【技术实现步骤摘要】
本专利技术属于地震监测以及预警，具体涉及一种样本集构建、基于泛化神经网络的地震监测方法及系统。
技术介绍
1、地震监测是地震学的主要任务，实时报告地震参数一直是地震预警(eew)的重要工作(hsiao等，2009；nakamura等，2009；allen和melgar，2019；allen和stogaitis，2022)。监测系统的效果不仅取决于其响应时间，还取决于其在地震初始阶段有限的波形数据中推断地震参数的能力(horiuchi等，2005；satriano等，2008；kuyuk和allen，2013)。当前的eew系统通常包括多个模块，包括数据处理、估计震源参数和警报过滤等(serdar kuyuk等，2013)。每个步骤都需要在地震学领域投入大量研究工作，以提高地震检测、震相拾取、相位关联、地震定位和震级评估的效率和准确性(li等，2018；ross等，2018；grigoli等，2018；satriano等，2011；zhang等，2019；mousavi和beroza，2020；mousavi和beroza，2020；lomax等，2012；baillard等，2013；zhu和beroza，2019；ross等，2019；liu等，2020；mousavi等，2020；zhang等，2022；zhu等，2022)。如果满足特定条件，例如区分远震事件、触发一定数量的台站、达到一定震级，并满足触发台站的百分比阈值(例如40％)等，就会触发警报(serdar kuyuk等，2013)。在每个处理步骤中涉及到复杂的经验阈
2、另一项无需人工干预的地震监测工作是涉及使用深度学习技术直接从波形中进行数据挖掘，以检测和定位地震(perol等，2018；kriegerowski等，2018；mousavi和beroza，2020a；mousavi和beroza，2020b；shen和shen，2021；van den ende等，2020；vinard等，2021；zhang等，2020；zhang等，2021；münchmeyer等，2021)。在这些方法中，通过直接从地震波形中提取特征来解决地震参数，绕过了许多需要复杂经验设置的中间步骤，例如各种阈值和警报标准。然而，由于台站的多样性分布和地质结构的多样性，监测神经网络的泛化问题仍然是一个挑战，目前还没有能够应用于全球不同地区并且能够应用多个台站进行实时监测预警的泛化神经网络模型。这些方法通常在应用于新区域时需要进行迁移学习。
3、此外，为了进行地震早期预警，神经网络需要从地震事件开始就处理已触发和尚未触发的台站(horiuchi等，2005；satriano等，2008)，这增加了神经网络学习的复杂性，目前只有zhang等(2021)的方法能够实现从较少台站触发开始，实时监测地震的震级和位置，然而该方法只能针对意大利中部一个100km*50km的范围应用，一个特定地区的台站分布一般是固定的，训练和测试集所用的台站均是一样的，而应用到其他区域，面对新的台站分布，无法直接应用，需要重新训练。针对固定台站的问题，van den ende等(2020)开发了利用图神经网络实现从全波形数据中挖掘特征，估计震源位置和震级的方法，该方法中每个台站先独自提取特征，然后利用一些网络层综合每个台站的特征，最后得到地震位置和震级；该方法虽然避免了固体台站问题，但是无法实现从极少台站开始实时监测地震，并且认为台站输入顺序对结果没有影响，而且模型不能应用到训练数据以外的新区域。
4、由此可见，不同地区以及不同的台站分布约束了数据兼容性、更是给泛化神经网络的设计造成了技术障碍。
技术实现思路
1、本专利技术为了解决上述现有技术提及不同地区以及不同的台站分布造成的数据难以共享、目前还没有能够应用于全球不同地区并且能够应用多个台站进行实时监测预警的泛化神经网络模型的技术问题，本专利技术提供样本集构建、基于泛化神经网络的地震监测方法及系统。其中，本专利技术充分利用在全球各个区域内，相同震中距和深度的地震波形具有相同的p或s波等震相的走时，其波形在震相走时上都非常相似的关键性特征，提供一种样本集构建方法，其本质上为一种数据重组手段，利用其他地区的地震波数据，可以模拟出不同位置以及不同监测台站分布情形下的地震，这些地震具有泛化性，也就是面对任何地区任何监测方案情况下，实际产生的地震数据和这些泛化地震具有相似性，从而解决了不同地区、不同台站分布带来的兼容性障碍；利用泛化地震构建的训练样本集也具备泛化性，从而搭建了基于泛化神经网络的泛化神经网络监测模型，适应于不同地区、不同台站分布的工况，不用像传统方法那样，部署到新的地区，需要重新训练。
