CN108376245A - 基于ud通道的时空序列图像震源识别方法 - Google Patents
基于ud通道的时空序列图像震源识别方法 Download PDFInfo
- Publication number
- CN108376245A CN108376245A CN201810107533.8A CN201810107533A CN108376245A CN 108376245 A CN108376245 A CN 108376245A CN 201810107533 A CN201810107533 A CN 201810107533A CN 108376245 A CN108376245 A CN 108376245A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- mip
- image
- earthquake
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Abstract
本发明公开了基于UD通道的时空序列图像震源识别方法,属于震源类别识别领域。包括选取多组确定震源数据,将监测点经纬转为平面显示;提取震源数据,并通过插值算法将其转化为相应的256级灰度的单色像素值并显示在所述平面上相应的平面坐标处,得到一完整的MIP时空序列图像;继续提取各个所述监测台站在同一地震事件中下一时刻内的震源数据,并生成对应MIP时空序列图像,直到该事件结束,获取得到MIP时空序列图像构成的MIP时空图像系列;根据MIP时空图像系列,提取MIP时空序列图像中色彩的灰度级数方差和平均灰度,建立坐标;通过划分天然地震和人工爆破的地震事件分布的判别线识别区分天然地震和人工爆破。
Description
技术领域
本发明涉及震源类别识别领域,特别是基于UD通道的时空序列图像震源识别方法。
背景技术
地震波形信号是记录地震活动的可靠载体。地震事件分天然地震和非天然地震事件。由于人工爆破和天然地震的波形极为相识,给各地震台网所测的地震波形数据的分析带来了很大的困难。20世纪中期以来,地震学家利用不同的距离上的测震资料对核爆和天然地震的识别进行了广泛的研究和探索,通过对地震台网所测的地震波形分析,用一系列的波形处理方法可以有效的识别天然地震人工爆破。
天然地震大多为构造地震,且多发生在地下10公里以上的深度,此深度一般为花岗岩层或玄武岩层。地震震源为非对称剪切源,地壳弹性介质受到巨大应力的作用,发生岩石破裂、岩层错位的结果。两个错位岩石面受到两种力的影响:一方受压,形成压缩波;另一方被拉伸,形成膨胀波。天然地震持续时间较长,所以波成分多样化,衰减慢,震相的低频高频部分呈现均匀分布。
由于技术的限制,人工爆炸一般发生距地平面深度为零到几十米,由于爆炸只是气体向外扩张,震源为膨胀源,能量快速释放,使周围的岩体介质受到不同方向的压缩,只产生纵波(P波),初动均向上。与横波(S波)相比,P波极为发育。随着P波的传播,当距震中距50Km以上时,会产生瑞利面波。由于爆炸点的岩石层介质的不同,也会产生S波,P波比S波的振幅大。由于爆炸是瞬间发生,震源浅,使得高频成分大多被浅层的不均匀岩石层吸收,波形的衰减较快,震相急促短暂。地震监测点离爆炸震源的距离越远,检测到的高频部分越少。达到一定距离后,排除噪声的影响,波形中高频成分较少。
以上是识别天然地震和人工爆炸的理论基础。综上所述,由于天然地震力学机制复杂且持续时间长、深度大,而人工爆炸是近地表瞬时性的力学膨胀,所以,比起人工爆炸,天然地震激发出的频谱“分散”并且衰减缓慢。由于震源力学机制的不同,导致信号频域的不同,这是识别时域波形的重要依据。
在前发表在《Advances in Geosciences》中的一篇区分天然地震和人工爆炸的可视化方法公开了一种可视化方法,通过时域波形数据归一化,置顶投影算法,极坐标作图,得到对称点模式图可以直观的进行可视化识别。但该方法只能够通过人工可视化区分,存在一定人为因素,同时也存在不能够可视化区分的图形;这无疑限制了识别区分的效率及准确度。
发明内容
本发明的发明目的是,针对上述问题,提供基于UD通道的时空序列图像震源识别方法,通过对地震事件震源数据进行处理,获取得到MIP时空图像系列,通过MIP时空图像系列可以获取得到其平均灰度和灰度级数方差等,并通过两者结合快速识别出天然地震和人工爆破,提高了识别率及识别效率。
为达到上述目的,本发明所采用的技术方案是:
基于UD通道的时空序列图像震源识别方法,
选取多个监测台站,记录各个所述监测台站的经纬度坐标,并获取各个所述监测台站中关于同一地震事件震源数据中事件垂直方向通道的波形数据;其中,所述地震事件为监测台站中已确定类型的若干天然地震和人工爆破的地震事件;
将各个所述监测台站的经纬度坐标均通过转换为平面坐标,将所述平面坐标以散列分布形式显示在同一平面中;
提取各个所述监测台站在同一地震事件中同一时刻内的事件垂直方向通道的波形数据,并通过插值算法将其转化为相应的256级灰度的单像素值并显示在所述平面上相应的平面坐标处,得到一完整的MIP时空序列图像;
