基于深度学习卷积神经网络的地震波形自动分类与识别

基于深度学习卷积神经网络的地震波形自动分类与识别

在地震监测领域，如何快速、准确地识别地震波形是一个重要的研究课题。近年来，随着深度学习技术的发展，卷积神经网络（CNN）在图像识别、语音识别等领域取得了显著的成果。本文将探讨如何利用CNN技术对地震波形进行自动分类与识别，以提高地震监测的效率和准确性。

研究背景与意义

在地震大数据时代背景下，发展高效、高精度、普适性强的自动波形拾取算法显得越来越重要。传统的地震波形识别方法，如STA/LTA和Fbpicker等，虽然在一定程度上能够实现自动化识别，但仍然存在精度不高、容易遗漏微震事件等问题。因此，研究者们开始尝试使用深度学习技术来解决这一问题。

方法与实验设计

本研究针对地震事件-噪音分类这一问题，使用13839个汶川地震余震事件建立数据集，应用深度学习卷积神经网络（CNN）方法进行训练，并用8900个新的汶川余震事件作为检测数据集。实验结果表明，训练和检测准确率均达到95%以上。

实验结果与分析

在对连续波形的检测中，CNN方法在精度和召回率上优于传统方法，并能找出大量人工挑选极易遗漏的微震事件。最后，研究者们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联。结果显示，CNN检出7016段波形，用自动挑选算法拾取到1380对P, S到时，并与540个地震目录事件成功关联。对1级以上事件总体识别准确率为54%，二级以上为80%，证明了CNN模型具有泛化能力。

结论与展望

本研究表明，CNN在地震波形自动分类与识别方面具有巨大潜力。与传统方法相比，CNN不仅在精度和召回率上具有优势，而且能够处理大规模数据，具有实时监测的能力。未来，研究者们将进一步优化模型，提高识别精度和效率，为地震监测和预警提供更可靠的技术支持。

图片说明

图 2
数据预处理前后的训练过程

图 1
卷积神经网络结构

图 3
CNN连续波形检测与专家样本示例

图 4
台站与地震震中分布

图 5
对CNN识别的地震事件进行P(红线), S震相(蓝线)自动挑取

表格说明

表 1
CNN与Fbpicker、STA/LTA算法对比

表 2
全国实时流CNN事件识别结果