CN111983676A - 一种基于深度学习的地震监测方法及装置 - Google Patents
一种基于深度学习的地震监测方法及装置 Download PDFInfo
- Publication number
- CN111983676A CN111983676A CN202010648662.5A CN202010648662A CN111983676A CN 111983676 A CN111983676 A CN 111983676A CN 202010648662 A CN202010648662 A CN 202010648662A CN 111983676 A CN111983676 A CN 111983676A
- Authority
- CN
- China
- Prior art keywords
- seismic
- neural network
- time window
- probability density
- deep learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 85
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000013434 data augmentation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- CFKMVGJGLGKFKI-UHFFFAOYSA-N 4-chloro-m-cresol Chemical compound CC1=CC(O)=CC=C1Cl CFKMVGJGLGKFKI-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
-
- 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
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
一种基于深度学习的地震监测方法及装置，所述方法包括步骤：训练神经网络；从连续数据中以预设时间间隔截取地震波形时窗；将所述地震波形时窗输入所述神经网络；所述神经网络输出对应的高斯概率密度分布；判断所述高斯概率密度分布的最大值是否大于预设阈值；若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；若否，判定所述地震波形时窗不包含地震事件。本申请提供的一种基于深度学习的地震监测方法及装置，可以利用单台进行震源参数的估算，因此可以得到泛化的神经网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。
Description
技术领域
本发明属于地震监测技术领域，具体涉及一种基于深度学习的地震监 测方法及装置。
背景技术
地震预警和监测系统旨在于破坏性强的地震波到达之前快速地产出 震级和位置等参数，并在第一时间给出预警。世界上已建成并投入实际使 用的地震预警系统主要有日本的REIS、墨西哥的SAS、中国的VSN和土耳 其的IERREWS，另外美国加州的预警系统处于实时测试中。目前,国内对于 地震预警系统的研发也处于非常活跃的时期，除了一些核电站、高铁等重 点工程的地震预警系统外，投入测试的还有福建省地震局的系统、首都圈 地震预警系统、兰州地区地震预警系统等。现有的这些地震预警系统中， 主要通过分析触发台站接收到的P波或S波信息来确定地震参数，虽然有 效性高，但是决策过程较为复杂，一般需要经过地震数据的预处理、地震 的检测和P/S波的拾取等过程。例如，美国加州的ShakeAlert系统主要 通过综合Tc-Pd Onsite算法、Virtual Seismologist和ElarmS等多个预 警算法的结果，最终由一个决策模块向用户发布预警信息。其中Tc-Pd Onsite属于基于单台的现地预警算法，地震事件的检测和处理速度虽然 快，但是可靠性不如基于多台监测的算法，需要相邻附近的台站信息来降 低误触发的可能性。Virtual Seismologist和ElarmS算法均基于多个台 站的信息，需要利用长短时窗法检测和拾取地震P波信息，并通过相应的 模块过滤P波拾取，以及把拾取到的震相联系到地震事件，最后通过网格 搜索算法定位。因此对于这些算法，预警成功与否依赖于数据处理过程中 震相的检测、拾取、过滤、联系事件等处理环节。为了减少各个环节所带 来的不便，如何构建实时数据流到震源参数的直接映射，并全自动化地检 测地震和计算震源参数，对于地震预警的应用至关重要。
地震预警中震源参数的确定需要满足时效性的特点，离震源最近的台 站一般首先触发，随着台站接收到的信号增加，需要持续性地估算和更新 震源参数。震级一般可以通过早期到达的若干秒P波振幅和周期估算，每 个触发台站只有在接收到相应长度的P波后，利用P波的某些特征计算震 级，当触发台站数量增加，综合估算的震级误差随之减少。根据震级估算 公式，可靠的震级结果同时依赖于震中距的计算，因此地震位置的快速确定非常关键。对于单台定位算法，主要利用P波和S波的倒时差来估算震 中距，然后利用P波震相来估算震源方位角，从而可以确定震中位置。除 了某些震相的到时和一些其他特征以外，全波形数据包含了更为丰富的信 息，对于震级或者位置约束作用可能更强。如何提取当前时刻已有数据的 特征非常重要，尤其是在地震实时监测的情形下，充分利用全波形信息是 提升震源参数精度的关键。