继续提取各个所述监测台站在同一地震事件中下一时刻内的震源数据,并生成对应MIP时空序列图像,直到该事件结束,获取得到MIP时空序列图像构成的MIP时空图像系列;根据MIP时空图像系列,提取MIP时空序列图像中色彩的灰度级数方差和平均灰度;
以灰度级数方差为纵坐标、平均灰度为横坐标建立关于天然地震和人工爆破的地震事件判别的坐标系,并在坐标系中建立划分天然地震和人工爆破的地震事件分布的判别线;
对地震事件类型识别时,对该地震事件的震源数据按照上述步骤处理,获取该地震事件的灰度级数方差和平均灰度,并根据灰度级数方差和平均灰度处于坐标系中相对判别线的位置判别地震事件震源类型。
这里所述下一时刻具体是指MIP图像系列的相邻时刻对应若干地震波形采用点。
优选的,将各个所述监测台站的经纬度坐标均通过转换函数(x,y)=λf(N,W)转化为平面坐标,其中(x,y)为平面坐标,(N,W)为经纬度坐标,λ为转换系数。
优选的,所述插值算法为最近邻插值算法、线性插值算法、多项式插值算法、natural插值算法和三次样条插值算法中的任一种。
优选的,从所述监测台站获取所述震源数据后,对其进行去除噪音数据和错误数据处理。剔除监测台站监测到的错误数据,有利于后续的步骤处理;由于仪器的缘故会记录一些错误数据,这些数据的特点是固定为0或者固定为一个很大的值,在提取波形数据时需要把这些数据去除。
优选的,所述经纬度坐标对应所述平面坐标的地图投影比例初步设置为1:20,所述MIP时空序列图像的大小设置为121×121。这里1:20是指1经度或纬度对应20个像素点,根据台站分布的经纬度范围,可适当缩小或放大。
优选的,从所述MIP时空图像系列中选取时刻为200到350之间的MIP时空序列图像,进行色彩的灰度级数方差和平均灰度的计算。
优选的,所述平均灰度由得到,Ii大于是指定图像的灰度随机变量,p(Ii)是一定区域内灰度级的灰度直方图,L是图像的灰度级数;其中σ2表示图像的灰度级数方差,而p(zi)是区域中的灰度级的直方图,L是灰度级数,M是平均灰度。
优选的,在灰度级数方差和平均灰度所构成的平面坐标系中,判别线的方程为:y=0.1739×χ–12.1730,位于判别线下方的事件为天然地震,否则反之。
采用适当的波形优选策略,每个事件只把含有有效地震波的监测台站保留下来,这样一个事件所述监测台站数量为3-20个。
由于采用上述技术方案,本发明具有以下有益效果:
本发明将天然地震和人工爆破事件转化为MIP图像序列,对提取到的图像系列进行量化分析,MIP图像系列的平均灰度、灰度级数方差能够有效的区分天然地震和人工爆破。由于天然地震的发生和传播方式明显比人工爆破的差异大,波形更加的复杂,表现在图像的灰度深浅变化比较明显,平均灰度和灰度变化都比较的大。对于天然地震,由于岩石层的均匀度和距离的不同,使各台站观测到的数据也有很大的差异。人工爆破事件的发生方式比较单一,波的变化形式也比较简单,传播距离比较有限。因此,使用MIP时空图像系列的灰度值和MIP图像的灰度级数方差组成坐标系、并结合判别线y=0.1739×χ–12.1730就很好识别区分天然地震和人工爆破事件。
附图说明
图1为本发明中天然地震和人工爆破辨别示意图。
具体实施方式
以下结合附图对发明的具体实施进一步说明。
基于UD通道的时空序列图像震源识别方法其步骤包括:
选取10个监测台站,记录各个所述监测台站的经纬度坐标,记录各个所述监测台站的经纬度坐标,并获取各个所述监测台站中关于同一地震事件震源数据中事件垂直方向通道的波形数据;其中,所述地震事件为监测台站中已确定类型的若干天然地震和人工爆破的地震事件;从所述监测台站获取波形数据后,对其进行去除噪音数据和错误数据处理。
将各个所述监测台站的经纬度坐标均通过转换为平面坐标,将所述平面坐标以散列分布形式显示在同一平面中。具体的,将各个所述监测台站的经纬度坐标均通过转换函数(x,y)=λf(N,W)转化为平面坐标,其中(x,y)为平面坐标,(N,W)为经纬度坐标,λ为转换系数。
提取各个所述监测台站在同一地震事件中同一时刻内的事件垂直方向通道的波形数据,并通过插值算法将其转化为相应的256级灰度的单色像素值并显示在所述平面上相应的平面坐标处,得到一完整的MIP时空序列图像。插值算法为最近邻插值算法、线性插值算法、多项式插值算法、natural插值算法和三次样条插值算法中的任一种。这里具体使用线性插值算法,具体步骤按现有算法步骤进行,这里不再展开。具体的,将经纬度坐标对应所述平面坐标的地图投影比例初步设置为1:20,这里指1经度或纬度对应20个像素点,根据台站分布的经纬度范围,可适当缩小或放大;MIP时空序列图像的大小设置为121×121。
继续提取各个所述监测台站在同一地震事件中下一时刻内的震源数据,并生成对应MIP时空序列图像,直到该事件结束,获取得到MIP时空序列图像构成的MIP时空图像系列;根据MIP时空图像系列,提取MIP时空序列图像中色彩的灰度级数方差和平均灰度;
MIP时空图像系列中选取为第200时刻到第350时刻之间的MIP时空序列图像,进行色彩的灰度级数方差和平均灰度的计算。平均灰度由得到,Ii大于是指定图像的灰度随机变量,p(Ii)是一定区域内灰度级的灰度直方图,L是图像的灰度级数;灰度级数方差而p(zi)是区域中的灰度级的直方图,L是灰度级数,M是平均灰度。
