CN113985479A - 一种基于边缘计算的地震信息处理方法与装置 - Google Patents

一种基于边缘计算的地震信息处理方法与装置 Download PDF

Info

Publication number
CN113985479A
CN113985479A CN202111239259.8A CN202111239259A CN113985479A CN 113985479 A CN113985479 A CN 113985479A CN 202111239259 A CN202111239259 A CN 202111239259A CN 113985479 A CN113985479 A CN 113985479A
Authority
CN
China
Prior art keywords
wave
earthquake
seismic
neural network
determining
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
Application number
CN202111239259.8A
Other languages
English (en)
Inventor
赵明
陈石
肖卓伟
孙少波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INSTITUTE OF GEOPHYSICS CHINA EARTHQUAKE ADMINISTRATION
Original Assignee
INSTITUTE OF GEOPHYSICS CHINA EARTHQUAKE ADMINISTRATION
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INSTITUTE OF GEOPHYSICS CHINA EARTHQUAKE ADMINISTRATION filed Critical INSTITUTE OF GEOPHYSICS CHINA EARTHQUAKE ADMINISTRATION
Priority to CN202111239259.8A priority Critical patent/CN113985479A/zh
Publication of CN113985479A publication Critical patent/CN113985479A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/01—Measuring or predicting earthquakes
    • 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
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]

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

本发明提供了一种基于边缘计算的地震信息处理方法与装置，其中该方法为：利用U型神经网络模型对MiniSeed数据格式文件进行震相拾取得到震相类别；利用smart motion神经网络模型对P波的初动极性进行识别得到P波的初动极性；根据震相类别和P波的初动极性确定后方位角、震中距和震级。本发明通过利用U型神经网络模型和smart motion神经网络模型对地震监测数据进行分析可以自动得到震相类别和P波的初动极性，并基于上述分析结果确定后方位角、震中距和震级，可以快速确定震中位置与震级，缓解了网络中心端的数据处理压力，提升了地震监测告警的时效性。

