CN111060965A - 一种基于卷积神经网络的地震震相拾取及事件检测方法 - Google Patents
一种基于卷积神经网络的地震震相拾取及事件检测方法 Download PDFInfo
- Publication number
- CN111060965A CN111060965A CN201911232461.0A CN201911232461A CN111060965A CN 111060965 A CN111060965 A CN 111060965A CN 201911232461 A CN201911232461 A CN 201911232461A CN 111060965 A CN111060965 A CN 111060965A
- Authority
- CN
- China
- Prior art keywords
- seismic
- phase
- time
- neural network
- convolutional neural
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 208000035126 Facies Diseases 0.000 title claims description 42
- 238000000034 method Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001149900 Fusconaia subrotunda Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于卷积神经网络的地震震相拾取及事件检测方法,属于地震事件检测和估计领域。本发明为了克服地震事件检测存在震相识别错误率高、事件误检、漏检率高的问题,通过对各个台站的连续数据以设定的时间窗口和步长,滑动截取连续数据为若干个待检测窗口,采用预先训练好的卷积神经网络模型对截取的每个数据窗口进行检测,得到震相识别概率序列和到时拟合值序列,再通过震相概率值大小和到时拟合值的极值确定震相名称和到时估计值;依据近震P、S到时差估算事件的初步位置和时间,将其作为常规的迭代反演定位程序的初始值,得到最终的事件位置和时间,从而实现了震相的准确识别和到时估计,以及获得了准确的地震事件位置和时间。
Description
技术领域
本发明属于地震事件检测和估计领域,具体涉及一种基于卷积神经网络的地震震相拾取及事件检测方法。
背景技术
地震事件检测是依据监测台站记录到的信号及特征,反演形成事件的过程,一般包括台站信号的检测、到时估计、震相的识别、多台震相关联和定位等过程。区域台网对于网内近震事件的快速、可靠检测,对于防震减灾、应急响应等具有重要意义。学术界针对地震事件检测问题开展了广泛的研究,建立了较为成熟的一套方法,如基于短时平均与长时平均比方法(STA/LTA)实现信号检测、基于自回归赤池信息准则(AR-AIC)的信号到时精确估计、基于偏度和峰度等高阶统计量的震相检测方法、基于地震波整体包络特征的震相检测识别方法、基于震相特征规则和传统神经网络相结合的震相识别方法、基于全球格点搜索的事件关联方法以及基于概率的事件关联定位方法等。
尽管学者们做了大量的努力,提出多种方法,但区域地震事件的检测依然存在震相识别错误率高、事件误检、漏检率高等诸多问题。
发明内容
(一)要解决的技术问题
本发明的目的是解决在区域地震事件检测中如何提高震相识别的正确率、减少事件误检和漏检的技术问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种基于卷积神经网络的地震震相拾取方法,该方法包括如下步骤:
步骤1:实时获取地震台站的地震传感器采集的连续波形数据;
步骤2:以设定的时间窗口和设定的步长,滑动截取所述连续波形数据为若干个待检测窗口;
步骤3:采用多任务卷积神经网络对每个所述待检测窗口进行震相检测识别和到时估计,得到震相识别概率和到时拟合值;
步骤4:通过所述震相识别概率的大小确定所述连续波形数据中的震相名称;
步骤5:通过所述到时拟合值的极值确定所述连续波形数据中的到时估计值。
进一步地,所述步骤2中的所述设定的时间窗口为4s,所述设定的步长为0.1s。
进一步地,在所述步骤2之后,所述步骤3之前,还包括如下步骤:对滑动截取后的所述连续波形数据进行去线性和滤波,以及采用每段所述连续波形数据的最大值对所述连续波形数据进行归一化操作。
进一步地,所述步骤3中的多任务卷积神经网络为预先训练好的多任务卷积神经网络。
进一步地,所述步骤4具体包括:当P震相识别概率或S震相识别概率超过98%时,则形成P震相触发或S震相触发,当所述震相识别概率都低于98%时,则识别为噪声。
进一步地,所述步骤4之后,所述步骤5之前,还包括对震相触发进行综合判断,形成最终震相的步骤,所述对震相触发进行综合判断,形成最终震相的步骤具体为:
识别为所述P震相触发的持续时间需要大于预先设定的时间阈值,则确定为P震相,或者识别为所述S震相触发的持续时间需要大于预先设定的时间阈值,则确定为S震相;
