一种基于SSNet模型的地震事件到时识别方法技术

本发明专利技术公开了一种基于SSNet模型的地震事件到时识别方法，包括：(1)收集大量的地震监测台站地面震动波形记录以及相应的地震目录；(2)提出SSNet模型解决地震事件到时识别问题；(3)利用地震事件样本以及随机采集的非地震事件地面震动样本对SSNet模型进行训练，得到用于地震事件检测的识别模型；(4)利用地震事件样本以及地震震相到时记录对SSNet模型进行训练，得到用于地震震相到时识别的识别模型。本发明专利技术根据地震波形数据的特点，针对性地设计了深度网络模型，综合利用卷积神经网络等技术抽取地震波形数据的特征，捕捉数据的特点，提高了对地震事件检测任务的准确率和震相到时拾取任务的精度。

【技术实现步骤摘要】
一种基于SSNet模型的地震事件到时识别方法
本专利技术属于地震预警
，具体涉及一种基于SSNet模型的地震事件到时识别方法。
技术介绍
地质工作者多年来利用地震监测台站所记录的连续波形数据在地震预警、地震速报、地震机制等领域进行了大量的工作和研究；其中地震事件检测、震相自动拾取以及震级的快速估算等任务是相关研究的重点和热点。地震事件检测是指对于地震监测台站记录的连续波形数据，检测出其中某一段数据是否属于一个地震事件，从而给出某个时刻是否发生地震的判断；震相的自动拾取是指在我们已经知道某段波形数据属于地震事件之后，给出确切的地震波传播到达台站的时间。对于地震监测台站波形数据的研究本质上是数据驱动的，研究者可以从大量的监测台站的数据中挖掘、识别地震的特性、模式。传统上地质研究者多从参数拟合的角度出发，以期找到合适的参数来判断一段地面震动数据是否从属于一个地震事件，描述地震的震相、震级等参数与地震波形数据之间的关系。近年来，随着深度学习技术的飞速发展，越来越多的研究者开始在地震波形数据研究的各个任务上应用深度学习。例如2018年Perol等人在science子刊上发表的文献[PerolT,GharbiM,DenolleM.Convolutionalneuralnetworkforearthquakedetectionandlocation[J].ScienceAdvances,2018,4(2):e1700578.]提出使用一个8层的卷积神经网络来判断一段台站地面震动数据是否为地震，并且判断地震震中的大致方位。2019年Zhou等人发表的文献[ZhouY,YueH,KongQ,etal.HybridEventDetectionandPhase-PickingAlgorithmUsingConvolutionalandRecurrentNeuralNetworks[J].SeismologicalResearchLetters,2019,90(3):1079-1087.]提出使用循环神经网络等方法来拾取震相的到时等等。这些方法将深度学习技术应用在了地震波形数据上，并取得了超过传统方法的效果，使得这个领域被越来越多人注意到，具有很重要的意义。但是这些现有技术仍然停留在套用基础的神经网络模型来解决地震领域问题，缺少针对于地震数据特点的模型设计、改进与调优。
技术实现思路
鉴于上述，本专利技术提供了一种基于SSNet模型的地震事件到时识别方法，其通过大量地震监测台站的地面震动连续波形记录，训练SSNet模型，提高对地震事件的到时识别能力。一种基于SSNet模型的地震事件到时识别方法，包括如下步骤：(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波和S波到达台站的时间；(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。进一步地，所述正样本包含地面震动波形数据以及对应实际监测到的一次地震事件中P波和S波到达台站的时间，负样本只包含地面震动波形数据；正样本的地面震动波形数据长度为30s，即从P波到达台站之前的5～15s截取起点，从P波到达台站之后的15～25s截取终点；负样本的地面震动波形数据长度也为30s，即从不涉及任何地震事件的连续地面震动波形记录中随机选取确定起点，截取30s长度的地面震动波形数据。进一步地，所述步骤(2)中保证正样本和负样本的数量相同。进一步地，所述步骤(3)中对SSNet模型进行训练的具体过程如下：3.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；3.2将所有样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的识别结果与对应样本的真值之间的误差函数，其中模型输出的识别结果为样本属于地震事件的概率值，正样本的真值为1，负样本的真值为0；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震事件检测的识别模型。进一步地，所述步骤(4)中对SSNet模型进行训练的具体过程如下：4.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；4.2将正样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的预测结果与对应样本的真值之间的误差函数，其中模型输出的预测结果为P波和S波到达台站的时间，样本的真值为实际监测到的一次地震事件中P波和S波到达台站的时间；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震震相到时的预测模型。进一步地，所述SSNet模型从输入到输出由尺度选择卷积块SSBlock1、平均池化层P1、尺度选择卷积块SSBlock2、平均池化层P2、尺度选择卷积块SSBlock3、平均池化层P3、尺度选择卷积块SSBlock4、平均池化层P4以及全连接层依次连接组成。进一步地，所述尺度选择卷积块SSBlock1～SSBlock4结构相同均由三个尺度选择卷积单元SSCell1～SSCell3级联构成，每个尺度选择卷积单元包含普通卷积层和空洞卷积层，普通卷积层采用大小为3的卷积核对卷积单元的输入以步长为1进行卷积操作并经激活函数Relu处理后输出；空洞卷积层采用大小为3的卷积核对普通卷积层的输出以步长为1进行卷积操作，其输出分成两路分别经激活函数tanh和sigmoid处理后进行点乘，得到的结果与普通卷积层的输出相加并经批归一化处理后作为卷积单元的输出；SSCell1中空洞卷积层的空洞大小为1，SSCell2中空洞卷积层的空洞大小为2，SSCell3中空洞卷积层的空洞大小为4。进一步地，所述尺度选择卷积块SSBlock1中普通卷积层和空洞卷积层所采用的卷积核数量均为32，尺度选择卷积块SSBlock2中普通卷积层和空洞卷积层所采用的卷积核数量均为64，尺度选择卷积块SSBlock3中普通卷积层和空洞卷积层所采用的卷积核数量均为128，尺度选择卷积块SSBlock4中普通卷积层和空洞卷积层所采用的卷积核数量均为256。进一步地，所述平均池化层P1～P4结构相同均采用大小为4的池化窗口，步长为4，padding模式为same，即在窗口长度不足4时亦计算得到输出。进一步地，所述全连接层采用三层神经网络结构，从输入至输出各层的神经元数量分别为256、64、16且均采用激活函数Relu处理。基于上述技本文档来自技高网...

【技术保护点】
1.一种基于SSNet模型的地震事件到时识别方法，包括如下步骤：/n(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波和S波到达台站的时间；/n(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；/n(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；/n(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。/n

【技术特征摘要】
1.一种基于SSNet模型的地震事件到时识别方法，包括如下步骤：
(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波和S波到达台站的时间；
(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；
(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；
(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。


2.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述正样本包含地面震动波形数据以及对应实际监测到的一次地震事件中P波和S波到达台站的时间，负样本只包含地面震动波形数据；正样本的地面震动波形数据长度为30s，即从P波到达台站之前的5～15s截取起点，从P波到达台站之后的15～25s截取终点；负样本的地面震动波形数据长度也为30s，即从不涉及任何地震事件的连续地面震动波形记录中随机选取确定起点，截取30s长度的地面震动波形数据。


3.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(2)中保证正样本和负样本的数量相同。


4.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(3)中对SSNet模型进行训练的具体过程如下：
3.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
3.2将所有样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的识别结果与对应样本的真值之间的误差函数，其中模型输出的识别结果为样本属于地震事件的概率值，正样本的真值为1，负样本的真值为0；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震事件检测的识别模型。


5.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(4)中对SSNet模型进行训练的具体过程如下：
4.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
4.2将正样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNe...

【专利技术属性】
技术研发人员：赵莎，徐逸志，李石坚，方毅，董霖，潘纲，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33