CN116594057B - 一种基于深度学习和边缘计算的地震预警方法与装置 - Google Patents

一种基于深度学习和边缘计算的地震预警方法与装置 Download PDF

Info

Publication number
CN116594057B
CN116594057B CN202310556793.4A CN202310556793A CN116594057B CN 116594057 B CN116594057 B CN 116594057B CN 202310556793 A CN202310556793 A CN 202310556793A CN 116594057 B CN116594057 B CN 116594057B
Authority
CN
China
Prior art keywords
earthquake
magnitude
early warning
model
waveform
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
Application number
CN202310556793.4A
Other languages
English (en)
Other versions
CN116594057A (zh
Inventor
赵明
肖卓伟
张贝
陈石
张博
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 CN202310556793.4A priority Critical patent/CN116594057B/zh
Publication of CN116594057A publication Critical patent/CN116594057A/zh
Application granted granted Critical
Publication of CN116594057B publication Critical patent/CN116594057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Geophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种基于深度学习和边缘计算的地震预警方法与装置，属于地震预测技术领域，其中该方法为：利用极近震检测与Pg波拾取模型对实时地震监测数据进行扫描识别得到事件类别；利用预警震级预测模型、震中距估计模型、后方位角识别模型预测事件类别为“是”的地震波形得到震级、震中距和后方位角；利用震级修正模型对初步估算的震级进行修正得到新估算的震级；根据震中位置和新估算的震级发布地震预警信息。本发明基于震级修正模块对初步估算的震级进行修正得到新估算的震级，不仅可以大幅降低反演震源机制的工作量，还提升了地震震级的预测精度，从而降低误报率，减少因误报带来的消极社会影响和财产损失。

