資訊內(nèi)容
/
研究亮點
基于生成對抗網(wǎng)絡(luò)的地震事件識別
發(fā)布時間： 2022-02-23 點擊數(shù)量：8687研究背景：
地震事件識別是地震監(jiān)測業(yè)務(wù)的基礎(chǔ)性工作，特別是隨著大規(guī)模地震臺站建設(shè)、海量地震數(shù)據(jù)匯聚以及地震預(yù)警的發(fā)展，從連續(xù)波形記錄中自動識別出地震信號顯得更加重要。然而，地脈動的存在可能會造成P波自動撿拾算法的誤觸發(fā)，這對地震事件識別工作提出了相當(dāng)大的挑戰(zhàn)。而且不同地區(qū)的地震常常呈現(xiàn)出獨特的地震特征，所以目前的地震識別工作主要是依賴于人工完成。因此在海量地震數(shù)據(jù)時代，開發(fā)高效、高精度、通用的地震自動檢測算法顯得尤為重要。本文采用生成對抗網(wǎng)絡(luò)方法，將傳統(tǒng)的地震事件識別問題轉(zhuǎn)化為一個將地震事件與地脈動噪聲的分類問題，旨在探索機器學(xué)習(xí)算法在地震監(jiān)測中的可行性。
研究方法及結(jié)果：
1）本文首先基于日本K-NET和KiK-net臺網(wǎng)共52537條強震動記錄訓(xùn)練生成對抗網(wǎng)絡(luò)（GAN，generative adversarial network），然后利用訓(xùn)練有素的判別器對測試集的地震與地脈動進(jìn)行區(qū)分。最后利用判別器對日本“311”大地震的地震記錄進(jìn)行驗證。圖1顯示了本文所使用的生成對抗網(wǎng)絡(luò)的訓(xùn)練過程和測試過程。
2）通過測試集的驗證，訓(xùn)練有素的判別器可以識別出99.89%的地震和99.24%的地脈動記錄。圖2(a)為測試數(shù)據(jù)與P波輸出概率的關(guān)系。橫坐標(biāo)值為0-0.1的百分比越高，證明模型對于地脈動的分類結(jié)果越自信；同理，橫坐標(biāo)值為0.9-1.0的百分比越高，證明模型對于地震的分類結(jié)果越自信。由圖可知，兩端的百分比表明模型對于測試結(jié)果的自信程度非常高。圖2(b)顯示了模型分類準(zhǔn)確率與震級的關(guān)系，除6≤M＜7外，模型的分類準(zhǔn)確率均超過99.8%。經(jīng)過分析，6≤M＜7的誤分類也在可允許的范圍內(nèi)。
3）圖3顯示了本文利用生成對抗網(wǎng)絡(luò)識別日本“311”大地震的結(jié)果。經(jīng)過測試，判別器只識別出“311”地震數(shù)據(jù)集中75.29%的地震記錄，但模型性能較差的部分均體現(xiàn)在震中距超過200 km的地震中（如圖3(a)），近場記錄的分類準(zhǔn)確率高達(dá)98%（如圖3(b)）。通過測試集與日本“311”地震數(shù)據(jù)集的驗證，證明該方法是一種非常可靠的地震識別方法，通過將復(fù)雜的地震識別問題轉(zhuǎn)化為簡單的二分類問題，本文在一定程度上避免了識別過程中可能會出現(xiàn)的問題，從而驗證了無監(jiān)督學(xué)習(xí)方法在地震監(jiān)測與地震預(yù)警中的應(yīng)用可行性。
該成果發(fā)表在美國地震學(xué)會SSA旗下期刊《Bulletin of the Seismological Society of America》（Heyi Liu, Shanyou Li, Jindong Song*. Discrimination between earthquake P waves and microtremors via a generative adversarial network. Bulletin of the Seismological Society of America. 2022. https://doi.org/10.1785/0120210231）（IF：2.910，*通訊作者）。
圖1 本文所使用的生成對抗網(wǎng)絡(luò)的訓(xùn)練和測試過程
(a)測試數(shù)據(jù)百分比與P波輸出概率的關(guān)系 (b)模型分類準(zhǔn)確率與震級的關(guān)系
圖2 生成對抗網(wǎng)絡(luò)識別地震的結(jié)果分析
圖3 (a)日本“311”地震數(shù)據(jù)集中，模型分類準(zhǔn)確率與震中距的關(guān)系 (b)日本“311”地震數(shù)據(jù)集中，震中距≤200公里的真陽性和假陰性記錄位置
紅星代表震中，三角形代表觸發(fā)臺站的位置，黑色三角形表示真陽性地震，紅色三角形表示假陰性地震