近年来随着地震数据的积累越来越多，大量整理的很好的地震目录可 供使用，其中包含了丰富和宝贵的信息，使得利用深度学习自动化地提取 地震数据的特征成为可能，无需或者较少人工干预即可解决相关地震学问 题。目前大量相关方面的研究已经展开，主要集中在地震信号的检测和拾 取、信号去噪、速度建模和成像、震级估计等方面。其中基于人工智能的 地震检测已经相当成熟，Perol et al.(2018)应用卷积神经网络于地 震事件的检测和定位，该方法能够从连续数据中检测到比传统方法多17 倍的地震事件，该方法把研究区域划分成六类，因此能同时输出检测到的 地震事件属于哪一个区块。除了利用分类思想来处理地震定位问题，还可 以让神经网络直接输出地震位置的坐标值，并通过L2Norm的损失函数来 最优化神经网络模型(Zhang et al.,2018；Kriegerowski,et al.,2018)， 这类方法一般需要对位置标签进行归一化处理，对于震源位置相近的事件 簇定位有效。
随着深度学习算法的应用越来越广泛，各种新的神经网络架构层出不 穷，同时也为解决地球物理问题提供了新的思路。例如，在很多计算机视 觉任务中，不但要预测图像属于哪一类，还要进一步定位目标在图片中的 位置，为此产生了很多针对于图像分割的神经网络架构，典型的有Unet 和全卷积神经网络(Shelhamer et al.,2017；Ronneberger etal.,2017)， 这些网络可以得到输入图片的每个像素点属于哪一类。如果把地震震源参 数看成图像，而不是一系列的分类，同样可以使用图像分割中的网络结构 来解决地震参数求解问题。现有应用高斯概率密度分布来标记地震位置， 并利用全卷积神经网络求解诱发地震的震源位置，预测精度能够在一定程 度上匹敌人工处理的结果，然而该方法仅针对于地震事件已经检测到后的 定位问题，无法对从连续数据中检测地震事件以及估算震级，发震时间等。
发明内容
为解决上述问题，本发明提供了一种基于深度学习的地震监测方法， 所述方法包括步骤：
训练神经网络；
从连续数据中以预设时间间隔截取地震波形时窗；
将所述地震波形时窗输入所述神经网络；
所述神经网络输出对应的高斯概率密度分布；
判断所述高斯概率密度分布的最大值是否大于预设阈值；
若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；
若否，判定所述地震波形时窗不包含地震事件。
优选地，所述训练神经网络包括步骤：
获取全卷积神经网络；
利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时 间；
利用四个损失函数优化所述全卷积神经网络。
优选地，所述训练神经网络包括步骤：
获取全卷积神经网络；
将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四 个输出通道输出二维矩阵；
利用一个损失函数优化所述全卷积神经网络。
优选地，所述神经网络输出对应的高斯概率密度分布包括步骤：
获取预设震源参数范围；
将所述震源参数网格化，其中，每一网格点均配置有一个震源参数对 应的概率值。
本发明还提供了一种基于深度学习的地震监测装置，所述装置包括：
训练单元，用于训练神经网络；
截取单元，用于从连续数据中以预设时间间隔截取地震波形时窗；
输入单元，用于将所述地震波形时窗输入所述神经网络；
输出单元，用于所述神经网络输出对应的高斯概率密度分布；
判断单元，用于判断所述高斯概率密度分布的最大值是否大于预设阈 值；
执行单元，用于根据所述判断单元的判断结果执行相应操作；
其中，当所述判断单元判断为是时，所述执行单元判定所述地震波形 时窗包含地震事件，并计算震源参数解；当所述判断单元判断为否时，所 述执行单元判定所述地震波形时窗不包含地震事件。
本申请提供的一种基于深度学习的地震监测方法及装置具有如下有 益效果：
(1)通过适当的数据增广方法，并结合多分支的神经网络架构的应 用，使之从连续波形数据出发，同时自动化地检测地震，计算震中位置， 震级，以及发震时间；
(2)充分利用全波形数据预测震源位置，震级，以及发震时间，并 随着接收到的信号增加，持续性地更新震源参数；
(3)可以利用单台进行震源参数的估算，因此可以得到泛化的神经 网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地， 下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的 附图。
图1是本发明提供的一种基于深度学习的地震监测方法的流程示意 图；
图2是本发明提供的一种基于深度学习的地震监测装置的示意图；
图3是本发明提供的一种基于深度学习的地震监测方法中利用神经网 络监测地震的示意图；
图4是本发明提供的一种基于深度学习的地震监测方法中神经网络结 构的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实 施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是 示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对 公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1，在本申请实施例中，本发明提供了一种基于深度学习的地震 监测方法，所述方法包括步骤：
S1：训练神经网络；
S2：从连续数据中以预设时间间隔截取地震波形时窗；
S3：将所述地震波形时窗输入所述神经网络；
S4：所述神经网络输出对应的高斯概率密度分布；
S5：判断所述高斯概率密度分布的最大值是否大于预设阈值；
S6：若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；
S7：若否，判定所述地震波形时窗不包含地震事件。
在本申请实施例中，当训练好神经网络后，从连续数据中以给定的时 间间隔截取出地震波形时窗，并输入神经网络，得到相应的高斯概率密度 分布。如果高斯概率密度分布的最大值大于给定的阈值，判定当前输入时 窗内包含一个地震事件，并且最大值所对应的位置为震源参数解，从而实 现地震的实时检测和震源参数求解。