Description

一种基于深度学习和边缘计算的地震预警方法与装置
技术领域
本发明涉及地震预警技术领域，特别是涉及一种基于深度学习和边缘计算的地震预警方法与装置。
背景技术
地震预警系统(EEWs)的作用是在地震发生以后，由于震源地附近的地震台网最早接收到地震信号，因此以最短时间快速处理实时数据获得地震定位、震级等估计结果，快速确定预警区域(即地震可能波及和影响的范围)，并利用地震波传播速度远小于电磁波的原理，在破坏性的S波和面波到达预警区域前提前发布警报，为人民群众紧急避险尽可能争取时间。地震预警系统是目前公认能够实质性减轻地震灾害的手段之一，其主要技术挑战为在最短的时间内提供预警所需的地震三要素信息估计(发震时间、发震位置、震级)，因此对实时数据处理技术提出了极高的实效性和可靠性要求。
然而，现有的地震预警方法，往往依赖人工计算方式来完成地震预警，这样就会存在地震震级估计不准、实时定位难、响应速度不够迅速的问题，不能满足实际地震预警需求。
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和边缘计算的地震预警方法与装置。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习和边缘计算的地震预警方法，包括：
获取实时地震监测数据；
利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描识别得到事件类别和震相到时；所述事件类别包括是和否；
提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
利用所述震中距估计模型预测事件类别为“是”的地震波形得到震中距；
利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；
利用所述震级修正模型对初步估算的震级进行修正得到新估算的震级；
根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
根据所述震中位置和新估算的震级发布地震预警信息。
优选的，所述极近震检测与Pg波拾取模型是以包含Pg震相的10秒长度三分量波形为输入，以是否为地震事件及Pg波到时为输出进行训练得到的。
优选的，所述预警震级预测模型是以P波到时后3秒的地震垂直分量波形为输入，以震级为输出进行训练得到的。
优选的，所述震中距估计模型是以Pg波及Pg波以后10s波形为输入，以震中距预测值为输出进行训练得到的。
优选的，所述后方位角识别模型是以Pg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，后方位角识别模型在训练过程中的损失函数为：
式中，Y'i为方位角标签值，i＝1,2分别表示Sin与Cos值。Yi为后方位角估算网络最后估算出对应方位角的Sin或者Cos值，zm与zn为方位角估算网络后一层的输出张量([m,1])，m为输入数据个数。
优选的，所述包含P和S的波形片段、S-P到时差、初始预警震级和单台近震震级为输入，以预测震级的浮点数和震级范围分类为输出进行训练得到的；其中，震级修正模型在训练过程中的损失函数为：
式中，Yi′为独热编码的标签，分别表示震级小于4级、4-6级、大于6级三个类别，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为震级修正网络震级范围预测分支最后一层的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为震级修正网络震级范围预测分支最后一层的输出张量([m,n,2])，m为输入数据个数，n为波形采样点数，αt为不同类别均衡权重，γ为难易样本均衡系数，y'k为该地震的实际震级，yk为震级修正网络震级估算分支的估算震级，xk为输入波形张量([m,n,3]),3为通道数，Δtk为S-P到时差，为初始预警震级，/>为单台近震震级。
本发明还提供了一种基于深度学习和边缘计算的地震预警装置，包括：
地震监测数据获取模块，用于获取实时地震监测数据；
地震事件监测模块，用于利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描识别得到事件类别和震相到时；所述事件类别包括是和否；
震级初步估算模块，用于提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
震中距预测模块，用于利用所述震中距估计模型预测事件类别为“是”的地震波形得到震中距；
后方位角确定模块，用于利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；
震级修正模块，用于利用所述震级修正模型对初步估算的震级进行修正得到新估算的震级；
震中位置确定模块，用于根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
地震预警信息发布模块，用于根据所述震中位置和新估算的震级发布地震预警信息。
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和边缘计算的地震预警方法与装置，与现有技术相比，本发明通过利用多个神经网络模型可以高效准确地获取地震事件的震中距、后方位角及初步估算的地震震级等信息，并基于震级修正模块对初步估算的震级进行修正得到新估算的震级，不仅可以大幅降低反演震源机制的工作量，还提升了地震震级的预测精度，从而降低误报率，减少因误报带来的消极社会影响和财产损失。
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深度学习和边缘计算的地震预警方法流程图；
图2为本发明提供的实施例中的一种基于深度学习的极近震检测与Pg波拾取网络原理图；
图3为本发明提供的实施例中的一种基于深度学习的预警震级预测神经网络原理图；
图4为本发明提供的实施例中的一种基于深度学习的震中距估计神经网络原理图；
图5为本发明提供的实施例中的一种基于深度学习的后方位角估计神经网络原理图；
图6为本发明提供的实施例中的一种基于深度学习的震级修正神经网络原理图。
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和边缘计算的地震预警方法与装置以解决震源机制解反演效率低的问题。
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。
请参阅图1，一种基于深度学习和边缘计算的地震预警方法，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使用边缘计算设备直接与地震数据采集器相连，并直接接收数采中的实时数据。
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，SAC，SEGY等格式的数据文件，同时还需要对地震监测数据进行去趋势、去均值、去噪等基本数据处理。
其中，对实时地震监测数据进行去噪过程包括：
对所述实时地震监测数据进行多尺度小波分解得到小波系数；
依据各个尺度下的小波系数构建小波去噪阈值；其中，小波去噪阈值为：
其中，wj表示第j个小波系数，表示在相应分解尺度下小波系数的均值，median|wj|表示在相应分解尺度下高频小波系数的中值，λ表示小波去噪阈值，M表示实时地震监测数据的长度，L表示实时地震监测数据的分解尺度。
基于随尺度变换的小波去噪阈值构建去噪模型；其中，去噪模型为：
其中，sign为符号函数，λ0＝0.45λ，λ表示去噪阈值，a为可调参数，s＝n/N，N表示第L个尺度下所有小波系数的个数，n表示第L个尺度下所有小于去噪阈值的高频小波系数的个数。
通常情况下，传统的小波阈值函数在进行滤波时，其噪声也会随分解尺度变化，从而影响地震数据的去噪效果。而本发明通过利用实时地震监测数据的分解尺度构建自适应的去噪阈值和函数可以对不同尺度下的小波系数进行自调节变换，这样可以提升实时地震监测数据的去噪效果。
步骤2：利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描(每隔1s，每次10s波形)识别得到事件类别和震相到时；所述事件类别包括是和否；所述震相到时为Pg波到时；本发明中的极近震检测与Pg波拾取模型主要是用于检测是否有极近震的发生(极近震是指发生在台站半径100公里范围内的地震事件)。
本发明将极近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)。
如图2所示，极近震检测与震相拾取网络为“U”型的对称网络结构，其中左边为下采样分支，右边为上采样分支，其中下采样分支由三个组合层依次连接构成，每个组合层由卷积层、降采样层、双向长短时记忆网络层和Transformer层组成。在训练过程中还加入了dropout层来防止过拟合。上采样分支也由三个组合层依次连接构成，每个组合层由卷积层、增采样层、双向长短时记忆网络层和Transformer层组成。每个下采样组合层的输出均通过跳接的方式与对应的上采样组合层的输入层相连。上、下采样分支采用级联结构的好处是网络可以提高感受野范围，更好提取极近震和震相的抽象特征。在多次下采样和上采样的分支组合中，通过跳接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Pg波震相拾取的问题。同时，在组合层中加入LSTM层和Transformer层有助于增强网络检测极近震信号及Pg波到时检测精度的能力，其中LSTM层可以可以通过学习时间序列地震数据中的长期依赖关系来捕捉极近震信号出现的规律，Transformer层则通过注意力机制来识别和强调重要的信号片段，从而提高Pg波到时的检测精度。最后网络通过激活函数计算是否为地震事件以及P波到时的概率值。网络输出的预测经后处理模块后，根据预设阈值得到对应的地震时间及Pg波震相的到时。
进一步的，上述极近震检测与Pg波拾取模型是以包含Pg震相的10秒长度三分量波形为输入，以是否为地震事件及Pg波到时为输出进行训练得到的；其中，极近震检测与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，分别表示Pg波和噪音两个类别，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为极近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为极近震检测与震相拾取模型最后一层的输出张量([m,n,2])，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，y'k为Pg波真实到时值，yk为Pg波预测到时值，xk为输入波形张量([m,n,3])步骤3：提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
在实际应用中，如果检测到事件类别为“是”的极近震事件，则需要立即截取地震波形Pg到时后3s波形，并调用预警震级预测模型进行震级预测，所述震级为一个浮点数值；对于预测震级大于报警值(例如4级)的事件，立即向监控中心发送警报，并记录存档。
本发明将预警震级预测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)。
如图3所示，预警震级预测网络为三级级联结构，每一级的基本组件为三个依次相连的双向长短时记忆网络(LSTM)层和一个Transformer层。在本网络中，双向LSTM层用于提取地震数据特征并进行位置编码。Transformer层具有良好的数据容量，适用于地震大数据。其可以通过自注意力机制捕捉地震记录中的波形时间上的依赖关系。此外，自注意力机制提供了一定程度的可解释性，有助于理解模型在实际应用中如何关注输入地震记录中的不同部分。模型的训练和部署分为三个阶段，首先是全球地震数据预训练阶段。预训练模型可以充分利用大量已有地震数据集，从而学习到更丰富的地震数据特征，为后续的迁移学习提供基础模型。在完成预训练后，第一部分的网络参数将被冻结，随后对余下两部分开展迁移学习。由于地震震级与台站布设情况和传播路径上介质衰减等相关，因此采用相近台站进行迁移学习有助于提高预测精度。在迁移学习后，第一、二部分的参数都被冻结。模型将用于实际应用。在应用过程中，模型将根据自身的不确定性、信息量等指标从未标注的实际数据中选择有价值的样本反馈给人工专家进行标注，随后利用更新的数据集微调第三部分的参数权重。在训练中加入了dropout层来防止过拟合。最后通过激活函数计算震级预测值。
进一步的，所述预警震级预测模型是以P波到时后3秒的地震垂直分量波形为输入，以震级为输出进行训练得到的；所述震级为一个不超过10的浮点数值，精确到小数点后1位。其中，该神经网络模型在训练过程中的损失函数为：
式中，y'i是标签震级值，yi是模型预测值，xi为输入波形张量([n,300,1])，n为地震个数，300为3s波形所对应的采样点数，1为通道数。
步骤4：利用所述震中距估计模型预测事件类别为“是”的地震波形得到震中距；震中距为地震事件到台站的大圆距离，单位为km。
如图4所示，震中距估计网络为三级级联结构，三级结构的参数分别在预训练、迁移学习和主动学习后微调，与此前震级预测网络的三级级联结构类似。震中距预测网络采取了深度学习与物理约束向结合的方式，即直接通过深度学习模型回归出一个震中距，同时通过对P和S震相进行检测所得的到时差估算出粗略的震中距。最终通过子网络对深度学习模型的震中距和粗略估算出的震中距进行加权整合。在训练过程中，首先训练震相拾取和震中距预测网络，在二者收敛后再开始子网络的训练。
进一步的，所述震中距估计网络是以Pg波及Pg波以后10s波形为输入，以震中距预测值为输出进行训练得到的。其中，该神经网络模型在训练过程中的损失函数为：
式中，y'i是标签震级值，yi是模型预测值，xi为输入波形张量([n,1000,1])，1000为10s波形所对应的采样点数，n为地震个数，1为通道数。
步骤5：利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；后方位角为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，可用于确定地震方位。
如图5所示，后方位角估算网络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，所述后方位角识别模型预测是以Pg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为方位角标签值，i＝1,2分别表示Sin与Cos值，Yi为后方位角估算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为方位角估算网络后一层的输出张量([m,1])，m为输入数据个数。
步骤6：利用所述震级修正模型对初步估算的震级进行修正得到新估算的震级；
如图6所示，震级修正网络通过综合包含P和S的波形片段、S-P到时差信息、AI初步估算震级和传统单台近震震级信息，对已经获得的震级进行修正。其中，波形数数据首先通过一组BiLSTM和Transformer网络进行特征提取，而S-P到时差信息、AI初步估算震级和传统单台近震震级信息则通过全连接网络进行特征组合。最终将波形与其他信息的特征进行融合。震级修正模型同样采用三级网络结构，各级参数分别在预训练、迁移学习和主动学习后微调，与此前震级预测网络的三级级联结构类似。网络最终进行输出修正后的震级浮点数范围和震级分类(小于4级、4-6级、大于6级)结果。
进一步的，该网络以包含P和S的波形片段、S-P到时差、初始预警震级和单台近震震级为输入，以预测震级的浮点数和震级范围分类为输出。其中，谛听震级修正网络在训练过程中的损失函数为：
式中，Y′i为独热编码的标签，分别表示震级小于4级、4-6级、大于6级三个类别，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为震级修正网络震级范围预测分支最后一层的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为震级修正网络震级范围预测分支最后一层的输出张量([m,n,2])，m为输入数据个数，n为波形采样点数。αt为不同类别均衡权重，γ为难易样本均衡系数。y'k为该地震的实际震级，yk为震级修正网络震级估算分支的估算震级，xk为输入波形张量([m,n,3]),3为通道数，Δtk为S-P到时差，为初始预警震级，/>为单台近震震级，其中Δtk和/>为已知，/>可通过自动量取S波最大振幅并应用单台地方震级计算公式计算得到。
步骤7：根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
步骤8：根据所述震中位置和新估算的震级发布地震预警信息。
本发明通过极近震识别模型和预警震级预测模型以最快的速度判断台站附近是否有破坏性地震发生，从而最大程度地为预警争取宝贵的时间，同时通过快速利用实时截取的完整事件波形进行单台定位和震级修正，可以以最快的速度对预警信息进行补全和更新，及时发布第二次预警，从而降低误报率，减少因误报带来的消极社会影响和财产损失。
本发明还提供了一种可以部署上述预训练深度学习模型的边缘计算设备，该设备采用树莓派CM4开发主板，具备USB、HDMI、LAN、Wifi接口、Mini-PCIe，并在Intel Movidius计算加速棒基础上开发了基于Mini-PCIe接口的版本，并使用OPENVINO技术在边缘设备上部署轻量级深度学习神经网络模型。
以上是本申请提供一种基于深度学习和边缘计算的地震预警方法的介绍，为便于更好的实施本申请提供的一种基于深度学习和边缘计算的地震预警方法，本申请还从功能模块角度提供了一种基于深度学习和边缘计算的地震预警装置，包括：
地震监测数据获取模块，用于获取实时地震监测数据；
地震事件监测模块，用于利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描识别得到事件类别和震相到时；所述事件类别包括是和否；
震级初步估算模块，用于提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
震中距预测模块，用于利用所述震中距估计模型预测事件类别为“是”的地震波形得到震中距；
后方位角确定模块，用于利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；
震级修正模块，用于利用所述震级修正模型对初步估算的震级进行修正得到新估算的震级；
震中位置确定模块，用于根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
地震预警信息发布模块，用于根据所述震中位置和新估算的震级发布地震预警信息。
与现有技术相比，本发明提供的一种基于深度学习和边缘计算的地震预警装置，可以实现上述一种基于深度学习和边缘计算的地震预警方法中实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
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 (6)

1.一种基于深度学习和边缘计算的地震预警方法，其特征在于，包括：
获取实时地震监测数据；
利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描识别得到事件类别和震相到时；所述事件类别包括是和否；
提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
利用震中距估计模型预测事件类别为“是”的地震波形得到震中距；
利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；
利用震级修正模型对初步估算的震级进行修正得到新估算的震级；
所述震级修正模型是以包含P和S的波形片段、S-P到时差、初始预警震级和单台近震震级为输入，以预测震级的浮点数和震级范围分类为输出进行训练得到的；其中，震级修正模型在训练过程中的损失函数为：
式中，Yi′为独热编码的标签，分别表示震级小于4级、4-6级、大于6级三个类别，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为震级修正网络震级范围预测分支最后一层的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为震级修正网络震级范围预测分支最后一层的输出张量([m,n,2])，m为输入数据个数，n为波形采样点数，αt为不同类别均衡权重，γ为难易样本均衡系数，y'k为该地震的实际震级，yk为震级修正网络震级估算分支的估算震级，xk为输入波形张量([m,n,3]),3为通道数，Δtk为S-P到时差，为初始预警震级，/>为单台近震震级；
根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
根据所述震中位置和新估算的震级发布地震预警信息。
2.根据权利要求1所述的一种基于深度学习和边缘计算的地震预警方法，其特征在于，所述极近震检测与Pg波拾取模型是以包含Pg震相的10秒长度三分量波形为输入，以是否为地震事件及Pg波到时为输出进行训练得到的。
3.根据权利要求1所述的一种基于深度学习和边缘计算的地震预警方法，其特征在于，所述预警震级预测模型是以P波到时后3秒的地震垂直分量波形为输入，以震级为输出进行训练得到的。
4.根据权利要求1所述的一种基于深度学习和边缘计算的地震预警方法，其特征在于，所述震中距估计模型是以Pg波及Pg波以后10s波形为输入，以震中距预测值为输出进行训练得到的。
5.根据权利要求1所述的一种基于深度学习和边缘计算的地震预警方法，其特征在于，所述后方位角识别模型是以Pg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，后方位角识别模型在训练过程中的损失函数为：
式中，Y'i为方位角标签值，i＝1,2分别表示Sin与Cos值，Yi为后方位角估算网络最后估算出对应方位角的Sin或者Cos值，zm与zn为方位角估算网络后一层的输出张量([m,1])，m为输入数据个数。
6.一种基于深度学习和边缘计算的地震预警装置，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；
地震事件监测模块，用于利用极近震检测与Pg波拾取模型对所述实时地震监测数据进行扫描识别得到事件类别和震相到时；所述事件类别包括是和否；
震级初步估算模块，用于提取所有事件类别为“是”的地震波形，利用预警震级预测模型进行震级预测得到初步估算的震级；
震中距预测模块，用于利用震中距估计模型预测事件类别为“是”的地震波形得到震中距；
后方位角确定模块，用于利用后方位角识别模型预测事件类别为“是”的地震波形得到后方位角的正弦值和余弦值；
震级修正模块，用于利用震级修正模型对初步估算的震级进行修正得到新估算的震级；
所述震级修正模型是以包含P和S的波形片段、S-P到时差、初始预警震级和单台近震震级为输入，以预测震级的浮点数和震级范围分类为输出进行训练得到的；其中，震级修正模型在训练过程中的损失函数为：
式中，Yi′为独热编码的标签，分别表示震级小于4级、4-6级、大于6级三个类别，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为震级修正网络震级范围预测分支最后一层的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为震级修正网络震级范围预测分支最后一层的输出张量([m,n,2])，m为输入数据个数，n为波形采样点数，αt为不同类别均衡权重，γ为难易样本均衡系数，y'k为该地震的实际震级，yk为震级修正网络震级估算分支的估算震级，xk为输入波形张量([m,n,3]),3为通道数，Δtk为S-P到时差，为初始预警震级，/>为单台近震震级；
震中位置确定模块，用于根据所述后方位角的正弦值、余弦值及其震中距确定震中位置；
地震预警信息发布模块，用于根据所述震中位置和新估算的震级发布地震预警信息。
CN202310556793.4A 2023-05-17 2023-05-17 一种基于深度学习和边缘计算的地震预警方法与装置 Active CN116594057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310556793.4A CN116594057B (zh) 2023-05-17 2023-05-17 一种基于深度学习和边缘计算的地震预警方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310556793.4A CN116594057B (zh) 2023-05-17 2023-05-17 一种基于深度学习和边缘计算的地震预警方法与装置