在确定所述P震相或所述S震相后的4s时间内不再形成新的震相;
则确定的所述P震相或所述S震相为最终震相。
进一步地,所述步骤5具体包括:选取识别为所述P震相或所述S震相的时间窗口内的一系列离散的到时拟合值,计算所述离散的到时拟合值的极大值,基于滑动检测的原理,满足到时拟合值大小要求的首个极大值即为所述P震相或所述S震相的到时估计值。
进一步地,所述地震台站为三分向地震台站。
本发明还提供一种基于卷积神经网络的地震事件检测方法,该方法包括如下步骤:
步骤a、对区域台网内多个地震台站中的每个采用基于卷积神经网络的地震震相拾取方法获取震相名称及其到时估计值;
步骤b、对于获取到P震相、S震相的地震台站,两两计算S震相到时差与P震相到时差之比,α=|(TSi-TSj)/(TPi-TPj)|=vP/vS,得到多个α,若多个α两两之间的差值小于设定的阈值,则可判定所述多个地震台站的这些获取到的震相来自同一个事件;其中TSi为编号为i的地震台站获取的S震相的到时估计值,TSj为编号为j的地震台站获取的S震相的到时估计值,TPi为编号为i的地震台站获取的P震相的到时估计值,TPj为编号为j的地震台站获取的P震相的到时估计值,Vp为P震相的波速,VS为S震相的波速;
步骤c、将步骤b获得的多个vP/vS取平均值作为最终的P震相和S震相的波速比;对所述多个地震台站中的每一个利用公式计算得到发震时刻,选取所述多个地震台站的均值作为最初发震时刻,其中;TS为S震相的到时估计值,TP为P震相的到时估计值,T0的计算公式中的vP/vS为最终的P震相和S震相的波速比;
步骤d、以所述多个地震台站中的任意两个地震台站作为焦点计算双曲线,取多组双曲线的交叉点的经纬度的均值作为最初的事件位置(x0,y0)。
进一步地,该方法在步骤d之后还包括:
步骤e、利用常规的迭代反演定位算法,以所述多个地震台站获取的P震相、S震相信息作为输入,以所述步骤c、所述步骤d得到的所述初步发震时刻和所述事件位置作为迭代算法的初始值,获取最终的精确的事件位置和事件。
(三)有益效果
本发明的基于卷积神经网络的地震震相拾取方法,将台站连续数据截取为相互重叠的多个数据窗口,利用训练好的多任务卷积神经网络对每个窗口进行检测,得到震相识别概率序列和到时拟合值序列,再经过综合研判,最终得到各个台站连续数据的震相检测识别结果和到时估计结果,从而实现了单台连续数据的P、S震相的准确识别和到时估计,提高了震相识别的正确率。
本发明的基于卷积神经网络的地震事件检测方法在基于卷积神经网络的地震震相拾取方法的基础上,在事件检测窗口内,基于台站对的P、S震相到时差之比为恒定值的原理,实现多个检测台站关联;以事件发震时刻,P、S的震相到时以及P、S震相波速比之间关系,初步估算事件发震时刻;以基于台站对的双曲线方法得到事件初步位置;将多台P和S震相信息作为常规迭代反演定位程序输入,以事件初步时间和位置作为定位程序迭代的初始值,实现对事件位置和时间的精确估算,从而可快速准确的实现对地震事件位置和时间的计算,提高了地震事件检测的正确率。
附图说明
图1为本发明的用于地震震相拾取的多任务卷积神经网络结构示意图;
图2为本发明的利用多任务卷积神经网络对CBT台站连续波形数据的震相拾取结果;
图3为CBT、YNB、KDN、MDJ台站对事件发生时间的初步估计。
其中,图2中(a)为E通道数据;(b)为N通道数据;(c)为Z通道数据;(d)为震相识别的概率曲线,实线表示P震相识别概率,虚线表示S震相识别概率;(e)为震相的到时估计曲线,(a-e的横坐标为采样点数,a-c的纵坐标为幅值,d纵坐标为概率,e纵坐标为拟合值,范围0-2);
图3中黑色框是事件检测窗口300s,长实线代表P震相,长虚线代表S震相,短虚线代表各个台站估计的事件发生时间。横坐标为采样点数,纵坐标为幅值。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明的基本思想是,首先对于台网中各个台站的一段时间间隔的连续波形数据,以设定的时间窗口和步长,滑动截取为若干个待检测的数据窗口,然后采用预先训练好的多任务卷积神经网络对各个台站数据进行P、S震相检测识别和到时估计,得到震相识别的概率序列和到时拟合值序列,再通过震相识别的概率值大小和到时拟合值的极值确定震相名称和到时估计值。在检测窗口内,利用台站对P震相走时差与S震相走时差之比为恒定值原理实现多个台站检测震相关联。然后利用多个台站P、S震相到时估算事件的初步位置和时间,将其作为常规的迭代反演定位程序的初始值,快速、准确的得到事件位置和时间。
一种基于卷积神经网络的地震震相拾取方法,包括以下步骤:
(1)实时获取区域台网内所有三分向地震台站的地震传感器采集的连续波形数据;
(2)对所有台站最近一段时间的数据进行处理;
(2.1)以4s为窗口,0.1s为步长,滑动截取连续波形数据为若干待检测窗口;
(2.2)对截取的波形数据进行去线性、滤波以及以每段数据的最大值对数据进行归一化操作;
(2.3)用预先训练好的多任务卷积神经网络对每个窗口进行检测处理,得到震相识别概率和相应的到时拟合值;
