資訊內(nèi)容
/
研究亮點(diǎn)
基于生成對(duì)抗網(wǎng)絡(luò)的地震事件識(shí)別
發(fā)布時(shí)間： 2022-02-23 點(diǎn)擊數(shù)量：5104研究背景：
地震事件識(shí)別是地震監(jiān)測(cè)業(yè)務(wù)的基礎(chǔ)性工作，特別是隨著大規(guī)模地震臺(tái)站建設(shè)、海量地震數(shù)據(jù)匯聚以及地震預(yù)警的發(fā)展，從連續(xù)波形記錄中自動(dòng)識(shí)別出地震信號(hào)顯得更加重要。然而，地脈動(dòng)的存在可能會(huì)造成P波自動(dòng)撿拾算法的誤觸發(fā)，這對(duì)地震事件識(shí)別工作提出了相當(dāng)大的挑戰(zhàn)。而且不同地區(qū)的地震常常呈現(xiàn)出獨(dú)特的地震特征，所以目前的地震識(shí)別工作主要是依賴(lài)于人工完成。因此在海量地震數(shù)據(jù)時(shí)代，開(kāi)發(fā)高效、高精度、通用的地震自動(dòng)檢測(cè)算法顯得尤為重要。本文采用生成對(duì)抗網(wǎng)絡(luò)方法，將傳統(tǒng)的地震事件識(shí)別問(wèn)題轉(zhuǎn)化為一個(gè)將地震事件與地脈動(dòng)噪聲的分類(lèi)問(wèn)題，旨在探索機(jī)器學(xué)習(xí)算法在地震監(jiān)測(cè)中的可行性。
研究方法及結(jié)果：
1）本文首先基于日本K-NET和KiK-net臺(tái)網(wǎng)共52537條強(qiáng)震動(dòng)記錄訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)（GAN，generative adversarial network），然后利用訓(xùn)練有素的判別器對(duì)測(cè)試集的地震與地脈動(dòng)進(jìn)行區(qū)分。最后利用判別器對(duì)日本“311”大地震的地震記錄進(jìn)行驗(yàn)證。圖1顯示了本文所使用的生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程和測(cè)試過(guò)程。
2）通過(guò)測(cè)試集的驗(yàn)證，訓(xùn)練有素的判別器可以識(shí)別出99.89%的地震和99.24%的地脈動(dòng)記錄。圖2(a)為測(cè)試數(shù)據(jù)與P波輸出概率的關(guān)系。橫坐標(biāo)值為0-0.1的百分比越高，證明模型對(duì)于地脈動(dòng)的分類(lèi)結(jié)果越自信；同理，橫坐標(biāo)值為0.9-1.0的百分比越高，證明模型對(duì)于地震的分類(lèi)結(jié)果越自信。由圖可知，兩端的百分比表明模型對(duì)于測(cè)試結(jié)果的自信程度非常高。圖2(b)顯示了模型分類(lèi)準(zhǔn)確率與震級(jí)的關(guān)系，除6≤M＜7外，模型的分類(lèi)準(zhǔn)確率均超過(guò)99.8%。經(jīng)過(guò)分析，6≤M＜7的誤分類(lèi)也在可允許的范圍內(nèi)。
3）圖3顯示了本文利用生成對(duì)抗網(wǎng)絡(luò)識(shí)別日本“311”大地震的結(jié)果。經(jīng)過(guò)測(cè)試，判別器只識(shí)別出“311”地震數(shù)據(jù)集中75.29%的地震記錄，但模型性能較差的部分均體現(xiàn)在震中距超過(guò)200 km的地震中（如圖3(a)），近場(chǎng)記錄的分類(lèi)準(zhǔn)確率高達(dá)98%（如圖3(b)）。通過(guò)測(cè)試集與日本“311”地震數(shù)據(jù)集的驗(yàn)證，證明該方法是一種非常可靠的地震識(shí)別方法，通過(guò)將復(fù)雜的地震識(shí)別問(wèn)題轉(zhuǎn)化為簡(jiǎn)單的二分類(lèi)問(wèn)題，本文在一定程度上避免了識(shí)別過(guò)程中可能會(huì)出現(xiàn)的問(wèn)題，從而驗(yàn)證了無(wú)監(jiān)督學(xué)習(xí)方法在地震監(jiān)測(cè)與地震預(yù)警中的應(yīng)用可行性。
該成果發(fā)表在美國(guó)地震學(xué)會(huì)SSA旗下期刊《Bulletin of the Seismological Society of America》（Heyi Liu, Shanyou Li, Jindong Song*. Discrimination between earthquake P waves and microtremors via a generative adversarial network. Bulletin of the Seismological Society of America. 2022. https://doi.org/10.1785/0120210231）（IF：2.910，*通訊作者）。
圖1 本文所使用的生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練和測(cè)試過(guò)程
(a)測(cè)試數(shù)據(jù)百分比與P波輸出概率的關(guān)系 (b)模型分類(lèi)準(zhǔn)確率與震級(jí)的關(guān)系
圖2 生成對(duì)抗網(wǎng)絡(luò)識(shí)別地震的結(jié)果分析
圖3 (a)日本“311”地震數(shù)據(jù)集中，模型分類(lèi)準(zhǔn)確率與震中距的關(guān)系 (b)日本“311”地震數(shù)據(jù)集中，震中距≤200公里的真陽(yáng)性和假陰性記錄位置
紅星代表震中，三角形代表觸發(fā)臺(tái)站的位置，黑色三角形表示真陽(yáng)性地震，紅色三角形表示假陰性地震