地震震源参数到波形之间的映射的复杂度高，需要较深的网络结构来 表征预测函数，目前用的较多的网络层包括卷积、池化、上采样等，通过 组合和参数调整构建最优的网络架构。本申请主要利用图像分割中的全卷 积神经网络，避免全连接层的应用，在样本较少的情形下，可以通过适当 的样本增广方法训练出较好的网络模型。
在本申请一个实施例中，步骤S1中的训练神经网络包括步骤：
获取全卷积神经网络；
利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时 间；
利用四个损失函数优化所述全卷积神经网络。
具体地，利用多分支的神经网络架构分别输出震中距，方位角，震级 以及发震时间，然后利用四个损失函数优化神经网络。
在本申请另一个实施例中，步骤S1中的训练神经网络包括步骤：
获取全卷积神经网络；
将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四 个输出通道输出二维矩阵；
利用一个损失函数优化所述全卷积神经网络。
具体地，把震中距，方位角，震级以及发震时间作为神经网络的四个 输出通道，输出一个二维矩阵，其中每一行分别对应四个震源参数的概率 密度分布，训练时利用一个损失函数优化神经网络。
质量高的训练样本以及有效的数据增广方法应用，对于神经网络的训 练至关重要。为了是适应于地震检测的需要，从连续数据中分辨出地震信 号和噪音，加入一部分实际噪音信号作为训练样本，当输入噪音时，神经 网络输出的震源参数概率密度为零，当输入有效的地震信号时，神经网络 输出的震源参数概率密度为高斯分布，概率密度最高点为震源参数解所在 位置。
为了满足地震发生后快速反应的需求，选取不同时窗生成地震样本， 使输入包含只有一部分波形信号的时窗。对目录中的每个地震，选取不同 长度的有效信号增广训练集，使训练后的网络模型具有持续性监测地震的 能力。一旦有效信号出现在输入时窗，即可产出震源参数，并随着有效信 号长度的增加，持续性地更新震源参数。
在本申请实施例中，步骤S4中的神经网络输出对应的高斯概率密度 分布包括步骤：
获取预设震源参数范围；
将所述震源参数网格化，其中，每一网格点均配置有一个震源参数对 应的概率值。
在本申请实施例中，本申请主要利用高斯概率密度分布的观点来表征 地震震源参数。由于需要求解的震源参数包括震中距、方位角、震级以及 发震时间(如图3所示)，用户首先给定震源参数的范围，然后把震源参 数网格化，每个网格点都有一个震源参数对应的概率值，其中概率密度最 大的点为震源参数解所在的位置。以震中距为例，假定震中距的范围为 [a,b]区间上的值，把该区间划分为n个格点，从而步长为h＝(b-a)/n，每 个网格点的概率为0-1之间的某个值，因此可以得到震中距在[a,b]区间 上一维概率密度分布。用同样的方法，可以把震级，方位角，以及发震时 间分别表征为一维概率密度分布的形式。当输入地震波形后，神经网络预 测出震源参数的概率密度分布，概率密度最大值所对应的网格位置即为震 源参数最佳值。
由于神经网络一般要求输入归一化，为了求解地震震级，把归一化因 子作为神经网络输出的一部分，假定神经网络震级输出实际为： Mr＝M-log(Amax)。根据现有震级估算公式中震级和振幅之间的关系，Mr为 除了绝对振幅之外的震级计算贡献量，主要和震中距以及相关补偿参数有 关。当给定输入波形，可以得到波形时窗范围内的最大值Amax，当神经网 络预测出最佳的Mr值后，可以通过加上Amax的对数，从而得到该输入对应 的震级M＝Mr+log(Amax)。
下面以具体实例来说明本申请的具体实施方式。
如图4所示，利用全卷积神经网络求解震源参数(震中距、方位角、 震级、发震时间)的概率密度分布。输入为三分量的地震波形数据，包含 1024个时间采样点，因此输入矩阵的大小为(2048(时间采样)×3(三分 量)，每个分量作为一个通道。神经网络的最终输出为128(长)×4(通 道)的矩阵，其中每个通道分别表征震中距，方位角，震级和发震时间的概率密度分布。例如，假定震中距的范围为0-100公里，该区间可以划分 为128个网格，每个网格长度为100/128＝0.78125公里，每个网格点都有 对应的概率密度大小，其中概率密度最大的点对应的横坐标值即为最佳的 震中距的解。同理，可以把方位角，震级，发震时间分别表示为128个点 表征的概率密度分布，其中概率密度最大值对应的点为相应的震源参数的 解。
对于震级的标记，定义神经网络求解的震级为归一化后的波形对应的 震级，Mr＝M-log(Amax)，求得归一化后的震级后，再加上地震 波形的最大幅值的对数，即可获得对应地震的真实震级。在本实例中假定 归一化后的震级范围为：3.5-11.7，在此区间划分128个网格，则网格间 距为0.064，输出为该范围的高斯概率密度分布，其中高斯概率密度最大的点为所要求解的归一化后的震级大小，该结果加上输入波形的绝对幅值 的对数后，即可得到真实震级。
(1)神经网络架构
神经网络输入层为三分量的地震波形，时间采样点为1024个，三份 量分别作为神经网络输入的三个通道。一共有26个卷积层，卷积层的通 道数从3升为1024，随后降低为64，最终输出4个通道，分别表征震中 距，方位角，震级，发震时间的概率密度分布。另外有4个池化层 (maxpooling)和3个上采样层(upsamling)，这两种结构负责从输入尺 寸出发，使数据矩阵变换为输出尺寸。
(2)神经网络的训练