以灰度级数方差为纵坐标、平均灰度为横坐标建立关于天然地震和人工爆破的地震事件的坐标系,并在坐标系中建立划分天然地震和人工爆破的地震事件分布的判别线;
对地震事件类型识别时,对该地震事件的震源数据按照上述步骤处理,获取该地震事件的灰度级数方差和平均灰度,并根据灰度级数方差和平均灰度处于坐标系中相对判别线的位置判别地震事件震源类型。判别线的方程为:y=0.1739×χ–12.1730,位于判别线下方的事件为天然地震,否则反之。
作为对上述方法的验证,这里选取以发生多个具体已有事件作为方法测试验证。
选取已经在北京周边发生的多个地震事件,坐标范围在北纬40°、东经116°范围的35个天然地震事件和27个人工爆破事件,每个事件包含100多个台站的波形数据。地震数据源的实践在2003-2007年之间,震级为ML1.5-3.0之间。
其中,上表为天然地震震源数据信息。
其中,上表为人工爆破震源数据信息。
首先把地震台收集的数据进行整理,提取出来台站的经纬坐标和观测到的波形震动数据。通过提取出10个台站同一时刻对于一个地震事件观测到的震动情况,利用设计好的差值算法来补充平面上缺失的震动情况,产生一个完整的地震系列256级灰度的单色图像。
MIP时空图像系列中选取为第200时刻到第350时刻之间的MIP时空序列图像,进行色彩的灰度级数方差和平均灰度的计算。平均灰度由得到,Ii大于是指定图像的灰度随机变量,p(Ii)是一定区域内灰度级的灰度直方图,L是图像的灰度级数;σ2表示图像的灰度级数方差而p(zi)是区域中的灰度级的直方图,L是灰度级数,M是平均灰度。
上表为天然地震震源MIP图像序列特征。
上表为人工爆破震源MIP图像序列特征。
根据上述人工爆破震源MIP图像序列特征和天然地震震源MIP图像序列特征的图表,并结合图1可知。从图上看出,天然地震和人工爆破很明显的分布在判别线两侧。为了进一步验证结论,进行如下6次的随机试验,每次都从数据集中抽取一定数量的数据。通过验证在垂直方向通道上的识别率最高,最终决定采取该方向的数据来进行震源识别。其中垂直方向通道上的最高识别达到87.4%,最低也有78%。
可见,本发明方法可以人工爆破事件和天然地震可以明显区分。
上述说明是针对本发明较佳可行实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所提示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (9)
1.基于UD通道的时空序列图像震源识别方法,其特征在于:
选取多个监测台站,记录各个所述监测台站的经纬度坐标,并获取各个所述监测台站中关于同一地震事件震源数据中事件垂直方向通道的波形数据;其中,所述地震事件为监测台站中已确定类型的若干天然地震和人工爆破的地震事件;
将各个所述监测台站的经纬度坐标均通过转换为平面坐标,将所述平面坐标以散列分布形式显示在同一平面中;
提取各个所述监测台站在同一地震事件中同一时刻内的事件垂直方向通道的波形数据,并通过插值算法将其转化为相应的256级灰度的单色图像像素值并显示在所述平面上相应的平面坐标处,得到一完整的MIP时空序列图像;
继续提取各个所述监测台站在同一地震事件中下一时刻内的震源数据,并生成对应MIP时空序列图像,直到该事件结束,获取得到MIP时空序列图像构成的MIP时空图像系列;根据MIP时空图像系列,提取MIP时空序列图像中色彩的灰度级数方差和平均灰度;
以灰度级数方差为纵坐标、平均灰度为横坐标建立关于天然地震和人工爆破的地震事件的坐标系,并在坐标系中建立划分天然地震和人工爆破的地震事件分布的判别线;
对地震事件类型识别时,对该地震事件的震源数据按照上述步骤处理,获取该地震事件的灰度级数方差和平均灰度,并根据灰度级数方差和平均灰度处于坐标系中相对判别线的位置判别地震事件震源类型。
2.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:将各个所述监测台站的经纬度坐标均通过转换函数(x,y)=λf(N,W)转化为平面坐标,其中(x,y)为平面坐标,(N,W)为经纬度坐标,λ为转换系数。
3.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:所述插值算法为最近邻插值算法、线性插值算法、多项式插值算法、natural插值算法和三次样条插值算法中的任一种。
4.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:从所述监测台站获取所述震源数据后,对其进行去除噪音数据和错误数据处理。
5.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:所述经纬度坐标对应所述平面坐标的地图投影比例设置为1:20,所述MIP时空序列图像的大小设置为121×121。
