一种基于深度学习的地震监测方法及装置制造方法及图纸

一种基于深度学习的地震监测方法及装置，所述方法包括步骤：训练神经网络；从连续数据中以预设时间间隔截取地震波形时窗；将所述地震波形时窗输入所述神经网络；所述神经网络输出对应的高斯概率密度分布；判断所述高斯概率密度分布的最大值是否大于预设阈值；若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；若否，判定所述地震波形时窗不包含地震事件。本申请提供的一种基于深度学习的地震监测方法及装置，可以利用单台进行震源参数的估算，因此可以得到泛化的神经网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。

【技术实现步骤摘要】
一种基于深度学习的地震监测方法及装置
本专利技术属于地震监测
，具体涉及一种基于深度学习的地震监测方法及装置。
技术介绍
地震预警和监测系统旨在于破坏性强的地震波到达之前快速地产出震级和位置等参数，并在第一时间给出预警。世界上已建成并投入实际使用的地震预警系统主要有日本的REIS、墨西哥的SAS、中国的VSN和土耳其的IERREWS，另外美国加州的预警系统处于实时测试中。目前,国内对于地震预警系统的研发也处于非常活跃的时期，除了一些核电站、高铁等重点工程的地震预警系统外，投入测试的还有福建省地震局的系统、首都圈地震预警系统、兰州地区地震预警系统等。现有的这些地震预警系统中，主要通过分析触发台站接收到的P波或S波信息来确定地震参数，虽然有效性高，但是决策过程较为复杂，一般需要经过地震数据的预处理、地震的检测和P/S波的拾取等过程。例如，美国加州的ShakeAlert系统主要通过综合Tc-PdOnsite算法、VirtualSeismologist和ElarmS等多个预警算法的结果，最终由一个决策模块向用户发布预警信息。其中Tc-PdOnsite属于基于单台的现地预警算法，地震事件的检测和处理速度虽然快，但是可靠性不如基于多台监测的算法，需要相邻附近的台站信息来降低误触发的可能性。VirtualSeismologist和ElarmS算法均基于多个台站的信息，需要利用长短时窗法检测和拾取地震P波信息，并通过相应的模块过滤P波拾取，以及把拾取到的震相联系到地震事件，最后通过网格搜索算法定位。因此对于这些算法，预警成功与否依赖于数据处理过程中震相的检测、拾取、过滤、联系事件等处理环节。为了减少各个环节所带来的不便，如何构建实时数据流到震源参数的直接映射，并全自动化地检测地震和计算震源参数，对于地震预警的应用至关重要。地震预警中震源参数的确定需要满足时效性的特点，离震源最近的台站一般首先触发，随着台站接收到的信号增加，需要持续性地估算和更新震源参数。震级一般可以通过早期到达的若干秒P波振幅和周期估算，每个触发台站只有在接收到相应长度的P波后，利用P波的某些特征计算震级，当触发台站数量增加，综合估算的震级误差随之减少。根据震级估算公式，可靠的震级结果同时依赖于震中距的计算，因此地震位置的快速确定非常关键。对于单台定位算法，主要利用P波和S波的倒时差来估算震中距，然后利用P波震相来估算震源方位角，从而可以确定震中位置。除了某些震相的到时和一些其他特征以外，全波形数据包含了更为丰富的信息，对于震级或者位置约束作用可能更强。如何提取当前时刻已有数据的特征非常重要，尤其是在地震实时监测的情形下，充分利用全波形信息是提升震源参数精度的关键。近年来随着地震数据的积累越来越多，大量整理的很好的地震目录可供使用，其中包含了丰富和宝贵的信息，使得利用深度学习自动化地提取地震数据的特征成为可能，无需或者较少人工干预即可解决相关地震学问题。目前大量相关方面的研究已经展开，主要集中在地震信号的检测和拾取、信号去噪、速度建模和成像、震级估计等方面。其中基于人工智能的地震检测已经相当成熟，Peroletal.(2018)应用卷积神经网络于地震事件的检测和定位，该方法能够从连续数据中检测到比传统方法多17倍的地震事件，该方法把研究区域划分成六类，因此能同时输出检测到的地震事件属于哪一个区块。除了利用分类思想来处理地震定位问题，还可以让神经网络直接输出地震位置的坐标值，并通过L2Norm的损失函数来最优化神经网络模型(Zhangetal.,2018；Kriegerowski,etal.,2018)，这类方法一般需要对位置标签进行归一化处理，对于震源位置相近的事件簇定位有效。随着深度学习算法的应用越来越广泛，各种新的神经网络架构层出不穷，同时也为解决地球物理问题提供了新的思路。例如，在很多计算机视觉任务中，不但要预测图像属于哪一类，还要进一步定位目标在图片中的位置，为此产生了很多针对于图像分割的神经网络架构，典型的有Unet和全卷积神经网络(Shelhameretal.,2017；Ronnebergeretal.,2017)，这些网络可以得到输入图片的每个像素点属于哪一类。如果把地震震源参数看成图像，而不是一系列的分类，同样可以使用图像分割中的网络结构来解决地震参数求解问题。现有应用高斯概率密度分布来标记地震位置，并利用全卷积神经网络求解诱发地震的震源位置，预测精度能够在一定程度上匹敌人工处理的结果，然而该方法仅针对于地震事件已经检测到后的定位问题，无法对从连续数据中检测地震事件以及估算震级，发震时间等。