神经网络输入波形信号滤波为2-8HZ，由于估算震级时需要用到最大 幅值，该最大幅值应该包含更多的频率成分，因此利用0.5-9HZ的波形选 取最大幅值，以备震级的估算。假定地震事件波形的时窗为30s，采样率 为0.05，一共600个采样点，神经网络输入的前600个点为地震幅值，后 面424(1024-600)个点补零。为了使神经网络具备从连续数据中同时检 测地震和估算震源参数，在训练集中加入60个噪音样本，其对应的位置 和震级的概率密度分布为0.为了使神经网络具备持续性监测地震的能 力，对于同一个地震，从连续数据中截取出不同时窗的波形作为训练样本， 根据最快到达的P波到时，随机截取5次波形，使最快到达的P波震相位 于时窗的0.5-27s之间的不同时刻，这样可以模拟触发台站只接收到有限 的数据信号时的地震监测。原始地震目录中地震个数为2506，因此最终训 练集中包含的地震样本个数为2506*5+60.其中15％的样本用于验证集， 选择训练过程中最好的模型。
(3)地震的实时监测和预警
当训练好神经网络模型后，从实时地震数据流中每隔0.5s截取出一 个30s的时窗，作为神经网络的输入，从而可以得到四个震源参数的概率 密度分布，概率密度最大的点即为所要求解的震源参数的解。对于得到的 归一化后的震级Mr，还需要利用输入波形的最大幅值把归一化后震级转换 为真实震级。假如概率密度最大值大于预设的阈值0.97，则认为在地震实 时数据流中检测到了一个地震。当台站只接收到部分波形信息时，神经网络也可以给出相应的震源参数解，当有更多数据接收到，输入时窗中包含 更多有效波形时，神经网络能够持续地更新震源参数。
本发明还提供了一种基于深度学习的地震监测装置，所述装置包括：
训练单元10，用于训练神经网络；
截取单元20，用于从连续数据中以预设时间间隔截取地震波形时窗；
输入单元30，用于将所述地震波形时窗输入所述神经网络；
输出单元40，用于所述神经网络输出对应的高斯概率密度分布；
判断单元50，用于判断所述高斯概率密度分布的最大值是否大于预设 阈值；
执行单元60，用于根据所述判断单元50的判断结果执行相应操作；
其中，当所述判断单元50判断为是时，所述执行单元60判定所述地 震波形时窗包含地震事件，并计算震源参数解；当所述判断单元50判断 为否时，所述执行单元60判定所述地震波形时窗不包含地震事件。
本发明提供的一种基于深度学习的地震监测装置可以采用如上述所 述的基于深度学习的地震监测方法来实现。
本申请提供的一种基于深度学习的地震监测方法及装置具有如下有 益效果：
(1)通过适当的数据增广方法，并结合多分支的神经网络架构的应 用，使之从连续波形数据出发，同时自动化地检测地震，计算震中位置， 震级，以及发震时间；
(2)充分利用全波形数据预测震源位置，震级，以及发震时间，并 随着接收到的信号增加，持续性地更新震源参数；
(3)可以利用单台进行震源参数的估算，因此可以得到泛化的神经 网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解 释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精 神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要 求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (5)
1.一种基于深度学习的地震监测方法，其特征在于，所述方法包括步骤：
训练神经网络；
从连续数据中以预设时间间隔截取地震波形时窗；
将所述地震波形时窗输入所述神经网络；
所述神经网络输出对应的高斯概率密度分布；
判断所述高斯概率密度分布的最大值是否大于预设阈值；
若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；
若否，判定所述地震波形时窗不包含地震事件。
2.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时间；
利用四个损失函数优化所述全卷积神经网络。
3.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四个输出通道输出二维矩阵；
利用一个损失函数优化所述全卷积神经网络。
4.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述神经网络输出对应的高斯概率密度分布包括步骤：
获取预设震源参数范围；
将所述震源参数网格化，其中，每一网格点均配置有一个震源参数对应的概率值。
5.一种基于深度学习的地震监测装置，其特征在于，所述装置包括：
训练单元，用于训练神经网络；
截取单元，用于从连续数据中以预设时间间隔截取地震波形时窗；
输入单元，用于将所述地震波形时窗输入所述神经网络；
输出单元，用于所述神经网络输出对应的高斯概率密度分布；
判断单元，用于判断所述高斯概率密度分布的最大值是否大于预设阈值；
执行单元，用于根据所述判断单元的判断结果执行相应操作；
其中，当所述判断单元判断为是时，所述执行单元判定所述地震波形时窗包含地震事件，并计算震源参数解；当所述判断单元判断为否时，所述执行单元判定所述地震波形时窗不包含地震事件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010648662.5A CN111983676A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的地震监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010648662.5A CN111983676A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的地震监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111983676A true CN111983676A (zh) | 2020-11-24 |
