基于深度学习的地震震相自动识别方法研究

• 作 者: 戴旬
• 机 构: 防灾科技学院
• 出 处: 防灾科技学院
• 发表日期: 2021年01期
• 关键词: 深度学习

我国地震灾害频发，为了能够及时的开展抗震救灾及后续科学研究工作，需要对地震台站监测数据进行震相自动识别。然而传统的地震震相自动识别方法局限性较大，随着地震数据量的增加，传统方法难以处理海量的地震数据，同时，其识别结果还受特征函数、阈值等参数的影响，导致震相识别结果精度低、漏检率高。随着深度学习技术的不断发展，其超强的学习能力有利于处理海量的地震数据，也减少了人工设置参数，其高效性和准确性有利于提高震相识别的精度、降低漏检率，深度学习的这些优势为震相自动识别提供了新的研究方向。本文提出基于深度学习的地震震相自动识别方法，实现高精度、低漏检的震相自动识别，主要研究工作如下:
　　(1)针对目前震相自动识别方法识别精度低、漏检率高的问题，对现有的震相识别的深度学习方法进行分析，利用Bi-LSTM模型在时间序列数据处理上的优势，尝试使用Bi-LSTM模型进行震相自动识别，解决现有震相识别方法中出现的震相漏检问题，提高识别精度。为了测试Bi-LSTM模型在震相自动识别上的效果，使用斯坦福大学STEAD数据集构建训练集和测试集并对Bi-LSTM模型进行训练和测试，将其震相识别结果与人工识别参考结果进行对比，并计算均方根误差、正确率和漏检率三种评价指标来评估震相识别效果。实验结果表明，Bi-LSTM模型与传统方法相比，在漏检率上降低了8～15％，一定程度上改善了震相漏检的问题。
　　(2)Bi-LSTM模型虽然降低了震相识别的漏检率，但在精度上仍没有改善。针对这一问题，将U形神经网络和Bi-LSTM相结合，提出了一种基于UBDN网络的震相自动识别模型，利用U形神经网络在边缘检测上精准度高的优势，对地震数据的震相特征进行提取;再利用Bi-LSTM网络建立震相特征之间的时序关系，实现高精度、低漏检率的地震震相自动识别。为了证明UBDN模型的有效性，使用同一数据集在UBDN模型和其他震相自动识别模型上进行对比实验，并计算评价指标。实验结果表明，UBDN模型的均方根误差约为0.26s，正确率和漏检率分别在87％和13％左右，与其他模型对比，均方根误差降低了约0.2～0.3s，正确率提高了约5～14％，漏检率降低了约15～25％。UBDN模型具有最优的震相识别效果，可以实现高精度、低漏检率的震相自动识别。
　　(3)为了测试基于UBDN网络的震相自动识别模型在实际地震事件中的使用效果，使用2008年汶川地震余震数据集进行震相识别。实验发现UBDN模型在汶川地震余震数据集上虽然达到了震相识别的精度要求，可以应用于实际中，但是各项指标表现不如STEAD数据集。通过对两个数据集的分析发现，STEAD测试集数据信噪比明显高于汶川地震余震数据集，为了验证数据信噪比大小是否会对实验结果产生影响，选取了5个不同信噪比范围的数据集进行测试，实验结果表明，数据集信噪比越大，UBDN模型震相识别效果越好。虽然UBDN模型在汶川地震余震数据集上表现不如STEAD数据集，但是UBDN模型在数据信噪比较低的情况下，仍然达到了震相识别的精度要求，可以满足实际应用中的需求。