CN114509811B - 一种基于深度学习的单台站后方位角估计方法与装置 - Google Patents
一种基于深度学习的单台站后方位角估计方法与装置 Download PDFInfo
- Publication number
- CN114509811B CN114509811B CN202210105991.4A CN202210105991A CN114509811B CN 114509811 B CN114509811 B CN 114509811B CN 202210105991 A CN202210105991 A CN 202210105991A CN 114509811 B CN114509811 B CN 114509811B
- Authority
- CN
- China
- Prior art keywords
- seismic
- initial motion
- model
- earthquake
- wave
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 208000035126 Facies Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于深度学习的单台站后方位角估计方法与装置,其中该方法为:将实时地震监测数据输入到震相拾取模型和初动极性识别模型中得到P波的初动极性和震相类别;根据震相类别截取三分量事件波形,并将三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;根据P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。本发明通过利用震相拾取模型和初动极性识别模型高效准确地获取震相类别以及P波初动极性等信息,并利用后方位角识别模型得到后方位角的正弦值和余弦值,可以避免因人工计算导致后方位角估算不准确的问题,从而为地震的定位过程提供了精确的数据支持,使得地震的定位精度大大提升。
Description
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深度学习的单台站后方位角估计方法与装置。
背景技术
地震定位一直是地震学中最重要和最基础的工作之一,也是地震监测部门日常业务的基本要求。通常需要利用不同台站的多种震相到时进行关联来确定震中位置,但是,利用一个台站的三分量数据也可以实现粗略定位。虽然多台定位更加精确,但是在地震预警、前兆识别等需要实时产出定位结果,或是台站特别稀疏等特殊情形,单台定位几乎是唯一可选的途径。实现单台定位的关键之一是确定后方位角,即台站指向正北方向与震中指向台站方向之间的顺时针夹角。由于台站记录的地震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后方位角。其中P波的径向分量是由地震仪的东西向、南北向两个水平分量所记录,使用二者的振幅比值可以得到后方位角这样得到的值有两个,并且相差180°,因此还需要通过其他辅助信息例如P波初动极性来进一步确定其唯一值:P波垂直分量的初动极性向上表示P波的径向分量是指向震中的,向下则正好相反。
然而,在实际数据中,尤其是高频数据,手动测量震荡剧烈的波形振幅是很困难的,同时,P波初动极性的清晰度在很大程度上受到波形信噪比水平的影响,对一些低信噪比的P波波形,其初动特征可能不明显,肉眼判断常常难以给出一致和正确的结果,因此常常出现后方位角的计算结果因人而异,从而导致定位结果不准的问题。
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深度学习的单台站三分量P波波形后方位角估计方法与装置为实现快速单台地震定位提供关键信息,从而提高对震源的定位精度。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的单台站后方位角估计方法,包括:
获取实时地震监测数据;
利用震相拾取模型对所述实时地震监测数据进行震相拾取得到事件类别和震相类别;所述事件类别包括是和否;所述震相类别包括P波、S波和噪声;
根据所述震相类别截取三分量事件波形,利用初动极性识别模型对所述P波震相类别的初动极性进行识别得到P波的初动极性和清晰度;所述P波初动极性包括初动向上、向下;所述清晰度包括“清晰”、“平缓”、“不清晰”;
将截取的三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。
优选的,所述震相拾取模型是以三分量地震波形为输入,以事件类别和震相类别为输出进行训练得到的;其中,震相拾取模型在训练过程中的损失函数为:
式中,Y′i为二值化编码的标签,i=1,2,3分别表示P波、S波和地震信号三个类别,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为神经网络模型最后一层的sigmoid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为谛听地震检测与震相拾取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,αt为不同类别均衡权重,γ为难易样本均衡系数。
优选的,所述初动极性识别模型是以地震垂直分量波形数据为输入,以P波初动的极性和清晰度为输出进行训练得到的;其中,初动极性识别模型在训练过程中的损失函数为:
式中,Yi m,分别为神经网络模型的预测值和二值化编码的标签,i=1,2分别表示初动向上和向下两个类别;Yi c,分别为神经网络模型的预测值和二值化编码的标签,i=1,2,3分别表示清晰、平缓和不清晰三个类别;Yi由神经网络模型最后一层的sigmoid函数计算得到的概率值,zi表示神经网络模型每个侧输出第i个节点的输出值,zk表示神经网络模型每个侧输出第k个节点的输出值,m为输入数据个数,求和符号表示所有类别的输出值之和。
优选的,所述后方位角识别模型是以三分量波形作为输入,以后方位角的正弦值和余弦值为输出进行训练得到的;其中,后方位角识别模型在训练过程中的损失函数为:
式中,Y′i为方位角对应的Sin或者Cos值,Yi为后方位角识别模型最后估算出的方位角的Sin或者Cos值,i=1,2分别表示Sin与Cos值,zm与zn为方位角估算模型最后一层的输出张量([m,1]),m为输入数据个数。
本发明还提供了一种基于深度学习的单台站后方位角估计装置,包括:
数据获取模块,用于获取实时地震监测数据;
震相拾取模块,用于利用震相拾取模型对所述实时地震监测数据进行震相拾取得到事件类别和震相类别;所述事件类别包括是和否;所述震相类别包括P波、S波和噪声;
初动极性识别模块,用于根据所述震相类别截取三分量事件波形,利用初动极性识别模型对所述P波震相类别的初动极性进行识别得到P波的初动极性和清晰度;所述P波初动极性包括初动向上、向下;所述清晰度包括“清晰”、“平缓”、“不清晰”;
后方位角估计模块,用于将截取的三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
后方位角度数确定模块,用于根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。
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深度学习的单台站后方位角估计方法与装置,其中该方法为:将实时地震监测数据输入到震相拾取模型和初动极性识别模型中得到P波的初动极性和震相类别;根据震相类别截取三分量事件波形,并将三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;根据P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。本发明通过利用震相拾取模型和初动极性识别模型高效准确地获取震相类别以及P波初动极性等信息,并利用后方位角识别模型得到后方位角的正弦值和余弦值,可以避免因人工计算导致后方位角估算不准确的问题,从而为地震的定位过程提供了精确的数据支持,使得地震的定位精度大大提升。
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深度学习的单台站后方位角估计方法流程图;
图2为本发明提供的实施例中的DiTing-PhasePicker神经网络原理图;
图3为本发明提供的实施例中的DiTing-SmartMotion神经网络原理图;
图4为本发明提供的实施例中的DiTing-SmartAzimuth神经网络原理图。
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深度学习的单台站后方位角估计方法与装置以解决地震定位不准确的问题。
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。
请参阅图1,一种基于深度学习的单台站后方位角估计方法,包括:
步骤1:获取实时地震监测数据;
在实际应用中,实时地震监测数据是指地震台网通过4G网络传输回监测中心的实时数据流,以及使用边缘计算设备直接从地震数据采集器里读取的实时数据。
需要说明的是,本发明在获取实时地震监测数据之后,还需要对接收的实时地震监测数据包进行预处理,得到通用地震数据格式,如MiniSeed格式的数据文件,同时还需要对地震监测数据进行去趋势、去均值等基本数据处理。
步骤2:利用震相拾取模型对所述实时地震监测数据进行震相拾取得到震相类别和事件类别;所述震相类别包括P波、S波和噪声;所述事件类别包括是和否。
本发明将地震检测与震相拾取看成深度学习里的语义分割问题,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本发明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)。
如图2所示,本发明的震相拾取模型是利用谛听地震检测与震相拾取神经网络训练的。谛听地震检测与震相拾取神经网络(DiTing-PhasePicker)的基本组件可分为下采样分支层和上采样分支,其中下采样分支由卷积层、残差模块和池化层组成。在训练阶段,还包括dropout层来防止过拟合;上采样层由卷积层、转置卷积层、残差模块和跳跃链接层组成。在训练过程中同样也加入了dropout层。一个下采样层和上采样层为一个阶段。网络设计采用级联的架构,共包含三个阶段。网络输入为三分量地震波形,每一阶段的输出将作为下一阶段的输入,以及最终判别的输入。在级联结构中,网络可以提高感受野范围,自动提取地震和震相的抽象特征,以解决地震检测与震相拾取问题。在多次下采样和上采样的分支组合中,结合局部与全局的特征信息,逐步判别地震信号并识别震相的细节特征,以解决地震检测与震相拾取的问题。最后网络通过激活函数计算P波、S波及是否为地震事件的概率值。网络输出的预测经处理模块后,可根据预设阈值得到对应的地震时间及P波、S波震相的到时。
进一步的,所述谛听地震检测与震相拾取神经网络模型是以6144个采样点三分量地震波形为输入,以是否为地震事件及震相类别为输出进行训练得到的;其中,谛听地震检测与震相拾取神经网络模型在训练过程中的损失函数为:
式中,Y′i为二值化编码的标签,i=1,2,3分别表示P波、S波和地震信号三个类别,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为谛听地震检测与震相拾取神经网络模型最后一层的sigmoid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为谛听地震检测与震相拾取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。αt为不同类别均衡权重,γ为难易样本均衡系数。
步骤3:根据所述震相类别截取三分量事件波形,利用初动极性识别模型对所述P波震相类别的初动极性进行识别得到P波的初动极性和清晰度;所述P波初动极性包括初动向上、向下;所述清晰度包括“清晰”、“平缓”、“不清晰”;
本发明将地震初动极性判别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本发明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)。
如图3所示,本发明的初动极性识别模型是利用谛听地震初动判别神经网络训练的。谛听地震初动判别神经网络(DiTing-SmartMotion)的基本组件可分为卷积组合模块和侧分支层。其中卷积组合模块由组合卷积层和池化层组成,且本发明在训练中加入了dropout层来防止过拟合;侧输出层将第三至第五个卷积组合模块的输出映射为最终的地震初动判别结果,其中地震初动判别结果分为地震的极性(初动向上或向下)及初动的清晰程度(初动尖锐、平缓或介于二者之间)。谛听地震初动判别神经网络通过卷积组合模块提取地震初动的抽象特征,以解决初动判别问题。在训练过程中,多个侧输出层同时用于监督,可以有效加速网络收敛速度,并且综合不同感受野和不同尺度信息,以解决地震初动判别的问题。最后通过激活函数计算初动向下或向下及初动尖锐或平缓的概率值,并与预设阈值比对确定该地震波形的初动类别。
进一步的,所述谛听地震初动判别神经网络模型是以P波到时前后各128个采样点的地震垂直分量波形为输入,以初动方向及清晰度类别为输出进行训练得到的;所述P波初动极性包括初动向上、向下,所述清晰度包括“清晰”、“平缓”、“不清晰”。其中,该神经网络模型在训练过程中的损失函数为:
式中,Yi m,分别为谛听地震初动判别神经网络模型的预测值和二值化编码的标签,i=1,2分别表示初动向上和向下两个类别;Yi c,分别为谛听地震初动判别神经网络模型的预测值和二值化编码的标签,i=1,2,3分别表示初动清晰、平缓、不清晰三个类别;Yi(包括Yi m和Yi c)由谛听地震初动判别神经网络模型最后一层的sigmoid函数计算得到,zi为谛听地震初动判别神经网络每个侧输出最后一层的输出张量([m,5]),m为输入数据个数,zk表示神经网络模型每个侧输出第k个节点的输出值。
步骤4:将截取所述三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
本发明将地震单台方位角估算看成深度学习里的回归问题,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本发明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)。
如图4所示,本发明的后方位角识别模型是利用谛听单台方位角估算网络训练的。谛听单台方位角估算网络(DiTing-SmartAzimuth)的基本组件可分为主干网络和估算网络。其中主干网络由卷积层、残差模块和池化层组成,训练中会加入dropout层来防止过拟合;其中估算网络由全连接网络和Sin或Cos函数组成。估算网络的数据结果经转换函数后为最终估算的方位角。在训练中,之间利用标签方位角对Sin及Cos函数的输出进行监督。
进一步的,所述谛听地震单台方位角估算神经网络模型是以P波前后64个采样点的三分量地震波形为输入,以方位角对应的Sin与Cos值为输出进行训练得到的;其中,谛听地震单台方位角估算神经网络在训练过程中的损失函数为:
式中,Y′i为方位角对应的Sin或者Cos值,i=1,2分别表示Sin与Cos值。Yi为谛听地震单台方位角估算神经网络最后估算出的该记录对应方位角的Sin或者Cos值,zm与zn为方位角估算模型后一层的输出张量([m,1]),m为输入数据个数。
步骤5:根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。在本发明中,主要基于波形特征进行判断的后方位角识别模型可能存在不确定性,此时再根据初动极性识别模型所单独提取的P波初动极性等辅助信息,可以确定其唯一值,同时根据模型给出的P波初动清晰度,对结果做出可靠性评价。在实际应用中,由于后方位角识别模型并不具备很好的极性判别能力,其预测的后方位角度数经常需要加或者减180度才是对的,因此本发明需要结合初动极性网络判断的P初动极性来综合确定后方位角度数。
本发明还提供了一种基于深度学习的单台站后方位角估计装置,包括:
数据获取模块,用于获取实时地震监测数据;
震相拾取模块,用于利用震相拾取模型对所述实时地震监测数据进行震相拾取得到震相类别和事件类别;所述震相类别包括P波、S波和噪声;所述事件类别包括是和否;
初动极性识别模块,用于利用初动极性识别模型对所述实时地震监测数据的初动极性进行识别得到P波的初动极性和清晰度;
后方位角估计模块,用于根据所述震相类别截取三分量事件波形,并将所述三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
后方位角度数确定模块,用于根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。
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:
本发明通过利用震相拾取模型和初动极性识别模型高效准确地获取震相类别以及P波初动极性等信息,并利用后方位角识别模型得到后方位角的正弦值和余弦值,可以避免因人工计算导致后方位角估算不准确的问题,从而为地震的定位过程提供了精确的数据支持,使得地震的定位精度大大提升。
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 (4)
1.一种基于深度学习的单台站后方位角估计方法,其特征在于,包括:
获取实时地震监测数据;
利用震相拾取模型对所述实时地震监测数据进行震相拾取得到事件类别和震相类别;所述事件类别包括是和否;所述震相类别包括P波、S波和噪声;
所述震相拾取模型是以三分量地震波形为输入,以事件类别和震相类别为输出进行训练得到的;其中,震相拾取模型在训练过程中的损失函数为:
式中,Yi′为二值化编码的标签,i=1,2,3分别表示P波、S波和地震信号三个类别,Yij′为第j个样本属于类i的真实概率,n为波形采样点数,Yi为神经网络模型最后一层的sigmoid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为谛听地震检测与震相拾取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,αt为不同类别均衡权重,γ为难易样本均衡系数;
根据所述震相类别截取三分量事件波形,利用初动极性识别模型对所述P波震相类别的初动极性进行识别得到P波的初动极性和清晰度;所述P波初动极性包括初动向上、向下;所述清晰度包括“清晰”、“平缓”、“不清晰”;
将截取的三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。
2.根据权利要求1所述的一种基于深度学习的单台站后方位角估计方法,其特征在于,所述初动极性识别模型是以地震垂直分量波形数据为输入,以P波初动的极性和清晰度为输出进行训练得到的;其中,初动极性识别模型在训练过程中的损失函数为:
4.一种基于深度学习的单台站后方位角估计装置,其特征在于,包括:
数据获取模块,用于获取实时地震监测数据;
震相拾取模块,用于利用震相拾取模型对所述实时地震监测数据进行震相拾取得到事件类别和震相类别;所述事件类别包括是和否;所述震相类别包括P波、S波和噪声;
所述震相拾取模型是以三分量地震波形为输入,以事件类别和震相类别为输出进行训练得到的;其中,震相拾取模型在训练过程中的损失函数为:
式中,Yi′为二值化编码的标签,i=1,2,3分别表示P波、S波和地震信号三个类别,Yij′为第j个样本属于类i的真实概率,n为波形采样点数,Yi为神经网络模型最后一层的sigmoid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为谛听地震检测与震相拾取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,αt为不同类别均衡权重,γ为难易样本均衡系数;
初动极性识别模块,用于根据所述震相类别截取三分量事件波形,利用初动极性识别模型对所述P波震相类别的初动极性进行识别得到P波的初动极性和清晰度;所述P波初动极性包括初动向上、向下;所述清晰度包括“清晰”、“平缓”、“不清晰”;
后方位角估计模块,用于将截取的三分量事件波形输入到后方位角识别模型中得到后方位角的正弦值和余弦值;
后方位角度数确定模块,用于根据所述P波的初动极性、清晰度、后方位角的正弦值和余弦值确定后方位角度数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105991.4A CN114509811B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105991.4A CN114509811B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114509811A CN114509811A (zh) | 2022-05-17 |
CN114509811B true CN114509811B (zh) | 2022-12-02 |
Family
ID=81550751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210105991.4A Active CN114509811B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509811B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115826042B (zh) * | 2022-11-22 | 2023-05-12 | 中国地震局地球物理研究所 | 一种边云端结合的分布式地震数据处理方法与装置 |
CN116564413A (zh) * | 2023-05-06 | 2023-08-08 | 中国海洋大学 | 一种用于检测不同固碳途径微生物种类和丰度的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014503818A (ja) * | 2010-12-17 | 2014-02-13 | サイズミック・ワーニング・システムズ・インコーポレイテッド | 地震警報システム |
US11885921B2 (en) * | 2017-12-26 | 2024-01-30 | Ramot At Tel-Aviv University Ltd. | Real-time array-based seismic source location |
CN110032975B (zh) * | 2019-04-15 | 2021-09-07 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN111060965B (zh) * | 2019-12-05 | 2022-04-01 | 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 |
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 |
CN113112761B (zh) * | 2021-04-27 | 2024-03-22 | 中国地震局地球物理研究所 | 基于数据融合的现地预警装置及其使用方法 |
CN113281807B (zh) * | 2021-06-28 | 2023-10-03 | 中国地震局地球物理研究所 | 一种全类型地震数据的通用震相自动检测方法和系统 |
-
2022
- 2022-01-28 CN CN202210105991.4A patent/CN114509811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114509811A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
Zhu et al. | PhaseNet: a deep-neural-network-based seismic arrival-time picking method | |
CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
Zhao et al. | An artificial neural network approach for broadband seismic phase picking | |
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 | |
Saad et al. | CapsPhase: Capsule neural network for seismic phase classification and picking | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN111060965A (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 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
Saad et al. | Automatic arrival time detection for earthquakes based on stacked denoising autoencoder | |
Kim et al. | Graph convolution networks for seismic events classification using raw waveform data from multiple stations | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN112799128A (zh) | 一种地震信号检测和震相提取的方法 | |
Shi et al. | MALMI: An automated earthquake detection and location workflow based on machine learning and waveform migration | |
CN115032693B (zh) | 一种强震的前震自动识别方法及装置 | |
CN114063153A (zh) | 一种自动反演震源机制解的方法与装置 | |
CN112782762A (zh) | 一种基于深度学习的地震震级判定方法 | |
Liao et al. | RED-PAN: Real-time earthquake detection and phase-picking with multitask attention network | |
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 | |
Tous et al. | Deep neural networks for earthquake detection and source region estimation in north‐central Venezuela | |
CN113985479A (zh) | 一种基于边缘计算的地震信息处理方法与装置 | |
Elsayed et al. | Attention-based fully convolutional DenseNet for earthquake detection |
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 |