Family
ID=73439436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010648662.5A Pending CN111983676A (zh) | 2020-07-07 | 2020-07-07 | 一种基于深度学习的地震监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111983676A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799130A (zh) * | 2021-02-03 | 2021-05-14 | 东北大学 | 一种基于深度学习的地震波振幅预测方法 |
| CN113341459A (zh) * | 2021-05-12 | 2021-09-03 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| CN113468466A (zh) * | 2021-07-23 | 2021-10-01 | 哈尔滨工业大学 | 基于神经网络的多工况一维波动方程求解方法 |
| 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 |
| CN114721034A (zh) * | 2020-12-22 | 2022-07-08 | 国际商业机器公司 | 经由分布式视觉输入的地震检测和响应 |
| CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
| CN116256803A (zh) * | 2023-03-09 | 2023-06-13 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019040288A1 (en) * | 2017-08-25 | 2019-02-28 | Exxonmobil Upstream Researchcompany | AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS |
| 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 |
| CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
-
2020
- 2020-07-07 CN CN202010648662.5A patent/CN111983676A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019040288A1 (en) * | 2017-08-25 | 2019-02-28 | Exxonmobil Upstream Researchcompany | AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS |
| 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 |
| CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| XIONG ZHANG,ET AL.: "Locating induced earthquakes with a network of seismic stations in Oklahoma via a deep learning method", 《SCIENTIFIC REPORTS》 * |
| XIONG ZHANG,ET AL.: "Real-time Earthquake Early Warning with Deep Learning: Application to the 2016 Central Apennines, Italy Earthquake Sequence", 《RESEARCHGATE》 * |
| Z.E.ROSS等: "利用深度学习进行P波到时拾取和初动极性判定", 《世界地震译丛》 * |
| 于子叶等: "深度神经网络拾取地震P和S波到时", 《地球物理学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114721034A (zh) * | 2020-12-22 | 2022-07-08 | 国际商业机器公司 | 经由分布式视觉输入的地震检测和响应 |
| CN112799130A (zh) * | 2021-02-03 | 2021-05-14 | 东北大学 | 一种基于深度学习的地震波振幅预测方法 |
| CN113341459A (zh) * | 2021-05-12 | 2021-09-03 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| CN113341459B (zh) * | 2021-05-12 | 2022-04-12 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| CN113468466A (zh) * | 2021-07-23 | 2021-10-01 | 哈尔滨工业大学 | 基于神经网络的多工况一维波动方程求解方法 |
| CN113468466B (zh) * | 2021-07-23 | 2022-04-15 | 哈尔滨工业大学 | 基于神经网络的一维波动方程求解方法 |
| 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 |
| CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
| CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
| CN116256803A (zh) * | 2023-03-09 | 2023-06-13 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
| CN116256803B (zh) * | 2023-03-09 | 2024-01-19 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
| CN110032975B (zh) | 一种地震震相的拾取方法 | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| 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 | |
| Brown et al. | Development of the ElarmS methodology for earthquake early warning: Realtime application in California and offline testing in Japan | |
| 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 | |
| CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
| CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
| CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
| CN111458746B (zh) | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 | |
| CN113534240B (zh) | 微地震事件检测与定位方法及系统 | |
| CN109805936B (zh) | 基于地面振动信号的人体摔倒检测系统 | |
| 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 | |
| CN104570076A (zh) | 一种基于二分法的地震波初至自动拾取方法 | |
| CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
| Datta et al. | DeepShake: Shaking intensity prediction using deep spatiotemporal RNNs for earthquake early warning | |
| US11906678B2 (en) | Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded | |
| CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
| Wang et al. | Automatic event detection and picking of P, S seismic phases for earthquake early warning and application for the 2008 Wenchuan earthquake | |
| CN113238280A (zh) | 一种基于格林函数的地震监测方法 | |
| Zuccolo et al. | Comparing the performance of regional earthquake early warning algorithms in Europe | |
| Kong et al. | Toward global earthquake early warning with the myshake smartphone seismic network, part 1: Simulation platform and detection algorithm | |
| CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
| Liao et al. | RED-PAN: Real-time earthquake detection and phase-picking with multitask attention network | |
| Fornasari et al. | A Machine‐Learning Approach for the Reconstruction of Ground‐Shaking Fields in Real Time |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Xiong Inventor after: Tian Xiao Inventor after: Chen Huihui Inventor after: Wang Mingjun Inventor before: Zhang Xiong Inventor before: Tian Xiao Inventor before: Chen Huihui Inventor before: Wang Mingjun |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |