一种基于卷积神经网络的地震震相拾取及事件检测方法技术

本发明专利技术涉及一种基于卷积神经网络的地震震相拾取及事件检测方法，属于地震事件检测和估计领域。本发明专利技术为了克服地震事件检测存在震相识别错误率高、事件误检、漏检率高的问题，通过对各个台站的连续数据以设定的时间窗口和步长，滑动截取连续数据为若干个待检测窗口，采用预先训练好的卷积神经网络模型对截取的每个数据窗口进行检测，得到震相识别概率序列和到时拟合值序列，再通过震相概率值大小和到时拟合值的极值确定震相名称和到时估计值；依据近震P、S到时差估算事件的初步位置和时间，将其作为常规的迭代反演定位程序的初始值，得到最终的事件位置和时间，从而实现了震相的准确识别和到时估计，以及获得了准确的地震事件位置和时间。

A method of seismic phase pick-up and event detection based on convolution neural network

【技术实现步骤摘要】
一种基于卷积神经网络的地震震相拾取及事件检测方法
本专利技术属于地震事件检测和估计领域，具体涉及一种基于卷积神经网络的地震震相拾取及事件检测方法。
技术介绍
地震事件检测是依据监测台站记录到的信号及特征，反演形成事件的过程，一般包括台站信号的检测、到时估计、震相的识别、多台震相关联和定位等过程。区域台网对于网内近震事件的快速、可靠检测，对于防震减灾、应急响应等具有重要意义。学术界针对地震事件检测问题开展了广泛的研究，建立了较为成熟的一套方法，如基于短时平均与长时平均比方法(STA/LTA)实现信号检测、基于自回归赤池信息准则(AR-AIC)的信号到时精确估计、基于偏度和峰度等高阶统计量的震相检测方法、基于地震波整体包络特征的震相检测识别方法、基于震相特征规则和传统神经网络相结合的震相识别方法、基于全球格点搜索的事件关联方法以及基于概率的事件关联定位方法等。尽管学者们做了大量的努力，提出多种方法，但区域地震事件的检测依然存在震相识别错误率高、事件误检、漏检率高等诸多问题。
技术实现思路
(一)要解决的技术问题本专利技术的目的是解决在区域地震事件检测中如何提高震相识别的正确率、减少事件误检和漏检的技术问题。(二)技术方案为了解决上述技术问题，本专利技术提出一种基于卷积神经网络的地震震相拾取方法，该方法包括如下步骤：步骤1：实时获取地震台站的地震传感器采集的连续波形数据；步骤2:以设定的时间窗口和设定的步长，滑动截取所述连续波形数据为若干个待检测窗口；r>步骤3：采用多任务卷积神经网络对每个所述待检测窗口进行震相检测识别和到时估计，得到震相识别概率和到时拟合值；步骤4：通过所述震相识别概率的大小确定所述连续波形数据中的震相名称；步骤5：通过所述到时拟合值的极值确定所述连续波形数据中的到时估计值。进一步地，所述步骤2中的所述设定的时间窗口为4s，所述设定的步长为0.1s。进一步地，在所述步骤2之后，所述步骤3之前，还包括如下步骤：对滑动截取后的所述连续波形数据进行去线性和滤波，以及采用每段所述连续波形数据的最大值对所述连续波形数据进行归一化操作。进一步地，所述步骤3中的多任务卷积神经网络为预先训练好的多任务卷积神经网络。进一步地，所述步骤4具体包括：当P震相识别概率或S震相识别概率超过98％时，则形成P震相触发或S震相触发，当所述震相识别概率都低于98％时，则识别为噪声。进一步地，所述步骤4之后，所述步骤5之前，还包括对震相触发进行综合判断，形成最终震相的步骤，所述对震相触发进行综合判断，形成最终震相的步骤具体为：识别为所述P震相触发的持续时间需要大于预先设定的时间阈值，则确定为P震相，或者识别为所述S震相触发的持续时间需要大于预先设定的时间阈值，则确定为S震相；在确定所述P震相或所述S震相后的4s时间内不再形成新的震相；则确定的所述P震相或所述S震相为最终震相。进一步地，所述步骤5具体包括：选取识别为所述P震相或所述S震相的时间窗口内的一系列离散的到时拟合值，计算所述离散的到时拟合值的极大值，基于滑动检测的原理，满足到时拟合值大小要求的首个极大值即为所述P震相或所述S震相的到时估计值。进一步地，所述地震台站为三分向地震台站。本专利技术还提供一种基于卷积神经网络的地震事件检测方法，该方法包括如下步骤：步骤a、对区域台网内多个地震台站中的每个采用基于卷积神经网络的地震震相拾取方法获取震相名称及其到时估计值；步骤b、对于获取到P震相、S震相的地震台站，两两计算S震相到时差与P震相到时差之比，α＝|(TSi-TSj)/(TPi-TPj)|＝vP/vS，得到多个α，若多个α两两之间的差值小于设定的阈值，则可判定所述多个地震台站的这些获取到的震相来自同一个事件；其中TSi为编号为i的地震台站获取的S震相的到时估计值，TSj为编号为j的地震台站获取的S震相的到时估计值，TPi为编号为i的地震台站获取的P震相的到时估计值，TPj为编号为j的地震台站获取的P震相的到时估计值，Vp为P震相的波速，VS为S震相的波速；步骤c、将步骤b获得的多个vP/vS取平均值作为最终的P震相和S震相的波速比；对所述多个地震台站中的每一个利用公式计算得到发震时刻，选取所述多个地震台站的均值作为最初发震时刻，其中；TS为S震相的到时估计值，TP为P震相的到时估计值，T0的计算公式中的vP/vS为最终的P震相和S震相的波速比；步骤d、以所述多个地震台站中的任意两个地震台站作为焦点计算双曲线，取多组双曲线的交叉点的经纬度的均值作为最初的事件位置(x0，y0)。进一步地，该方法在步骤d之后还包括：步骤e、利用常规的迭代反演定位算法，以所述多个地震台站获取的P震相、S震相信息作为输入，以所述步骤c、所述步骤d得到的所述初步发震时刻和所述事件位置作为迭代算法的初始值，获取最终的精确的事件位置和事件。(三)有益效果本专利技术的基于卷积神经网络的地震震相拾取方法，将台站连续数据截取为相互重叠的多个数据窗口，利用训练好的多任务卷积神经网络对每个窗口进行检测，得到震相识别概率序列和到时拟合值序列，再经过综合研判，最终得到各个台站连续数据的震相检测识别结果和到时估计结果，从而实现了单台连续数据的P、S震相的准确识别和到时估计，提高了震相识别的正确率。本专利技术的基于卷积神经网络的地震事件检测方法在基于卷积神经网络的地震震相拾取方法的基础上，在事件检测窗口内，基于台站对的P、S震相到时差之比为恒定值的原理，实现多个检测台站关联；以事件发震时刻，P、S的震相到时以及P、S震相波速比之间关系，初步估算事件发震时刻；以基于台站对的双曲线方法得到事件初步位置；将多台P和S震相信息作为常规迭代反演定位程序输入，以事件初步时间和位置作为定位程序迭代的初始值，实现对事件位置和时间的精确估算，从而可快速准确的实现对地震事件位置和时间的计算，提高了地震事件检测的正确率。附图说明图1为本专利技术的用于地震震相拾取的多任务卷积神经网络结构示意图；图2为本专利技术的利用多任务卷积神经网络对CBT台站连续波形数据的震相拾取结果；图3为CBT、YNB、KDN、MDJ台站对事件发生时间的初步估计。其中，图2中(a)为E通道数据；(b)为N通道数据；(c)为Z通道数据；(d)为震相识别的概率曲线，实线表示P震相识别概率,虚线表示S震相识别概率；(e)为震相的到时估计曲线，(a-e的横坐标为采样点数，a-c的纵坐标为幅值，d纵坐标为概率，e纵坐标为拟合值，范围0-2)；图3中黑色框是事件检测窗口300s,长实线代表P震相,长虚线代表S震相,短虚线代表各个台站估计的事件发生时间。横坐标为采样点数，纵坐标为幅值。具体实施方式为使本专利技术的目的、内容和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。本专利技术的基本思想是，首先对于台网本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的地震震相拾取方法，其特征在于，该方法包括如下步骤：/n步骤1：实时获取地震台站的地震传感器采集的连续波形数据；/n步骤2:以设定的时间窗口和设定的步长，滑动截取所述连续波形数据为若干个待检测窗口；/n步骤3：采用多任务卷积神经网络对每个所述待检测窗口进行震相检测识别和到时估计，得到震相识别概率和到时拟合值；/n步骤4：通过所述震相识别概率的大小确定所述连续波形数据中的震相名称；/n步骤5：通过所述到时拟合值的极值确定所述连续波形数据中的到时估计值。/n

【技术特征摘要】
1.一种基于卷积神经网络的地震震相拾取方法，其特征在于，该方法包括如下步骤：
步骤1：实时获取地震台站的地震传感器采集的连续波形数据；
步骤2:以设定的时间窗口和设定的步长，滑动截取所述连续波形数据为若干个待检测窗口；
步骤3：采用多任务卷积神经网络对每个所述待检测窗口进行震相检测识别和到时估计，得到震相识别概率和到时拟合值；
步骤4：通过所述震相识别概率的大小确定所述连续波形数据中的震相名称；
步骤5：通过所述到时拟合值的极值确定所述连续波形数据中的到时估计值。


2.如权利要求1所述的基于卷积神经网络的地震震相拾取方法，其特征在于，所述步骤2中的所述设定的时间窗口为4s，所述设定的步长为0.1s。


3.如权利要求1所述的基于卷积神经网络的地震震相拾取方法，其特征在于，在所述步骤2之后，所述步骤3之前，还包括如下步骤：对滑动截取后的所述连续波形数据进行去线性和滤波，以及采用每段所述连续波形数据的最大值对所述连续波形数据进行归一化操作。


4.如权利要求1所述的基于卷积神经网络的地震震相拾取方法，其特征在于，所述步骤3中的多任务卷积神经网络为预先训练好的多任务卷积神经网络。


5.如权利要求1所述的基于卷积神经网络的地震震相拾取方法，其特征在于，所述步骤4具体包括：当P震相识别概率或S震相识别概率超过98％时，则形成P震相触发或S震相触发，当所述震相识别概率都低于98％时，则识别为噪声。


6.如权利要求5所述的基于卷积神经网络的地震震相拾取方法，其特征在于，所述步骤4之后，所述步骤5之前，还包括对震相触发进行综合判断，形成最终震相的步骤，所述对震相触发进行综合判断，形成最终震相的步骤具体为：
识别为所述P震相触发的持续时间需要大于预先设定的时间阈值，则确定为P震相，或者识别为所述S震相触发的持续时间需要大于预先设定的时间阈值，则确定为S震相；
在确定所述P震相或所述S震相后的4s时间内不再形成新的震相；
则确定的所述P震相或所述S震相为最终震相。


7.如权利要求6所述的基于卷积神经网络的地震...

【专利技术属性】
技术研发人员：李健，王晓明，王娟，邱宏茂，朱国富，
申请(专利权)人：禁核试北京国家数据中心，
类型：发明
国别省市：北京;11