基于深度学习卷积神经网络的地震波形自动分类与识别
基于深度学习卷积神经网络的地震波形自动分类与识别
复制标题
DOI：
--
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
ＤａｖｅＹｕｅｎ
中科院分区：
文献类型：
--
作者：
赵明;陈石;ＤａｖｅＹｕｅｎ
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