6.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:从所述MIP时空图像系列中选取为第200时刻到第350时刻之间的MIP时空序列图像,进行单色灰度值的灰度级数方差和平均灰度的计算。
7.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:所述平均灰度由得到,Ii大于是指定图像的灰度随机变量,p(Ii)是一定区域内灰度级的灰度直方图,L是图像的灰度级数;方差:而p(zi)是区域中的灰度级的直方图,L是灰度级数,M是平均灰度。
8.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:在以灰度级数方差为纵坐标,平均灰度为横坐标的坐标平面中,所述判别线的方程为:y=0.1739×χ–12.1730,位于判别线下方的事件为天然地震,否则反之。
9.根据权利要求1所述的基于UD通道的时空序列图像震源识别方法,其特征在于:所述监测台站数量为3-20个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107533.8A CN108376245B (zh) | 2018-02-02 | 2018-02-02 | 基于ud通道的时空序列图像震源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107533.8A CN108376245B (zh) | 2018-02-02 | 2018-02-02 | 基于ud通道的时空序列图像震源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108376245A true CN108376245A (zh) | 2018-08-07 |
CN108376245B CN108376245B (zh) | 2022-02-11 |
Family
ID=63017220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810107533.8A Active CN108376245B (zh) | 2018-02-02 | 2018-02-02 | 基于ud通道的时空序列图像震源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376245B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583776A (zh) * | 2020-04-28 | 2020-08-25 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN112526606A (zh) * | 2021-02-08 | 2021-03-19 | 南京云创大数据科技股份有限公司 | 一种基于异构多分类模型的震源类型预测方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271469A (zh) * | 2008-05-10 | 2008-09-24 | 深圳先进技术研究院 | 一种基于三维模型库下二维图像的识别和物体的重建方法 |
CN102324094A (zh) * | 2011-05-30 | 2012-01-18 | 复旦大学 | 骨骼肌损伤超声图像纹理定量分析的强度界面多级分解法 |
JP5089622B2 (ja) * | 2009-01-20 | 2012-12-05 | 三菱電機株式会社 | エレベータの昇降体の耐震試験方法 |
CN102866421A (zh) * | 2012-09-04 | 2013-01-09 | 中国科学院地质与地球物理研究所 | 识别小断距断点的散射波叠前成像方法 |
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
CN104459797A (zh) * | 2013-09-22 | 2015-03-25 | 中国石油化工股份有限公司 | 一种井中微地震事件识别和拾取的方法 |
CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
CN105105741A (zh) * | 2015-07-15 | 2015-12-02 | 无锡海鹰电子医疗系统有限公司 | 一种脉搏波图像包络线提取和特征点跟踪的方法 |
CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
CN105527650A (zh) * | 2016-02-17 | 2016-04-27 | 中国科学院武汉岩土力学研究所 | 一种工程尺度下微震信号及p波初至自动识别算法 |
CN106646609A (zh) * | 2017-01-13 | 2017-05-10 | 成都理工大学 | 多次扫描的微地震多参数联合快速反演方法 |