Description

一种基于边缘计算的地震信息处理方法与装置
技术领域
本发明涉及地震信息处理技术领域，特别是涉及一种基于边缘计算的地震信息处理方法与装置。
背景技术
近年来，随着大数据、云计算、物联网、人工智能、“互联网+”及5G等新技术快速发展和地震台站的不断加密，地震台网监测到的地震数量呈爆发式的增长，但是由于各省、市地震局、监测中心在地震大数据处理能力方面有限，仍需要借助区域地震台网的专业技术人员手工对实时获取的大量波形进行分类与震相识别，当确定震中位置、发震时刻、震级等要素信息后，再交相关部门按流程进行核对校验、分析决策与告警信息发布等相关操作。
由于专业技术人员的数量有限，技术水平参差不齐，和区域构造复杂性及其环境噪声水平对观测数据的影响差异性，不同区域地震台网在实时数据处理的准确性和及时性方面呈现着明显的两级分化，尤其是边远地区的地震台站因为专业技术人员的长期缺乏和实时数据样本的识别精度较低，导致无法利用地震大数据对相关区域的地震危险性进行预判、风险评估和及时告警，进而容易造成人民财产损失巨大、应急救援困难及后续灾后重建成本增加等一系问题的出现。即使是在经济较为发达、监测资源和技术人员配备较为充足的地震频发地区的监测中心，在面对大震发生之后余震动态监测等高强度任务时，系统和人员也常常处于超负荷运转状态，从而无法及时发布余震信息，使人民的生命和财产遭受到进一步的威胁。
目前，为了解决上述问题，各省、市地震局、监测中心不断通过提高网络覆盖率，优化网络结构，进行服务器升级和研发自动化地震波形处理系统等方式，来提升整个数据中心的处理和快速响应能力，但这些手段不仅未能解决爆发式的增长实时地震监测数据与有限的处理能力之间根本矛盾，且由于网络和服务器的长期高负荷运作，极易发生网络拥堵、中断或服务器崩溃等现象。如何解决上述问题，已成为目前地震波形的快速识别与处理技术领域的研究重点之一。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种基于边缘计算的地震信息处理方法与装置以解决地震监测数据处理效率低的问题。
为实现上述目的，本发明提供了如下方案：
一种基于边缘计算的地震信息处理方法，包括：
获取实时地震监测数据；
对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；
利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；
根据所述P波的初动极性确定地震震中的后方位角；
根据所述震相类别确定震中距；
根据所述震中距确定震级。
优选地，所述U型神经网络模型是以三分量地震波形为输入，以震相类别为输出进行训练得到的；其中，U型神经网络模型在训练过程中的损失函数为：
Figure BDA0003318742330000021
式中，Yi′为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，Y′ij为第j个样本属于类i的真实概率，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，Yij为第j个样本属于类i的预测概率值，zi为U型神经网络模型最后一层的输出张量。
优选地，所述smart motion神经网络模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
优选地，所述根据所述P波的初动极性确定地震震中的后方位角，包括：
采用公式：
Figure BDA0003318742330000031
确定地震震中的后方位角；其中，AE为P波水平向东西方向的分量，AN为P波水平向南北方向的分量。
优选地，所述根据所述震相类别确定震中距，包括：
根据所述震相类别得到P波到时和S波到时；
采用公式：
Figure BDA0003318742330000032
得到震中距；其中，
Figure BDA0003318742330000033
为S波到时，
Figure BDA0003318742330000034
为P波到时，vp为P波速度，vs为S波速度。
优选地，所述根据所述震中距确定震级，包括：
采用公式：
ML＝lgAu+R(Δ)
确定震级；其中，Au表示地震波南北和东西方向上分量最大振幅平均值，R为量规函数。
本发明还提供了一种基于边缘计算的地震信息处理装置，包括：
地震监测数据获取模块，用于获取实时地震监测数据；
地震监测数据预处理模块，用于对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；
震相类别模块，用于利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
初动极性确定模块，用于利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；
后方位角确定模块，用于根据所述P波的初动极性确定地震震中的后方位角；
震中距确定模块，用于根据所述震相类别确定震中距；