2、为此，本专利技术提供如下技术方案：
3、一方面，本专利技术提供的一种样本集构建方法，应用于地震监测，包括以下步骤：
4、收集各个地区的地震波数据，并按照震中距和深度进行分组得到基础数据库，其中，相同震中距、深度的地震波数据划分为同一组；
5、获取目标监测范围内台站分布，并随机生成合成地震位置，计算合成地震到各个台站的震中距；
6、依据台站的震中距以及合成地震的深度，从所述基础数据库中为各个台站选择相同震中距、深度的地震波数据，再依据方位角旋转公式进行旋转以及规整震级；
7、利用旋转和规整后各个台站的地震波数据得到所述目标监测范围内模拟合成的地震波数据，作为样本，扩展所述目标监测范围的地震波样本集。
8、进一步可选地，所述方位角旋转公式如下：
9、
10、
11、式中，d′x和d′y为旋转后地震波数据中x和y分量波形，dx和dy为原始地震波数据中x和y分量波形，为方位角差，满足为所述合成地震相应第i个台站的方位角，为从基础数据库中查找到的地震波数据的原始实际地震相应台站的方位角，acos为反余弦函数；
12、其中，针对目标监测范围内的所述合成地震位置表示为(sx,sy,sz)，第i个台站坐标表示为sx,sy为所述合成地震的x、y坐标，sz为所述合成地震的深度，为第i个台站的x、y坐标，从所述基础数据库中查找的地震波数据的三分量波形表示为(dx,dy,dz)，旋转方位角后第i个台站的地震波数据的三分量波形表示为(d′x,d′y,dz)。
13、其中，规整震级是指得到旋转后的波形，还需要根据震级公式调整每个台站的幅值，使所有台站的波形都规整到给定的震级m。也就是说，由于这些台站的波形都是来自于不同震级的实际地震，需要把这些波形都变成一个特定震级m的合成地震的波形，再进行合成本文档来自技高网...
【技术保护点】
1.一种样本集构建方法，应用于地震监测，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述方位角旋转公式如下：
3.一种基于泛化神经网络的地震监测方法，其特征在于：包括：
4.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震检测的神经网络，所述泛化神经网络监测模型至少包括地震监测模型；
5.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震定位的神经网络，所述泛化神经网络监测模型至少包括地震定位模型；
6.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震震级估算的神经网络，所述泛化神经网络监测模型至少包括地震震级估算模型；
7.根据权利要求3所述的方法，其特征在于：所述规整震级为：利用旋转后各个台站的地震波数据得到所述目标监测范围内模拟合成的地震波数据之前，还需要将来自不同震源的地震波的幅值调整为同一个震级；
8.一种基于权利要求3-7任一项所述方法的系统，其特征在于：包括：
9.一种电子终端，其特征在于
10.一种计算机可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行：权利要求1-2任一项所述样本集构建方法的步骤或者权利要求3-7任一项所述基于泛化神经网络的地震监测方法的步骤。
...【技术特征摘要】
1.一种样本集构建方法，应用于地震监测，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述方位角旋转公式如下：
3.一种基于泛化神经网络的地震监测方法，其特征在于：包括：
4.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震检测的神经网络，所述泛化神经网络监测模型至少包括地震监测模型；
5.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震定位的神经网络，所述泛化神经网络监测模型至少包括地震定位模型；
6.根据权利要求3所述的方法，其特征在于：搭建的神经网络至少包含实现地震震级估算的神...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。