CN106780584A (zh) * | 2016-11-28 | 2017-05-31 | 国家海洋局第二海洋研究所 | 基于灰度共生矩阵的纹理方向精细估算方法 |
CN107300715A (zh) * | 2017-06-22 | 2017-10-27 | 禁核试北京国家数据中心 | 一种识别核爆炸地震事件的方法 |
-
2018
- 2018-02-02 CN CN201810107533.8A patent/CN108376245B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271469A (zh) * | 2008-05-10 | 2008-09-24 | 深圳先进技术研究院 | 一种基于三维模型库下二维图像的识别和物体的重建方法 |
JP5089622B2 (ja) * | 2009-01-20 | 2012-12-05 | 三菱電機株式会社 | エレベータの昇降体の耐震試験方法 |
CN102324094A (zh) * | 2011-05-30 | 2012-01-18 | 复旦大学 | 骨骼肌损伤超声图像纹理定量分析的强度界面多级分解法 |
CN102866421A (zh) * | 2012-09-04 | 2013-01-09 | 中国科学院地质与地球物理研究所 | 识别小断距断点的散射波叠前成像方法 |
CN104459797A (zh) * | 2013-09-22 | 2015-03-25 | 中国石油化工股份有限公司 | 一种井中微地震事件识别和拾取的方法 |
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
CN105105741A (zh) * | 2015-07-15 | 2015-12-02 | 无锡海鹰电子医疗系统有限公司 | 一种脉搏波图像包络线提取和特征点跟踪的方法 |
CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
CN105527650A (zh) * | 2016-02-17 | 2016-04-27 | 中国科学院武汉岩土力学研究所 | 一种工程尺度下微震信号及p波初至自动识别算法 |
CN106780584A (zh) * | 2016-11-28 | 2017-05-31 | 国家海洋局第二海洋研究所 | 基于灰度共生矩阵的纹理方向精细估算方法 |
CN106646609A (zh) * | 2017-01-13 | 2017-05-10 | 成都理工大学 | 多次扫描的微地震多参数联合快速反演方法 |
CN107300715A (zh) * | 2017-06-22 | 2017-10-27 | 禁核试北京国家数据中心 | 一种识别核爆炸地震事件的方法 |
Non-Patent Citations (1)
Title |
---|
郭世豪: "地震震中及临近区域的波传播过程图像模拟研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583776A (zh) * | 2020-04-28 | 2020-08-25 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN111583776B (zh) * | 2020-04-28 | 2022-02-11 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN112526606A (zh) * | 2021-02-08 | 2021-03-19 | 南京云创大数据科技股份有限公司 | 一种基于异构多分类模型的震源类型预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108376245B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7127353B2 (en) | Method and apparatus for imaging permeability pathways of geologic fluid reservoirs using seismic emission tomography | |
CN104280775B (zh) | 一种基于全波形矢量偏移叠加的微地震监测定位方法 | |
Zhang et al. | Extracting dispersion curves from ambient noise correlations using deep learning | |
Ringler et al. | Achievements and prospects of global broadband seismographic networks after 30 years of continuous geophysical observations | |
CN108021922A (zh) | 天然地震和人工爆破的区分识别方法 | |
