資訊內容
/
研究亮點
基于生成對抗網絡的地震事件識別
發布時間： 2022-02-23 點擊數量：7219研究背景：
地震事件識別是地震監測業務的基礎性工作，特別是隨著大規模地震臺站建設、海量地震數據匯聚以及地震預警的發展，從連續波形記錄中自動識別出地震信號顯得更加重要。然而，地脈動的存在可能會造成P波自動撿拾算法的誤觸發，這對地震事件識別工作提出了相當大的挑戰。而且不同地區的地震常常呈現出獨特的地震特征，所以目前的地震識別工作主要是依賴于人工完成。因此在海量地震數據時代，開發高效、高精度、通用的地震自動檢測算法顯得尤為重要。本文采用生成對抗網絡方法，將傳統的地震事件識別問題轉化為一個將地震事件與地脈動噪聲的分類問題，旨在探索機器學習算法在地震監測中的可行性。
研究方法及結果：
1）本文首先基于日本K-NET和KiK-net臺網共52537條強震動記錄訓練生成對抗網絡（GAN，generative adversarial network），然后利用訓練有素的判別器對測試集的地震與地脈動進行區分。最后利用判別器對日本“311”大地震的地震記錄進行驗證。圖1顯示了本文所使用的生成對抗網絡的訓練過程和測試過程。
2）通過測試集的驗證，訓練有素的判別器可以識別出99.89%的地震和99.24%的地脈動記錄。圖2(a)為測試數據與P波輸出概率的關系。橫坐標值為0-0.1的百分比越高，證明模型對于地脈動的分類結果越自信；同理，橫坐標值為0.9-1.0的百分比越高，證明模型對于地震的分類結果越自信。由圖可知，兩端的百分比表明模型對于測試結果的自信程度非常高。圖2(b)顯示了模型分類準確率與震級的關系，除6≤M＜7外，模型的分類準確率均超過99.8%。經過分析，6≤M＜7的誤分類也在可允許的范圍內。
3）圖3顯示了本文利用生成對抗網絡識別日本“311”大地震的結果。經過測試，判別器只識別出“311”地震數據集中75.29%的地震記錄，但模型性能較差的部分均體現在震中距超過200 km的地震中（如圖3(a)），近場記錄的分類準確率高達98%（如圖3(b)）。通過測試集與日本“311”地震數據集的驗證，證明該方法是一種非?？煽康牡卣鹱R別方法，通過將復雜的地震識別問題轉化為簡單的二分類問題，本文在一定程度上避免了識別過程中可能會出現的問題，從而驗證了無監督學習方法在地震監測與地震預警中的應用可行性。
該成果發表在美國地震學會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抗網絡的訓練和測試過程
(a)測試數據百分比與P波輸出概率的關系 (b)模型分類準確率與震級的關系
圖2 生成對抗網絡識別地震的結果分析
圖3 (a)日本“311”地震數據集中，模型分類準確率與震中距的關系 (b)日本“311”地震數據集中，震中距≤200公里的真陽性和假陰性記錄位置
紅星代表震中，三角形代表觸發臺站的位置，黑色三角形表示真陽性地震，紅色三角形表示假陰性地震