(2.4)当识别为P或S的概率超过98%时,则形成P或S震相触发,当识别概率都低于98%时,则识别为噪声;
(2.5)对于震相触发进行综合判断,形成最终震相。从震相触发持续时间和震相触发间隔方面进行判断:识别为某类震相触发的持续时间需要大于预先设定的阈值,如10个窗口时间(即1s),则最终确定为某类震相;在确定某类震相后的4s时间内将不再形成新的震相;
(2.6)对于震相到时的确认。由于后续尾波信号影响,一般识别为某个震相的概率会持续一段时间,在此时间窗口内的到时拟合值为一系列离散值,而基于滑动检测的原理,理论上这些拟合值中首个最大值应为震相的到时。基于此原理,设计如下震相到时确认方法:选取识别为某类震相所对应的一系列到时拟合值,计算这些离散值的极大值,则满足到时拟合值大小要求的(如大于1.3)的首个极大值即为此震相的到时估计值。
(2.7)对于台网内每个台站进行(2.1)-(2.7)步的处理,得到该段时间内所有台站的P、S震相及其到时信息。
进一步地,本发明的一种基于卷积神经网络模型的区域地震事件检测方法,包括如上所述的一种基于卷积神经网络的地震震相拾取方法,以及如下步骤:
(3)对于检测出P、S震相的台站,两两计算S震相到时差与P震相到时差之比,α=|(TSi-TSj)/(TPi-TPj)|=vP/vS,由于属于同一个台网,对于近震事件vP/vS应保持恒定。因此,若台站对检测的震相来自同一事件,则计算的α应基本一致,据此,若α1-α2<δ;α2-α3<δ;......,则可判定多个台站的这些检测震相来自同一个事件。其中δ为设定的阈值参数,根据该区域历史事件统计得到。其中TSi为编号为i的地震台站获取的S震相的到时估计值,TSj为编号为j的地震台站获取的S震相的到时估计值,TPi为编号为i的地震台站获取的P震相的到时估计值,TPj为编号为j的地震台站获取的P震相的到时估计值,Vp为P震相的波速,VS为S震相的波速。
(4)利用关联的台站对计算得到的vP/vS值,取其平均值作为最终P与S的波速比。对关联的每个台站,利用公式计算得到发震时刻,选取多台的均值作为最初发震时刻。其中,TS为S震相的到时估计值,TP为P震相的到时估计值,T0的计算公式中的vP/vS为最终的P震相和S震相的波速比。
(5)对于同一事件关联的台站,任意一对台站与震源之间的距离差关系为确定值,则震源位置应位于以这两个台站为焦点的双曲线的其中一个分支上,根据震相到达台站的先后可以确定为哪个分支。vP取地壳平均速度6.58km/s,以任意两个台站作为焦点计算双曲线,取多组双曲线的交叉点的经纬度各自的均值作为最初的事件位置(x0,y0)。
(6)利用常规的迭代反演定位算法,以多台的P、S震相信息作为输入,以(4)、(5)得到的初步发震时刻T0和事件位置(x0,y0)作为迭代算法的初始值,进行最终的精确定位。
实施例:
按照上述方法,以2018年8月5日长白(CBT)、延边(YNB)、宽甸(KDN)和牡丹江(MDJ)台站记录的一个近震事件为例。首先利用训练好的卷积神经网络对检测窗口内(5分钟)数据进行处理,按照本文中方法实现对各个台站P、S震相的检测,判别震相名称,估算震相到时,得到震相信息如表1所示(假设事件检测窗口在1300s-1600s)。然后在有P、S震相对的台站中,两两计算α=TSi-TSj/TPi-TPj=vP/vS值,得到α1=1.67,α2=1.73,α3=1.71,α4=1.74,α5=1.8,α6=1.67,依据历史事件统计设定阈值δ为0.5,由于α1-α2<δ,α2-α3<δ,.....,则四个台站的P、S震相可关联为一个事件。对α1,α2,α3,.....取平均值得到直达波P、S波速比vP/vs=1.72,然后各台站依据公式计算发震时刻Ti0(i=1,2,3,4),如图1所示,对Ti0求均值,初步得到事件发生时刻T0为2018080511:23∶21。以任意一对台站为焦点,做双曲线,取多组双曲线交叉点经纬度各自的均值作为最初的事件位置。以多台震相信息作为常规的迭代反演定位算法的输入,以得到的事件初步位置和初步时间作为迭代算法的初始值,最终得到事件精确的位置和时间。
表一 事件检测窗口内卷积神经网络拾取到的震相信息
STA | Phase | Arrival Time |
CBT | P | 20180805 11:23:41 |
CBT | S | 20180805 11:23:56 |
YNB | P | 20180805 11:23:53 |
YNB | S | 20180805 11:24:16 |
KDN | P | 20180805 11:24:03 |
KDN | S | 20180805 11:24:34 |
MDJ | P | 20180805 11:24:12 |
MDJ | S | 20180805 11:24:49 |
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络的地震震相拾取方法,其特征在于,该方法包括如下步骤:
步骤1:实时获取地震台站的地震传感器采集的连续波形数据;
步骤2:以设定的时间窗口和设定的步长,滑动截取所述连续波形数据为若干个待检测窗口;
步骤3:采用多任务卷积神经网络对每个所述待检测窗口进行震相检测识别和到时估计,得到震相识别概率和到时拟合值;
步骤4:通过所述震相识别概率的大小确定所述连续波形数据中的震相名称;
步骤5:通过所述到时拟合值的极值确定所述连续波形数据中的到时估计值。
2.如权利要求1所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述步骤2中的所述设定的时间窗口为4s,所述设定的步长为0.1s。
3.如权利要求1所述的基于卷积神经网络的地震震相拾取方法,其特征在于,在所述步骤2之后,所述步骤3之前,还包括如下步骤:对滑动截取后的所述连续波形数据进行去线性和滤波,以及采用每段所述连续波形数据的最大值对所述连续波形数据进行归一化操作。
4.如权利要求1所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述步骤3中的多任务卷积神经网络为预先训练好的多任务卷积神经网络。
5.如权利要求1所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述步骤4具体包括:当P震相识别概率或S震相识别概率超过98%时,则形成P震相触发或S震相触发,当所述震相识别概率都低于98%时,则识别为噪声。
6.如权利要求5所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述步骤4之后,所述步骤5之前,还包括对震相触发进行综合判断,形成最终震相的步骤,所述对震相触发进行综合判断,形成最终震相的步骤具体为:
识别为所述P震相触发的持续时间需要大于预先设定的时间阈值,则确定为P震相,或者识别为所述S震相触发的持续时间需要大于预先设定的时间阈值,则确定为S震相;
在确定所述P震相或所述S震相后的4s时间内不再形成新的震相;
则确定的所述P震相或所述S震相为最终震相。
7.如权利要求6所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述步骤5具体包括:选取识别为所述P震相或所述S震相的时间窗口内的一系列离散的到时拟合值,计算所述离散的到时拟合值的极大值,基于滑动检测的原理,满足到时拟合值大小要求的首个极大值即为所述P震相或所述S震相的到时估计值。
8.如权利要求1所述的基于卷积神经网络的地震震相拾取方法,其特征在于,所述地震台站为三分向地震台站。
9.一种基于卷积神经网络的地震事件检测方法,其特征在于,该方法包括如下步骤:
步骤a、对区域台网内多个地震台站中的每个采用如权利要求1-8中任一项的基于卷积神经网络的地震震相拾取方法获取震相名称及其到时估计值;
步骤b、对于获取到P震相、S震相的地震台站,两两计算S震相到时差与P震相到时差之比,α=|(Tsi-TSj)/(TPi-TPj)|=vP/vS,得到多个α,若多个α两两之间的差值小于设定的阈值,则可判定所述多个地震台站的这些获取到的震相来自同一个事件;其中TSi为编号为i的地震台站获取的S震相的到时估计值,TSj为编号为j的地震台站获取的S震相的到时估计值,TPi为编号为i的地震台站获取的P震相的到时估计值,TPj为编号为j的地震台站获取的P震相的到时估计值,vp为P震相的波速,vS为S震相的波速;
步骤c、将步骤b获得的多个vP/vS取平均值作为最终的P震相和S震相的波速比;对所述多个地震台站中的每一个利用公式计算得到发震时刻,选取所述多个地震台站的均值作为最初发震时刻,其中;TS为S震相的到时估计值,TP为P震相的到时估计值,T0的计算公式中的vP/vS为最终的P震相和S震相的波速比;
步骤d、以所述多个地震台站中的任意两个地震台站作为焦点计算双曲线,取多组双曲线的交叉点的经纬度的均值作为最初的事件位置(x0,y0)。
10.如权利要求9所述的基于卷积神经网络的地震事件检测方法,其特征在于,该方法在步骤d之后还包括:
步骤e、利用常规的迭代反演定位算法,以所述多个地震台站获取的P震相、S震相信息作为输入,以所述步骤c、所述步骤d得到的所述初步发震时刻和所述事件位置作为迭代算法的初始值,获取最终的精确的事件位置和事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911232461.0A CN111060965B (zh) | 2019-12-05 | 2019-12-05 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911232461.0A CN111060965B (zh) | 2019-12-05 | 2019-12-05 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060965A true CN111060965A (zh) | 2020-04-24 |