震级确定模块，用于根据所述震中距确定震级。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于边缘计算的地震信息处理方法与装置，其中该方法为：获取实时地震监测数据；对实时地震监测数据进行预处理得到MiniSeed数据格式文件；利用U型神经网络模型对MiniSeed数据格式文件进行震相拾取得到震相类别；震相类别包括P波、S波和噪音；利用smart motion神经网络模型对P波的初动极性进行识别得到P波的初动极性；根据震相类别和P波的初动极性确定后方位角、震中距和震级。本发明通过利用U型神经网络模型和smart motion神经网络模型对地震监测数据进行分析可以自动得到震相类别和P波的初动极性，并基于上述分析结果确定后方位角、震中距和震级，可以快速确定震中位置与震级，缓解了网络中心端的数据处理压力，提升了地震监测告警的时效性。
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为本发明提供的实施例中的一种基于边缘计算的地震信息处理方法流程图；
图2为本发明提供的实施例中的U型神经网络算法原理图；
图3为本发明提供的实施例中的smart motion神经网络算法原理图；
图4为本发明提供的实施例中的第一U型神经网络训练图；其中，a表示训练精度走势图，c表示验证集上的P波识别正确率走势图；
图5为本发明提供的实施例中的第二U型神经网络训练图；其中，b表示损失函数走势图，d表示验证集上的S波识别正确率走势图；
图6为本发明提供的实施例中的一种基于边缘计算的地震信息处理系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于边缘计算的地震信息处理方法与装置以解决地震监测数据处理效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为一种基于边缘计算的地震信息处理方法的流程图。如图1所示，一种基于边缘计算的地震信息处理方法，包括：
步骤1：获取实时地震监测数据；进一步的，本发明采用地震数据采集单元来采集实时地震监测数据。地震数据采集单元由一个Liss实时流、一个宽频带地震数据采集器和一个加速度传感器组成，其中，Liss实时流是架设在野外的台站通过4G网络实时传输并汇聚到数据中心并打包成seed格式的数据流，宽频带地震数据采集器采集的是宽频带地震仪实时记录的数据，加速度传感器记录的是实时三分量加速度数据。
步骤2：对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；具体的，对接收的实时地震监测数据包按照时间序列生成对应的MiniSeed数据格式文件。
步骤3：利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
本发明将震相拾取、初动极性看成深度学习里的分类问题，其数学原理实际是对目标函数进行最优化，通过反复比较当前网络的预测值与我们期望的目标值的差异，不断调整每一层的权重和偏差等超参数，使得差值最小化。衡量预测值与期望值差异的方程被称为损失函数(或目标函数)。
进一步的，所述U型神经网络模型是以三分量地震波形为输入，以震相类别为输出进行训练得到的；其中，U型神经网络模型在训练过程中的损失函数为：
Figure BDA0003318742330000061
式中，Yi′为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，如果是初动极性判断，则i＝1,2,3分别表示P波初动向上，向下和待定，Y′ij为第j个样本属于类i的真实概率，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，Yij为第j个样本属于类i的预测概率值，zi为U型神经网络模型最后一层的输出张量([m,n,3])，m为输入数据个数。
下面结合图2所示网络结构模型详述U型神经网络算法原理，如图2所示，U型网络的基本组件可分为增采样层和降采样层，其中降采样层由两个一维卷积层、一个池化层组成，中间会随机加入一些dropout层来防止过拟合；增采样层由一个转置卷积层、一个裁切层、一个卷积层组成，同样根据情况适当加入dropout层。网络输入为三分量地震波形，左半部分4个降采样层执行卷积和池化操作，提取震相的抽象特征，以解决震相定位问题，右半部分4个增采样层执行转置卷积和左右对称层之间互连通等操作，逐步恢复震相的细节特征，以解决震相分类的问题。最后通过激活函数计算P、S或噪音概率值，并与预设阈值比对确定该采样点的类别。
步骤4：利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；在本发明中，所述smart motion神经网络模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
下面结合图3所示网络结构模型详述smart motion神经网络算法原理，如图3所示，smart motion网络以计算机图像识别里的边缘检测网络HED为基础，网络输入为P波到时前后2s的地震垂直分量波形数据，其基本组件为5个依次相连的block，前两个block各包含2个一维卷积层，后3个block各包含3个一维卷积层，每个block的最后一个卷积层后面加上一个side layer层之后引出“侧输出”，一共得到5个尺度不同的“侧输出”(o1-o5)，本发明将这些侧输出聚合成最终输出(Fuse)，最后通过sigmoid激活函数计算分类概率值，并与预设阈值比较确定P波初动的极性为“UP”、“Down”或是待定。
图4-5展示了U型神经网络的训练过程：其中在训练集上训练完第一个周期(约5000时间步)后精度达到98％，之后的7个周期均稳定在这一水平(如图4中的a所示)。在测试集上P波、S波震相的识别正确率均随着训练时间的增加稳步上升：P波由78％(20000步)至86％(40000步)，S波由74％(20000步)到83.9％(40000步)，这说明模型并没有发生过拟合，并且训练时间越长，精度越高。
步骤5：根据所述P波的初动极性确定地震震中的后方位角；具体的，P波是沿垂向和径向振动的，所以从P波运动矢量可以推断地震震中的后方位角
Figure BDA0003318742330000081
由于P波的径向分量是由台站地震仪的两个水平分量记录的，因此用水平向振幅之比可以估算
Figure BDA0003318742330000082
其计算公式如下：
Figure BDA0003318742330000083
其中，AE为P波水平向东西方向的分量，AN为P波水平向南北方向的分量。
由于P波初动向上表明P波的径向分量指向震中，向下则相反，所以根据极性的不同后方位角需要加上0度或180度。
步骤6：根据所述震相类别确定震中距；
进一步的，单台震中距可以根据S波-P波到时差估算，其公式为：
Figure BDA0003318742330000084
其中，
Figure BDA0003318742330000085
为S波到时，
Figure BDA0003318742330000086
为P波到时，vp为P波速度，vs为S波速度，Δ为震中距(km)，本发明可利用区域速度模型估算的P波和S波速度。由于台站位置已知，在得到震中距和后方位角之后，震中位置也可以大致确定。
步骤7：根据所述震中距确定震级。具体的，采用公式：
ML＝lgAu+R(Δ)
确定震级；其中，Au表示地震波南北(N)，东西(E)分量最大振幅平均值，可通过自动量取获得，R为与震中距相关的量规函数，其值可查阅相关国家标准或地方台网的相关规定获得。
本发明通过利用U型神经网络模型和smartmotion神经网络模型对地震监测数据进行分析可以自动得到震相类别和P波的初动极性，并基于上述分析结果确定后方位角、震中距和震级，可以快速确定震中位置与震级，缓解了网络中心端的数据处理压力，提升了地震监测告警的时效性。
本发明还提供了一种基于边缘计算的地震信息处理装置，包括：
地震监测数据获取模块，用于获取实时地震监测数据；
地震监测数据预处理模块，用于对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；
震相类别模块，用于利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
初动极性确定模块，用于利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；
后方位角确定模块，用于根据所述P波的初动极性确定地震震中的后方位角；
震中距确定模块，用于根据所述震相类别确定震中距；
震级确定模块，用于根据所述震中距确定震级。
请参阅图6，基于上述的基于边缘计算的地震信息处理方法和装置，本发明还提供了一种基于边缘计算的地震信息处理系统，包括：地震数据采集单元1、地震波形识别边缘计算设备2和网页展示管理系统3。
地震数据采集单元1，由一个liss实时流、一个宽频带地震数据采集器和一个加速度传感器组成，用于实时地震监测数据的采集，并将采集的实时地震监测数据包发送至所述地震波形识别边缘计算设备2。
所述地震波形识别边缘计算设备2包括数据预处理模块21、地震波形AI算法模块22和数据存储模块23，用于对接收的实时地震监测数据包按照时间序列生成对应的MiniSeed数据格式文件，并进行震相拾取、后方位角估计、初动极性判断、震中距估计、震级估计等相关计算，然后将结果信息发送至所述网页展示管理系统3进行处理。
所述网页展示管理系统3，采用BS架构进行设计，用于在接收到结果信息后，自动生成与之对应的实时波形显示、事件空间显示、历史事件管理及权限管理文件，以供用户浏览查看。
进一步的，本发明的地震波形识别边缘计算设备2，包括：
数据预处理模块21，用于在接收到所述地震数据采集单元上传的实时地震监测数据包后，按照时间序列对所述数据包进行解析，并生成对应的MiniSeed数据格式文件分别发送至所述地震波形AI算法模块22和数据存储模块23。
地震波形AI算法模块22，用于在接收到所述MiniSeed数据格式文件后，自动进行震相拾取、后方位角估计、初动极性判断、震中距估计、震级估计等相关计算，并将计算结果分别发送至所述数据存储模块23和网页展示管理系统3。
所述数据存储模块23，用于对接收到MiniSeed数据格式文件和计算结果进行存储。
相应的，所述的地震波形识别边缘计算设备2作为本系统的核心部件，采用边缘计算主机和预置U型与Smart motion神经网络算法的方式，即将已完成模型训练与测试的具有强泛化能力的“U型与Smart motion神经网络”地震波形识别与处理程序预存至边缘计算主机，并通过外接计算棒驱动算法进行推理计算，神经计算棒通过统一数据接口与边缘计算主机的地震波形AI算法模块相连，然后通过光纤、WIFI、5G信号与地震数据采集单元1和网页展示管理系统3进行实时地震监测数据传输交换。
本发明基于边缘计算的地震波形识别与处理流程包括以下步骤：
①利用liss实时流传感器和加速度传感器实时获取相关地震监测数据，采集的实时地震监测数据包发送至所述地震波形识别边缘计算设备的数据预处理模块。
②当所述数据预处理模块接收到上传文件实时地震监测数据包后，按照时间序列对所述数据包进行解析，并生成对应的MiniSeed数据格式文件分别发送至所述地震波形AI算法模块和数据存储模块。
③当所述地震波形AI算法模块接收到所述MiniSeed数据格式文件后，自动在边缘计算主机上调用预置“U型和Smart motion神经网络算法”程序，并用外置计算棒驱动进行包括震相拾取、后方位角估计、初动极性判断、震中距估计、震级估计等相关专业计算，并将计算结果分别推送至数据存储模块和网页展示管理系统进行存储、展示操作。
④当所述网页展示管理系统接收到计算结果后，自动生成与之对应的实时波形显示、事件空间显示、历史事件管理及权限管理文件，以供用户浏览查看。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种去中心化的基于边缘计算的新型地震信息识别与处理系统，该系统通过在现有地震台站网络的地震采集仪器端增加边缘计算主机和预置训练好的神经网络算法和模型的方式，实现对实时获取的地震监测数据包进行快速事件检测与震相识别，并将生成的结果文件直接发送至网页展示管理系统进行处置，最大限度的缓解了网络中心端的数据处理压力，提升了实时地震监测数据识别处理效率，其系统的安装、操作简单，性能价格比高，运行维护成本低，适合大范围推广。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于边缘计算的地震信息处理方法，其特征在于，包括：
获取实时地震监测数据；
对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；
利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；
根据所述P波的初动极性确定地震震中的后方位角；
根据所述震相类别确定震中距；
根据所述震中距确定震级。
2.根据权利要求1所述的一种基于边缘计算的地震信息处理方法，其特征在于，所述U型神经网络模型是以三分量地震波形为输入，以震相类别为输出进行训练得到的；其中，U型神经网络模型在训练过程中的损失函数为：
Figure FDA0003318742320000011
式中，Y′i为二值化编码的标签，i＝1,2,3分别表示噪音、P波和S波三个类别，Y′ij为第j个样本属于类i的真实概率，n为波形采样点数，Yi为U型神经网络模型最后一层的softmax函数计算得到的概率值，Yij为第j个样本属于类i的预测概率值，zi为U型神经网络模型最后一层的输出张量。
3.根据权利要求1所述的一种基于边缘计算的地震信息处理方法，其特征在于，所述smart motion神经网络模型是以P波到时前后2s的地震垂直分量波形数据为输入，以P波初动的极性为输出进行训练得到的。
4.根据权利要求1所述的一种基于边缘计算的地震信息处理方法，其特征在于，所述根据所述P波的初动极性确定地震震中的后方位角，包括：
采用公式：
Figure FDA0003318742320000021
确定地震震中的后方位角；其中，AE为P波水平向东西方向的分量，AN为P波水平向南北方向的分量。
5.根据权利要求1所述的一种基于边缘计算的地震信息处理方法，其特征在于，所述根据所述震相类别确定震中距，包括：
根据所述震相类别得到P波到时和S波到时；
采用公式：
Figure FDA0003318742320000022
得到震中距；其中，
Figure FDA0003318742320000023
为S波到时，
Figure FDA0003318742320000024
为P波到时，vp为P波速度，vs为S波速度。
6.根据权利要求5所述的一种基于边缘计算的地震信息处理方法，其特征在于，所述根据所述震中距确定震级，包括：
采用公式：
ML＝lgAu+R(Δ)
确定震级；其中，Au表示地震波南北和东西方向上分量最大振幅平均值，R为量规函数。
7.一种基于边缘计算的地震信息处理装置，其特征在于，包括：
地震监测数据获取模块，用于获取实时地震监测数据；
地震监测数据预处理模块，用于对所述实时地震监测数据进行预处理得到MiniSeed数据格式文件；
震相类别模块，用于利用U型神经网络模型对所述MiniSeed数据格式文件进行震相拾取得到震相类别；所述震相类别包括P波、S波和噪音；
初动极性确定模块，用于利用smart motion神经网络模型对所述P波的初动极性进行识别得到P波的初动极性；
后方位角确定模块，用于根据所述P波的初动极性确定地震震中的后方位角；
震中距确定模块，用于根据所述震相类别确定震中距；
震级确定模块，用于根据所述震中距确定震级。
CN202111239259.8A 2021-10-25 2021-10-25 一种基于边缘计算的地震信息处理方法与装置 Pending CN113985479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111239259.8A CN113985479A (zh) 2021-10-25 2021-10-25 一种基于边缘计算的地震信息处理方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111239259.8A CN113985479A (zh) 2021-10-25 2021-10-25 一种基于边缘计算的地震信息处理方法与装置

Publications (1)

Publication Number Publication Date
CN113985479A true CN113985479A (zh) 2022-01-28

Family

ID=79740835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111239259.8A Pending CN113985479A (zh) 2021-10-25 2021-10-25 一种基于边缘计算的地震信息处理方法与装置

Country Status (1)

Country Link
CN (1) CN113985479A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115032693A (zh) * 2022-07-11 2022-09-09 中国地震局地球物理研究所 一种强震的前震自动识别方法及装置
CN116594057A (zh) * 2023-05-17 2023-08-15 中国地震局地球物理研究所 一种基于深度学习和边缘计算的地震预警方法与装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Z. E. ROSS: "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》 *
徐恒力: "《环境地质学》", 30 September 2009, 地质出版社 *
李夕海: "《核爆炸侦察技术及应用》", 31 May 2016, 国防工业出版社 *
赵明: "基于U形卷积神经网络的震相识别与到时拾取方法研究", 《地球物理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115032693A (zh) * 2022-07-11 2022-09-09 中国地震局地球物理研究所 一种强震的前震自动识别方法及装置
CN115032693B (zh) * 2022-07-11 2023-02-03 中国地震局地球物理研究所 一种强震的前震自动识别方法及装置
CN116594057A (zh) * 2023-05-17 2023-08-15 中国地震局地球物理研究所 一种基于深度学习和边缘计算的地震预警方法与装置
CN116594057B (zh) * 2023-05-17 2024-01-12 中国地震局地球物理研究所 一种基于深度学习和边缘计算的地震预警方法与装置

Similar Documents

Publication Publication Date Title
Fauvel et al. A distributed multi-sensor machine learning approach to earthquake early warning
CN114152980B (zh) 一种快速自动化产出震源机制解的方法与装置
CN113985479A (zh) 一种基于边缘计算的地震信息处理方法与装置
CN107784276B (zh) 微震事件识别方法和装置
EP2669814A1 (en) Method and system for obtaining earthquake parameter estimates, and earthquake search engine
CN114063153A (zh) 一种自动反演震源机制解的方法与装置
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
Yano et al. Graph‐partitioning based convolutional neural network for earthquake detection using a seismic array
Chin et al. Learn to detect: Improving the accuracy of earthquake detection
CN115032693B (zh) 一种强震的前震自动识别方法及装置
CN111898644A (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
Chakraborty et al. Creime—a convolutional recurrent model for earthquake identification and magnitude estimation
CN109002810A (zh) 模型评价方法、雷达信号识别方法及对应装置
Falanga et al. Semantically enhanced IoT-oriented seismic event detection: An application to Colima and Vesuvius volcanoes
CN115965246A (zh) 一种岩溶塌陷灾害的预警分析方法
Kim et al. Earthquake alert device using a low-cost accelerometer and its services
CN116594057B (zh) 一种基于深度学习和边缘计算的地震预警方法与装置
CN115826042B (zh) 一种边云端结合的分布式地震数据处理方法与装置
US20230024104A1 (en) Identification of false transformer humming using machine learning
Ye et al. Traffic flow and vehicle speed monitoring with the object detection method from the roadside distributed acoustic sensing array
CN113806413A (zh) 一种轨迹筛选分类方法、装置、计算机设备和存储介质
CN115421188B (zh) 基于人工智能的微地震事件实时识别系统及方法
CN113516160A (zh) 一种基于支持向量机的输电杆塔姿态的预测方法及系统
Kusumah et al. Sea Wave Detection System Using Web-Based Decision Tree Algorithm
Rabbani et al. Tsunami Signal Classification Based on Sea Level Data using Extreme Gradient Boosting Method for Tsunami Early Warning System Modeling

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220128