技术实现思路
为解决上述问题，本专利技术提供了一种基于深度学习的地震监测方法，所述方法包括步骤：训练神经网络；从连续数据中以预设时间间隔截取地震波形时窗；将所述地震波形时窗输入所述神经网络；所述神经网络输出对应的高斯概率密度分布；判断所述高斯概率密度分布的最大值是否大于预设阈值；若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；若否，判定所述地震波形时窗不包含地震事件。优选地，所述训练神经网络包括步骤：获取全卷积神经网络；利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时间；利用四个损失函数优化所述全卷积神经网络。优选地，所述训练神经网络包括步骤：获取全卷积神经网络；将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四个输出通道输出二维矩阵；利用一个损失函数优化所述全卷积神经网络。优选地，所述神经网络输出对应的高斯概率密度分布包括步骤：获取预设震源参数范围；将所述震源参数网格化，其中，每一网格点均配置有一个震源参数对应的概率值。本专利技术还提供了一种基于深度学习的地震监测装置，所述装置包括：训练单元，用于训练神经网络；截取单元，用于从连续数据中以预设时间间隔截取地震波形时窗；输入单元，用于将所述地震波形时窗输入所述神经网络；输出单元，用于所述神经网络输出对应的高斯概率密度分布；判断单元，用于判断所述高斯概率密度分布的最大值是否大于预设阈值；执行单元，用于根据所述判断单元的判断结果执行相应操作；其中，当所述判断单元判断为是时，所述执行单元判定所述地震波形时窗包含地震事件，并计算震源参数解；当所述判断单元判断为否时，所述执行单元判定所述地震波形时窗不包含地震事件。本申请提供的一种基于深度学习的地震监测方法及装置具有如下有益效果：(1)通过适当的数据增广方法，并结合多分支的神经网络架构的应用，使之从连续波形数据出发，同时自动化地检测地震，计算震中位置，震级，以及发震时间；(2)充分利用全波形数据预测震源位置，震级，以及发震时间，并随着接收到的信号增加，持续性地更新震源参数；(3)可以利用单台进行震源参数的估算，因此可以得到泛化的神经网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。...

【技术保护点】
1.一种基于深度学习的地震监测方法，其特征在于，所述方法包括步骤：/n训练神经网络；/n从连续数据中以预设时间间隔截取地震波形时窗；/n将所述地震波形时窗输入所述神经网络；/n所述神经网络输出对应的高斯概率密度分布；/n判断所述高斯概率密度分布的最大值是否大于预设阈值；/n若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；/n若否，判定所述地震波形时窗不包含地震事件。/n

【技术特征摘要】
1.一种基于深度学习的地震监测方法，其特征在于，所述方法包括步骤：
训练神经网络；
从连续数据中以预设时间间隔截取地震波形时窗；
将所述地震波形时窗输入所述神经网络；
所述神经网络输出对应的高斯概率密度分布；
判断所述高斯概率密度分布的最大值是否大于预设阈值；
若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；
若否，判定所述地震波形时窗不包含地震事件。


2.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时间；
利用四个损失函数优化所述全卷积神经网络。


3.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四个输出通道输出二维矩阵；

【专利技术属性】
技术研发人员：张雄，田宵，陈慧慧，汪明君，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西;36