CN111060965B CN111060965B (zh) | 2022-04-01 |
Family
ID=70299679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911232461.0A Active CN111060965B (zh) | 2019-12-05 | 2019-12-05 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060965B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
CN112039059A (zh) * | 2020-08-20 | 2020-12-04 | 国网湖南省电力有限公司 | 基于功率阶跃连续性判别的长暂态负荷事件检测方法 |
CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
CN113221395A (zh) * | 2021-03-16 | 2021-08-06 | 禁核试北京国家数据中心 | 基于分层介质的地震走时参数化网格模型构建方法及应用 |
CN113607268A (zh) * | 2021-01-26 | 2021-11-05 | 禁核试北京国家数据中心 | 一种区域次声事件自动关联方法 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
CN115421188A (zh) * | 2022-08-23 | 2022-12-02 | 安徽省新近纪防灾科技有限公司 | 基于人工智能的微地震事件实时识别系统及方法 |
CN116047604A (zh) * | 2023-02-23 | 2023-05-02 | 成都理工大学 | 基于振幅统计和时频分析的深度震相快速拾取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5648938A (en) * | 1993-10-06 | 1997-07-15 | Ensign Geophysics Limited | Seismic data acquisition |
US20120143510A1 (en) * | 2007-05-25 | 2012-06-07 | Aftab Alam | High resolution attributes for seismic data processing and interpretation |
CN105759311A (zh) * | 2016-01-25 | 2016-07-13 | 西南交通大学 | 一种近实时地震震源位置定位方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
-
2019
- 2019-12-05 CN CN201911232461.0A patent/CN111060965B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5648938A (en) * | 1993-10-06 | 1997-07-15 | Ensign Geophysics Limited | Seismic data acquisition |
US20120143510A1 (en) * | 2007-05-25 | 2012-06-07 | Aftab Alam | High resolution attributes for seismic data processing and interpretation |
CN105759311A (zh) * | 2016-01-25 | 2016-07-13 | 西南交通大学 | 一种近实时地震震源位置定位方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
Non-Patent Citations (1)
Title |
---|
张炜等: "遥测台网的震相分析", 《高原地震》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN112039059A (zh) * | 2020-08-20 | 2020-12-04 | 国网湖南省电力有限公司 | 基于功率阶跃连续性判别的长暂态负荷事件检测方法 |
CN113607268A (zh) * | 2021-01-26 | 2021-11-05 | 禁核试北京国家数据中心 | 一种区域次声事件自动关联方法 |
CN113607268B (zh) * | 2021-01-26 | 2024-01-09 | 禁核试北京国家数据中心 | 一种区域次声事件自动关联方法 |
CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
