(jié)構(gòu)研究如層析成像等都是以大量地震事件的挑選與到時拾取作為基礎(chǔ)，而目前這些工作仍主要靠低效的人工完成。

發(fā)展高效、高精度、普適性強的自動波形拾取算法在地震大數(shù)據(jù)時代背景下顯得越來越重要．波形自動拾取算法的主要挑戰(zhàn)來自如何適應(yīng)不同區(qū)域的不同類型地震事件的分類與篩選。

與基于單一或多個特征函數(shù)的傳統(tǒng)方法相比，ＣＮＮ 網(wǎng)絡(luò)的精度和召回率（誤檢和漏檢率）相比傳統(tǒng)算法有非常明顯的提升（降低），并且訓(xùn)練好的模型具有非常穩(wěn)定的輸出能力，不需要根據(jù)不同信噪比水平的數(shù)據(jù)頻繁調(diào)整閾值．與模板匹配、ＦＡＳＴ 等嚴(yán)格基于波形相似性的方法不同，ＣＮＮ 神經(jīng)網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)中提取的是抽象特征，這意味著模型具有更強的泛化能力，能夠與更多樣的波形特 征 相 匹 配，所 以 ＣＮＮ 往往能夠檢測到新的地震類型，這也是深度學(xué)習(xí)方法的主要優(yōu)勢所在。

二、數(shù)據(jù)格式

以汶川地震之后四川及鄰區(qū)１４個臺站７~８月期間手動挑選的 13839 條和 8900 條地震事件波形分別構(gòu)建訓(xùn)練數(shù)據(jù)集和測試集，搭建深度卷積神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練和測試。

數(shù)據(jù)集包括：
1.stlist.txt：列出數(shù)據(jù)來自的站點。
2.wenchuan_aftershocks_picks_2008_6_to_9.csv：汶川余震的25000個P和S拾取的UTC時間戳（高度可信），您可以使用它為CNN數(shù)據(jù)集或U-net數(shù)據(jù)集構(gòu)建正樣本。如果您仍然不知道如何操作，第1和第2頁將為您提供有關(guān)操作方法的說明。有關(guān)CNN數(shù)據(jù)集，您也可以參考https://github.com/mingzhaochina/ConvNetQuake。
3.wenchuan_bold_catalog.csv：用于構(gòu)建CNN的負(fù)樣本（噪聲）。您需要在連續(xù)數(shù)據(jù)中避免這些時間戳處于某 個范圍內(nèi)，例如[-60s，+ 60s]。

三、擬采用方法及理由

多個地震事件建立數(shù)據(jù)集并訓(xùn)練 ＣＮＮ 模型，其得到的模型具有較強的泛化能力，即使對與訓(xùn)練數(shù)據(jù)所屬區(qū)域構(gòu)造不同的地區(qū)，也能有效檢測。

3.1、提高計算速度

1、減少噪聲

盡可能減少事件人工標(biāo)注和噪聲隨機篩選帶來的誤差，我們手動對數(shù)據(jù)集進行了清洗，更正較為明顯的標(biāo)注錯誤
應(yīng)用長短窗方法，根據(jù)各地臺站的信噪比
條件選擇合適的閾值做初步篩選，這樣做是為了提高算法效率，過濾掉大部分環(huán)境噪聲。

2、算法優(yōu)化

使用Ｌ２正則化以及隨機梯度下降算法來最小化交叉熵?fù)p失函數(shù)，并用 ＡＤＡＭ 優(yōu)化算法以及可變時間步長，進一步提高了計算效率，在保證精度的同時有效提升計算速度。

3.2、提高泛化性

核心思想：理想的數(shù)據(jù)集的每一類別都需要充分的樣本數(shù)量，并且能夠覆蓋地震波形所具有的各種復(fù)雜特征。

1、提高地域相關(guān)泛化性

由于不同的區(qū)域具有不同地質(zhì)構(gòu)造背景，其事件波形也各不相同，因此我們參考?xì)v史地震活動性區(qū)域劃分按照地震震中之間 的 歐 幾 里 得 距 離 進 行 了 Ｋ－Ｍｅａｎｓ 聚 類 算法劃分，增強 ＣＮＮ 算法性能與地域的相關(guān)性。

2、提高學(xué)習(xí)效率

過多重復(fù)的數(shù)據(jù)需要設(shè)置合適的閾值，清洗掉部分?jǐn)?shù)據(jù)，保證在維持低水平誤差率的情況下避免過擬合。

3、數(shù)據(jù)增強

為了防止數(shù)據(jù)量過小可能導(dǎo)致的泛化性差，我們還對清洗后的數(shù)據(jù)集進行了數(shù)據(jù)增強操作。由于地震三分量波形可以看作一維三通道圖像數(shù)據(jù)，可參照圖像識別，采用了如下幾種常用的數(shù)據(jù)增強方式：平移、加噪（模糊處理）、濾波。

同時 ＣＮＮ 方法還可以通過將誤分類波形代入數(shù)據(jù)集重新訓(xùn)練，從而獲得越來越 好的實際分類效果。

3.3、實驗與檢測

1、使用精確率與召回率方法去驗證訓(xùn)練效果。

2、與傳統(tǒng)方法的對比：對 ＣＮＮ 網(wǎng)絡(luò)識別為地震的波形片段，
可采 用ｄｂｓｈｅａｒ震相自動識別程序進行挑取處理，將拾取到的 Ｐ、Ｓ到時與中國地震臺網(wǎng)發(fā)布的參考地震目錄進行關(guān)聯(lián)對比，分析實際效果。

總結(jié)

以上是生活随笔為你收集整理的地震波形自动分类及识别(构想)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。