Publications (2)

Publication Number Publication Date
CN116594057A CN116594057A (zh) 2023-08-15
CN116594057B true CN116594057B (zh) 2024-01-12

Family

ID=87604101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310556793.4A Active CN116594057B (zh) 2023-05-17 2023-05-17 一种基于深度学习和边缘计算的地震预警方法与装置

Country Status (1)

Country Link
CN (1) CN116594057B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609874B (zh) * 2023-11-09 2024-05-10 中国地震局地球物理研究所 基于集成深度学习的岩石断层摩擦微震检测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102628955A (zh) * 2012-04-24 2012-08-08 成都高新减灾研究所 一种地震预警震级获取方法
JP2016075480A (ja) * 2014-10-02 2016-05-12 公益財団法人鉄道総合技術研究所 単独観測点の地震波を用いた近距離地震に対する早期警報方法
KR102218181B1 (ko) * 2020-11-06 2021-02-23 케이아이티밸리(주) 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법
CN113985479A (zh) * 2021-10-25 2022-01-28 中国地震局地球物理研究所 一种基于边缘计算的地震信息处理方法与装置
CN115826042A (zh) * 2022-11-22 2023-03-21 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102628955A (zh) * 2012-04-24 2012-08-08 成都高新减灾研究所 一种地震预警震级获取方法
JP2016075480A (ja) * 2014-10-02 2016-05-12 公益財団法人鉄道総合技術研究所 単独観測点の地震波を用いた近距離地震に対する早期警報方法
KR102218181B1 (ko) * 2020-11-06 2021-02-23 케이아이티밸리(주) 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법
CN113985479A (zh) * 2021-10-25 2022-01-28 中国地震局地球物理研究所 一种基于边缘计算的地震信息处理方法与装置
CN115826042A (zh) * 2022-11-22 2023-03-21 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孔庆凯 ; 赵鸣 ; .地震预警系统中的算法研究.灾害学.2010,(第S1期),全文. *
李健 ; 王晓明 ; 张英海 ; 王卫东 ; 商杰 ; 盖磊 ; .基于深度卷积神经网络的地震震相拾取方法研究.地球物理学报.2020,(第04期),全文. *

Also Published As

Publication number Publication date
CN116594057A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Zhou et al. Hybrid event detection and phase‐picking algorithm using convolutional and recurrent neural networks
EP3832553A1 (en) Method for identifying energy of micro-energy device on basis of bp neural network
Dokht et al. Seismic event and phase detection using time–frequency representation and convolutional neural networks
CN108805269B (zh) 一种基于lstm循环神经网络拾取震相到时的方法
CN115826042B (zh) 一种边云端结合的分布式地震数据处理方法与装置
CN112799128B (zh) 一种地震信号检测和震相提取的方法
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
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
CN111724770B (zh) 一种基于深度卷积生成对抗网络的音频关键词识别方法
CN111983676A (zh) 一种基于深度学习的地震监测方法及装置
CN114152980B (zh) 一种快速自动化产出震源机制解的方法与装置
Liao et al. ARRU phase picker: Attention recurrent‐residual U‐Net for picking seismic P‐and S‐phase arrivals
CN114926825A (zh) 一种基于时空特征融合的车辆驾驶行为检测方法
CN111814699A (zh) 一种面向swarm电磁卫星数据的深度学习地震预测方法
CN112464721A (zh) 微地震事件自动识别方法及装置
CN114218988A (zh) 一种样本不均衡下的单向接地故障馈线识别方法
Chakraborty et al. PolarCAP–A deep learning approach for first motion polarity classification of earthquake waveforms
CN112380198B (zh) 一种基于深度学习的地震接收函数自动挑选方法
CN113361579A (zh) 一种水下目标探测辨识方法、系统、设备及可读存储介质
Chen et al. Coal mine microseismic identification and first-arrival picking based on Conv-LSTM-Unet
CN113177536B (zh) 基于深度残差收缩网络的车辆碰撞检测方法及装置
Liu et al. Seismic Event Identification Based on a Generative Adversarial Network and Support Vector Machine
Cai et al. Automatic phase identification of earthquake based on the UBDN deep network
CN113848587B (zh) 一种基于时空注意力机制的地震震相到时拾取方法
CN117197592B (zh) 一种目标检测模型训练方法、装置、电子设备及介质

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