CN112799128B (zh) * | 2021-02-03 | 2021-10-22 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
CN113221395A (zh) * | 2021-03-16 | 2021-08-06 | 禁核试北京国家数据中心 | 基于分层介质的地震走时参数化网格模型构建方法及应用 |
CN113221395B (zh) * | 2021-03-16 | 2023-10-20 | 禁核试北京国家数据中心 | 基于分层介质的地震走时参数化网格模型构建方法及应用 |
CN112884134B (zh) * | 2021-04-01 | 2022-04-26 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
CN115421188A (zh) * | 2022-08-23 | 2022-12-02 | 安徽省新近纪防灾科技有限公司 | 基于人工智能的微地震事件实时识别系统及方法 |
CN115421188B (zh) * | 2022-08-23 | 2024-02-20 | 宿州学院 | 基于人工智能的微地震事件实时识别系统及方法 |
CN116047604A (zh) * | 2023-02-23 | 2023-05-02 | 成都理工大学 | 基于振幅统计和时频分析的深度震相快速拾取方法 |
CN116047604B (zh) * | 2023-02-23 | 2023-10-17 | 成都理工大学 | 基于振幅统计和时频分析的深度震相快速拾取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111060965B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060965B (zh) | 一种基于卷积神经网络的地震震相拾取及事件检测方法 | |
CN110032975B (zh) | 一种地震震相的拾取方法 | |
CN105676287B (zh) | 一种检测特定地区核爆炸地震事件的方法 | |
CN107479094B (zh) | 一种实现地震预警的方法 | |
CN105527650B (zh) | 一种工程尺度下微震信号及p波初至自动识别算法 | |
CN106382981B (zh) | 一种单站次声波信号识别提取方法 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN112884134B (zh) | 面向地震震相识别的基于时域的卷积神经网络模型及应用 | |
Saad et al. | Automatic arrival time detection for earthquakes based on stacked denoising autoencoder | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN111487589B (zh) | 一种基于多源传感器网络的目标落点定位方法 | |
CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
CN109283576B (zh) | 一种以振幅为特征函数的自动拾取p波震相方法 | |
CN107272061A (zh) | 一种次声信号与地震事件的自动关联方法 | |
CN109342828A (zh) | 一种基于频域恒虚警的雷电脉冲信号检测方法 | |
CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
CN114152980A (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
CN108957403A (zh) | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 | |
Akhouayri et al. | Automatic detection and picking of P-wave arrival in locally stationary noise using cross-correlation | |
CN105204065A (zh) | 一种拾取初至波的方法和装置 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
KR101923166B1 (ko) | 지진배경잡음을 이용하여 추출된 지진신호의 진폭 크기 보정방법 | |
CN112558159B (zh) | 一种声波测井初至拾取方法 | |
CN108375789B (zh) | 联合采集地震数据的同步匹配方法 | |
CN115952410B (zh) | 一种基于深度学习的滑坡灾害检测系统 |
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 |