CN115016006B (zh) | 一种基于矿山安全监测的微震定位方法及定位系统 | |
CN108376245A (zh) | 基于ud通道的时空序列图像震源识别方法 | |
Astuti et al. | Adaptive Short Time Fourier Transform (STFT) Analysis of seismic electric signal (SES): A comparison of Hamming and rectangular window | |
Battaglia et al. | Families of similar events and modes of oscillation of the conduit at Yasur volcano (Vanuatu) | |
Öztürk et al. | Spatial variations of precursory seismic quiescence observed in recent years in the eastern part of Turkey | |
Ni et al. | Curated Pacific Northwest AI-ready seismic dataset | |
CN109188528A (zh) | 井间弹性波层析成像系统和方法 | |
Presti et al. | New earthquake data in the calabrian subduction zone, Italy, suggest revision of the presumed dynamics in the upper part of the subducting slab | |
Soto‐Cordero et al. | Crustal structure, intraplate seismicity, and seismic hazard in the mid‐Atlantic United States | |
CN109143342A (zh) | 一种地震勘探无线采集数据融合方法 | |
Adhaityar et al. | Multi-target regression using Convolutional Neural Network-Random Forests (CNN-RF) for early earthquake warning system | |
Jiang et al. | Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks | |
Rontogianni et al. | Multi-parametric investigation of the volcano-hydrothermal system at Tatun Volcano Group, Northern Taiwan | |
Brill et al. | Foundations for forecasting: defining baseline seismicity at Fuego volcano, Guatemala | |
Peng et al. | The Namche Barwa Temporary Seismic Network (NBTSN) and Its Application in Monitoring the 18 November 2017 M 6.9 Mainling, Tibet, China, Earthquake | |
Münchmeyer et al. | Learning the Deep and the Shallow: Deep-Learning-Based Depth Phase Picking and Earthquake Depth Estimation | |
Guan et al. | Near-Surface Radial Anisotropy Tomography of Geothermal Reservoir Using Dense Seismic Nodal Array | |
Bobrov et al. | Analysis of the 2008 Chinese earthquake aftershocks using cross correlation | |
Liu et al. | Shear wave splitting analysis of local earthquakes from dense arrays in Shimian, Sichuan | |
Mejia et al. | P‐and T‐axis probabilities (PaTaPs): Characterizing regional stress patterns with probability density functions of fault‐plane uncertainties |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |