留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估

林学楷 许才军

林学楷, 许才军. 深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估[J]. 武汉大学学报 ● 信息科学版, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
引用本文: 林学楷, 许才军. 深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估[J]. 武汉大学学报 ● 信息科学版, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
LIN Xuekai, XU Caijun. Deep-Learning-Empowered Earthquake Catalog Building: Comparison and Evaluation of PhaseNet and EqT Models[J]. Geomatics and Information Science of Wuhan University, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
Citation: LIN Xuekai, XU Caijun. Deep-Learning-Empowered Earthquake Catalog Building: Comparison and Evaluation of PhaseNet and EqT Models[J]. Geomatics and Information Science of Wuhan University, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197

深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估

doi: 10.13203/j.whugis20220197
基金项目: 

国家自然科学基金 42130101

国家自然科学基金 41721003

国家自然科学基金 42074007

详细信息
    作者简介:

    林学楷,硕士生,主要研究方向为人工智能地震学应用。xklin@whu.edu.cn

    通讯作者: 许才军,博士,教授。cjxu@sgg.whu.edu.cn
  • 中图分类号: P315

Deep-Learning-Empowered Earthquake Catalog Building: Comparison and Evaluation of PhaseNet and EqT Models

Funds: 

The National Natural Science Foundation of China 42130101

The National Natural Science Foundation of China 41721003

The National Natural Science Foundation of China 42074007

More Information
    Author Bio:

    LIN Xuekai, postgraduate, specializes in applications of artificial intelligence in seismology. E-mail: xklin@whu.edu.cn

    Corresponding author: XU Caijun, PhD, professor. E-mail: cjxu@sgg.whu.edu.cn
  • 摘要: 随着地震台站数目的增加,以纯人工的分析方式拾取震相到时并编制地震目录难以满足地震目录实时自动化构建的要求。随着人工智能技术的发展,涌现出多个用于震相拾取的深度学习模型,为高分辨率地震目录的自动化构建提供了机遇,但这些模型在不同应用场景中的性能和适用性仍不明确。以2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列为例,对当前两种先进的震相拾取深度学习模型PhaseNet和EqT(含EqT1和EqT2两套参数)的性能及其构建的地震目录的完备性和准确性进行了测试和评估。结果表明,尽管PhaseNet和EqT最初是使用来自不同地区的数据集训练的,在跨区域应用时仍然能够取得良好的效果,到时拾取的精度可以达到十几个毫秒,与人工分析相当。EqT1即便采用低检测阈值,也能保持很高的查准率,误报少,所构建地震目录的准确性更好,但查全率有限,检测到的地震数量少于PhaseNet。PhaseNet的拾取效果随阈值选择的不同具有较大的弹性,采用中低阈值时具有较高的查全率,采用高阈值则可以达到与EqT1相当的查准率。与EqT1和PhaseNet相比,EqT2性能较差,不推荐使用。
  • 图  1  深度学习拾取震相到时的流程

    Figure  1.  Flowchart of Seismic Phase Picking by Deep Learning Method

    图  2  ECSZ构造环境及台站分布

    Figure  2.  Tectonic Setting and Station Distribution of ECSZ

    图  3  PhaseNet、EqT1和EqT2模型在Ridgecrest测试集上的震相拾取性能

    Figure  3.  Seismic Phase Picking Performance of PhaseNet, EqT1 and EqT2 Models Within the Ridgecrest Dataset

    图  4  PhaseNet、EqT1和EqT2模型在Ridgecrest测试集上的拾取到时残差

    Figure  4.  Arrival Picking Residuals of PhaseNet, EqT1 and EqT2 Models Within the Ridgecrest Dataset

    图  5  EqT和PhaseNet获得的Ridgecrest地震序列位置

    Figure  5.  Locations of the Ridgecrest Earthquake Sequence Obtained by EqT and PhaseNet

    图  6  威远地区构造环境及台站分布

    Figure  6.  Tectonic Setting and Station Distribution in Weiyuan

    图  7  EqT和PhaseNet获得的威远Ms 5.4地震序列位置

    Figure  7.  Locations of the Weiyuan Ms 5.4 Earthquake Sequence Obtained by EqT and PhaseNet

    表  1  PhaseNet和EqT模型的基本信息

    Table  1.   General Information of the PhaseNet and EqT

    模型 结构特色 参数数量 训练集来源 训练样本数 输入时长 输入采样率/Hz 预处理
    PhaseNet[13] U-Net 23 305 北加州 约62万 任意长度 100 自定义高通滤波
    EqT[14] 注意力机制 376 935 全球 约120万 60 s 100 1~45 Hz带通滤波
    下载: 导出CSV

    表  2  PhaseNet和EqT模型对Ridgecrest地震序列的震相拾取及地震定位结果

    Table  2.   Seismic Phase Picking and Earthquake Location of PhaseNet and EqT for the Ridgecrest Earthquake Sequence

    模型 震相拾取 震相关联和地震定位 最小完备震级
    震相 拾取震相数 关联后的到时数 比例/% 关联事件数 成功定位事件数 比例/%
    PhaseNet P波 1 260 971 1 013 411 80.4 38 217 15 599 40.8 1.1
    S波 1 499 710 1 138 523 75.9
    EqT P波 641 449 456 190 71.1 18 445 10 108 54.8 1.6
    S波 664 182 455 374 68.6
    下载: 导出CSV

    表  3  Ridgecrest序列地震目录之间的交叉验证/%

    Table  3.   Cross-Validation Among Catalogs of the Ridgecrest Earthquake Sequence /%

    测试目录 评估指标 基准目录
    SCEDC EqT Phase Net 文献[1]
    SCEDC P 100 59 74 97
    R 100 78 63 31
    F1 100 67 68 47
    EqT P 85 100 97 94
    R 64 100 63 23
    F1 73 100 76 37
    PhaseNet P 62 57 100 87
    R 72 88 100 33
    F1 67 69 100 47
    文献[1] P 31 24 33 100
    R 97 98 88 100
    F1 47 38 48 100
    下载: 导出CSV

    表  4  PhaseNet和EqT模型对威远Ms 5.4地震序列的震相拾取及地震定位结果

    Table  4.   Seismic Phase Picking and Earthquake Location of PhaseNet and EqT for the Weiyuan Ms 5.4 Earthquake Sequence

    模型 震相拾取 震相关联和地震定位 最小完备震级
    震相 拾取震相数 关联后的到时数 比例/% 关联事件数 成功定位事件数 比例/%
    PhaseNet P波 98 103 66 853 68.1 10 802 4 268 39.5 0.3
    S波 92 455 62 142 67.2
    EqT P波 35 233 20 421 58.0 2 674 2 008 75.0 0.6
    S波 33 833 19 507 57.7
    下载: 导出CSV

    表  5  2019年威远Ms 5.4地震序列之间的交叉验证/%

    Table  5.   Cross-Validation Among Catalogs of the 2019 Weiyuan Ms 5.4 Earthquake Sequence /%

    测试目录 评估指标 基准目录
    人工目录 EqT PhaseNet
    人工目录 P 100 79 89
    R 100 52 28
    F1 100 63 42
    EqT P 51 100 95
    R 77 100 45
    F1 61 100 61
    PhaseNet P 29 44 100
    R 92 92 100
    F1 44 59 100
    下载: 导出CSV
  • [1] Huang H, Meng L S, Bürgmann R, et al. Spatio-Temporal Foreshock Evolution of the 2019 M 6.4 and M 7.1 Ridgecrest, California Earthquakes[J]. Earth and Planetary Science Letters, 2020, 551: 116582 doi:  10.1016/j.epsl.2020.116582
    [2] Grigoli F, Scarabello L, Böse M, et al. Pick- and Waveform-Based Techniques for Real-Time Detection of Induced Seismicity[J]. Geophysical Journal International, 2018, 213(2): 868-884 doi:  10.1093/gji/ggy019
    [3] Ross Z E, Trugman D T, Hauksson E, et al. Searching for Hidden Earthquakes in Southern California[J]. Science, 2019, 364(6442): 767-771 doi:  10.1126/science.aaw6888
    [4] Zhang M, Ellsworth W L, Beroza G C. Rapid Earthquake Association and Location[J]. Seismolo-gical Research Letters, 2019, 90(6): 2276-2284 doi:  10.1785/0220190052
    [5] Allen R V. Automatic Earthquake Recognition and Timing from Single Traces[J]. Bulletin of the Seismological Society of America, 1978, 68(5): 1521-1532 doi:  10.1785/BSSA0680051521
    [6] Gibbons S J, Ringdal F. The Detection of Low Magnitude Seismic Events Using Array-Based Waveform Correlation[J]. Geophysical Journal International, 2006, 165(1): 149-166 doi:  10.1111/j.1365-246X.2006.02865.x
    [7] Kong Q K, Trugman D T, Ross Z E, et al. Machine Learning in Seismology: Turning Data into Insights[J]. Seismological Research Letters, 2019, 90(1): 3-14 doi:  10.1785/0220180259
    [8] Bergen K J, Johnson P A, de Hoop M V, et al. Machine Learning for Data-Driven Discovery in Solid Earth Geoscience[J]. Science, 2019, 363(6433): eaau0323 doi:  10.1126/science.aau0323
    [9] 周聪, 曾祥芝, 袁静, 等. 利用深度自编码算法的地震脉冲信号检测方法[J]. 武汉大学学报·信息科学版, 2020, 45(7): 980-987 doi:  10.13203/j.whugis20180348

    Zhou Cong, Zeng Xiangzhi, Yuan Jing, et al. Earthquake Pulselike Records Detection Based on Deep Autoencoder[J]. Geomatics and Information Science of Wuhan University, 2020, 45(7): 980-987 doi:  10.13203/j.whugis20180348
    [10] Mousavi S M, Sheng Y X, Zhu W Q, et al. Stanford Earthquake Dataset (STEAD): A Global Data Set of Seismic Signals for AI[J]. IEEE Access, 2019, 7: 179464-179476 doi:  10.1109/ACCESS.2019.2947848
    [11] Zhao M, Xiao Z, Chen S. DiTing: A Large-Scale Chinese Seismic Benchmark Dataset for Artificial Intelligence in Seismology[J]. Earthquake Science. 2022, 35: 1-11 doi:  10.1016/j.eqs.2022.01.020
    [12] Ross Z E, Meier M A, Hauksson E, et al. Genera-lized Seismic Phase Detection with Deep Learning[J]. Bulletin of the Seismological Society of America, 2018, 108(5A): 2894-2901 doi:  10.1785/0120180080
    [13] Zhu W Q, Beroza G C. PhaseNet: A Deep-Neural-Network-Based Seismic Arrival-Time Picking Method[J]. Geophysical Journal International, 2018, 216(1): 261-273
    [14] Mousavi S M, Ellsworth W L, Zhu W Q, et al. Earthquake Transformer — An Attentive Deep-Learning Model for Simultaneous Earthquake Detection and Phase Picking[J]. Nature Communications, 2020, 11(1): 3952 doi:  10.1038/s41467-020-17591-w
    [15] Münchmeyer J, Woollam J, Rietbrock A, et al. Which Picker Fits my Data? A Quantitative Evaluation of Deep Learning Based Seismic Pickers[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(1): e23499
    [16] Jiang C, Fang L H, Fan L P, et al. Comparison of the Earthquake Detection Effects of PhaseNet and EQTransformer Considering the Yangbi and Maduo Earthquakes[J]. Earthquake Science, 2021, 34: 1-11
    [17] Kriegerowski M, Petersen G M, Vasyura-Bathke H, et al. A Deep Convolutional Neural Network for Localization of Clustered Earthquakes Based on Multistation Full Waveforms[J]. Seismological Research Letters, 2019, 90(2A): 510-516 doi:  10.1785/0220180320
    [18] van den Ende M, Ampuero J. Automated Seismic Source Characterisation Using Deep Graph Neural Networks[J]. Geophysical Research Letters, 2020, 47(17): e88690
    [19] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation[M]//Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015: 234-241
    [20] Goldberg D E, Melgar D, Sahakian V J, et al. Complex Rupture of an Immature Fault Zone: A Simultaneous Kinematic Model of the 2019 Ridgecrest, CA Earthquakes[J]. Geophysical Research Letters, 2020, 47(3): e86382
    [21] Feng Q C, Lees J M. Microseismicity, Stress, and Fracture in the Coso Geothermal Field, California[J]. Tectonophysics, 1998, 289(1/2/3): 221-238
    [22] 雷兴林, 苏金蓉, 王志伟. 四川盆地南部持续增长的地震活动及其与工业注水活动的关联[J]. 中国科学: 地球科学, 2020, 50(11): 1505-1532 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK202011001.htm

    Lei Xinglin, Su Jinrong, Wang Zhiwei. Growing Seismicity in the Sichuan Basin and Its Association with Industrial Activities[J]. Scientia Sinica (Terrae), 2020, 50(11): 1505-1532 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK202011001.htm
    [23] 易桂喜, 龙锋, 梁明剑, 等. 四川盆地荣县-威远-资中地区发震构造几何结构与构造变形特征: 基于震源机制解的认识和启示[J]. 地球物理学报, 2020, 63(9): 3275-3291 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX202009006.htm

    Yi Guixi, Long Feng, Liang Mingjian, et al. Geometry and Tectonic Deformation of Seismogenic Structures in the Rongxian-Weiyuan-Zizhong Region, Sichuan Basin: Insights from Focal Mechanism Solutions[J]. Chinese Journal of Geophysics, 2020, 63(9): 3275-3291 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX202009006.htm
  • [1] 吕亚飞, 熊伟, 张筱晗.  一种通用的跨模态遥感信息关联学习方法 . 武汉大学学报 ● 信息科学版, 2022, 47(11): 1887-1895. doi: 10.13203/j.whugis20200213
    [2] 邵振峰, 孙悦鸣, 席江波, 李岩.  智能优化学习的高空间分辨率遥感影像语义分割 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 234-241. doi: 10.13203/j.whugis20200640
    [3] 郭从洲, 李可, 李贺, 童晓冲, 王习文.  遥感图像质量等级分类的深度卷积神经网络方法 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1279-1286. doi: 10.13203/j.whugis20200292
    [4] 赵之若, 王少宇, 王心宇, 钟燕飞.  一种改进的火星车多光谱影像深度新颖目标探测方法 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1328-1335. doi: 10.13203/j.whugis20220119
    [5] 李彦胜, 张永军.  耦合知识图谱和深度学习的新一代遥感影像解译范式 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1176-1190. doi: 10.13203/j.whugis20210652
    [6] 陈行, 罗斌.  利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1716-1726. doi: 10.13203/j.whugis20200651
    [7] 季顺平, 罗冲, 刘瑾.  基于深度学习的立体影像密集匹配方法综述 . 武汉大学学报 ● 信息科学版, 2021, 46(2): 193-202. doi: 10.13203/j.whugis20200620
    [8] 张宇, 江鹏, 郭文飞, 张丹, 韩震.  一种利用两阶段学习模型的水下阵列定位方法 . 武汉大学学报 ● 信息科学版, 2021, 46(12): 1889-1899. doi: 10.13203/j.whugis20210466
    [9] 季顺平, 田思琦, 张驰.  利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 233-241. doi: 10.13203/j.whugis20180481
    [10] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1989-1996. doi: 10.13203/j.whugis20200159
    [11] 郭旦怀, 张鸣珂, 贾楠, 王彦棡.  融合深度学习技术的用户兴趣点推荐研究综述 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1890-1902. doi: 10.13203/j.whugis20200334
    [12] 巨袁臻, 许强, 金时超, 李为乐, 董秀军, 郭庆华.  使用深度学习方法实现黄土滑坡自动识别 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1747-1755. doi: 10.13203/j.whugis20200132
    [13] 徐江河, 张飞舟, 张立福, 邓楚博, 孙雪剑.  一种综合利用图像和光谱信息的物体真假模式识别方法 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1174-1181. doi: 10.13203/j.whugis20190139
    [14] 潘银, 邵振峰, 程涛, 贺蔚.  利用深度学习模型进行城市内涝影响分析 . 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
    [15] 邵振峰, 张源, 黄昕, 朱秀丽, 吴亮, 万波.  基于多源高分辨率遥感影像的2 m不透水面一张图提取 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1909-1915. doi: 10.13203/j.whugis20180196
    [16] 张兵.  遥感大数据时代与智能信息提取 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1861-1871. doi: 10.13203/j.whugis20180172
    [17] 瞿涛, 邓德祥, 刘慧, 邹炼, 刘弋锋.  多层独立子空间分析时空特征的人体行为识别方法 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 468-474. doi: 10.13203/j.whugis20140581
    [18] 樊恒, 徐俊, 邓勇, 向金海.  基于深度学习的人体行为识别 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
    [19] 赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜.  结合DCNN与短距条件随机场的遥感影像道路提取 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210464
    [20] 姜万冬, 席江波, 李振洪, 丁明涛, 杨立功, 谢大帅.  模拟困难样本的Mask R-CNN滑坡分割识别 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200692
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  351
  • HTML全文浏览量:  95
  • PDF下载量:  92
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-14
  • 刊出日期:  2022-06-05

深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估

doi: 10.13203/j.whugis20220197
    基金项目:

    国家自然科学基金 42130101

    国家自然科学基金 41721003

    国家自然科学基金 42074007

    作者简介:

    林学楷,硕士生,主要研究方向为人工智能地震学应用。xklin@whu.edu.cn

    通讯作者: 许才军,博士,教授。cjxu@sgg.whu.edu.cn
  • 中图分类号: P315

摘要: 随着地震台站数目的增加,以纯人工的分析方式拾取震相到时并编制地震目录难以满足地震目录实时自动化构建的要求。随着人工智能技术的发展,涌现出多个用于震相拾取的深度学习模型,为高分辨率地震目录的自动化构建提供了机遇,但这些模型在不同应用场景中的性能和适用性仍不明确。以2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列为例,对当前两种先进的震相拾取深度学习模型PhaseNet和EqT(含EqT1和EqT2两套参数)的性能及其构建的地震目录的完备性和准确性进行了测试和评估。结果表明,尽管PhaseNet和EqT最初是使用来自不同地区的数据集训练的,在跨区域应用时仍然能够取得良好的效果,到时拾取的精度可以达到十几个毫秒,与人工分析相当。EqT1即便采用低检测阈值,也能保持很高的查准率,误报少,所构建地震目录的准确性更好,但查全率有限,检测到的地震数量少于PhaseNet。PhaseNet的拾取效果随阈值选择的不同具有较大的弹性,采用中低阈值时具有较高的查全率,采用高阈值则可以达到与EqT1相当的查准率。与EqT1和PhaseNet相比,EqT2性能较差,不推荐使用。

English Abstract

林学楷, 许才军. 深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估[J]. 武汉大学学报 ● 信息科学版, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
引用本文: 林学楷, 许才军. 深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估[J]. 武汉大学学报 ● 信息科学版, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
LIN Xuekai, XU Caijun. Deep-Learning-Empowered Earthquake Catalog Building: Comparison and Evaluation of PhaseNet and EqT Models[J]. Geomatics and Information Science of Wuhan University, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
Citation: LIN Xuekai, XU Caijun. Deep-Learning-Empowered Earthquake Catalog Building: Comparison and Evaluation of PhaseNet and EqT Models[J]. Geomatics and Information Science of Wuhan University, 2022, 47(6): 855-865. doi: 10.13203/j.whugis20220197
  • 地震目录包含地震发生的时刻、位置和震级等最基本的震源信息,其中记录的地震序列的时空分布可以刻画发震断层的几何形态[1]。此外,地震目录也是诱发地震监测[2]以及区域地震活动性分析[3]的基础观测资料。利用地震台站记录的地震波数据对区域地震活动进行监测并构建地震目录通常包括地震事件检测与震相拾取、震相关联及地震定位等步骤[24],其中拾取震相到时的数量和精度是决定地震目录质量的关键。过去,震相识别与到时拾取工作一般由分析人员通过对地震图的观察人工完成。随着地震台网密度的不断增加,纯人工的分析方式越来越难以跟上地震数据积累的速度,也无法满足地震目录实时自动化构建的要求。因此,开发高效的震相自动识别与拾取算法一直是地震学的一项重要研究内容,并在近几十年来取得了诸多进展。

    在连续地震波数据上自动进行地震检测与震相拾取可以通过寻找变化和发现相似两种途径实现,震相自动拾取算法也相应地分为两类[2]。长短时窗平均比法[5]和模板匹配滤波法[6]分别是这两类方法的典型代表,但两者均存在不足。前者易受信噪比的影响及其他非地震脉冲信号的干扰,因此在近震台站对S波的拾取能力十分有限。后者的检测效果在很大程度上依赖用于匹配的模板数量,在缺少历史地震观测资料的区域或新布设的台站效果欠佳;此外,这类方法通常需要在空间和时间上进行详尽的搜索,计算开销很大,无法实时运行。

    近年来,随着计算机软硬件技术的发展以及海量历史观测资料的积累,深度学习技术在包括地震学在内的固体地球科学中的应用日益广泛[7-9]。基于深度学习的地震事件检测和震相拾取由于其问题定义明确并且积累了大量人工标注的历史数据[10-11],成为其中发展最快的研究领域。深度学习模型能够通过对历史标注数据的学习,获得直接从原始地震波观测资料中提取相关特征的能力,而无需人工挑选特征,因此几乎不需要对数据进行额外的预处理。训练好的深度学习模型能够提取地震图上不同震相到来时波形变化的一般特征,从而对震相到来前后的地震图进行分割,实现震相拾取。利用深度学习进行地震检测和震相拾取具有自动化程度高、速度快等优势,在实时地震监测及地震目录构建等领域具有广阔的应用前景。

    目前,已经有多种采用不同拓扑结构、经不同数据集训练的深度学习模型被开发出来以完成震相识别与拾取任务[12-14],由于采用的数据集以及模型评估指标有所差异,对不同模型的性能及适用性的比较和分析还不充分。文献[15]比较了6个深度学习模型在不同基准数据集上的震相识别与到时拾取效果,检验了这些模型在跨区域应用时的泛化能力。文献[16]测试了PhaseNet和EqT模型在2021年漾濞和玛多地震应用时的震相拾取性能。前述研究中的对比测试只关注了深度学习模型在震相拾取这单一环节中的效果,没有进一步对基于这些模型构建的地震目录的完备性和准确性进行分析,对这些模型在整个地震目录构建流程中的应用效果尚缺乏全面的认识。

    斯坦福大学开发的PhaseNet[13]和EqT[14]模型采用了较为先进的模型结构,能够准确、高效地从连续波形资料中拾取P波和S波到时,得到了广泛的关注和初步的应用。本文利用这两个深度学习模型,构建2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列的地震目录,并对这两个模型的震相拾取性能及最终所构建地震目录的完备性和准确性进行测试和评估,为相应模型在其他震例中的应用以及基于深度学习的地震监测系统的开发提供参考。

    • 当前深度学习技术在地震目录自动化构建流程中的主要作用是实现高效的震相自动拾取,虽然也有一些利用单台或多台地震波记录直接进行地震定位和震级估计的深度学习模型[17-18],但其有效性和定位精度尚未得到充分验证。因此先利用深度学习拾取震相到时,再根据到时观测结合传统地震定位算法确定地震位置,仍是利用深度学习构建地震目录的主要实现途径。

      完整的深度学习驱动的地震目录构建流程包括利用深度学习拾取震相到时、震相关联、地震定位(绝对定位和相对定位)以及震级估计等步骤,其核心是利用深度学习算法在各个台站的连续波形数据上自动拾取震相到时,再将所有单个台站的拾取结果关联到同一个地震上。大多数震相关联算法都采用反投影的原理,即先对感兴趣的区域进行网格划分,在其中的每个格点对暂定可能的震相进行检核,查看是否有一些子集能够反推到一个相同的震源,因此在震相关联的过程中可以筛除一些错误拾取的震相,并对地震进行初步的定位。在获得关联好的震相文件后,可以根据各地震在不同台站的震相到时信息,利用绝对定位和相对定位方法确定地震的位置,并根据波形中的振幅信息来估算地震的震级,形成最终的地震目录。

    • 深度学习是通过深层神经网络来解决分类和回归等问题的机器学习算法,通过在海量数据集上的训练和学习,捕获输入和输出之间复杂的非线性映射关系。深度学习拾取震相到时的流程如图 1所示。用于震相拾取的深度学习模型试图建立输入的三通道地震波数据与震相到时之间的映射关系。目前开发的用于震相到时拾取的深度学习模型虽然在结构细节上有所不同,但设计思路大体一致,首先通过多个连续的卷积层构成编码器,从原始波形中提取不同层次的相关特征,然后利用多层感知机或解码器将提取的特征转换为以某种形式表示的震相到时信息。

      图  1  深度学习拾取震相到时的流程

      Figure 1.  Flowchart of Seismic Phase Picking by Deep Learning Method

      PhaseNet[13]和EqT[14]模型能够端到端地将输入的地震波数据映射为P波和S波到时的概率序列,从而实现震相到时拾取。两个模型所采用的结构以及训练数据均有所不同,其主要信息见表 1

      表 1  PhaseNet和EqT模型的基本信息

      Table 1.  General Information of the PhaseNet and EqT

      模型 结构特色 参数数量 训练集来源 训练样本数 输入时长 输入采样率/Hz 预处理
      PhaseNet[13] U-Net 23 305 北加州 约62万 任意长度 100 自定义高通滤波
      EqT[14] 注意力机制 376 935 全球 约120万 60 s 100 1~45 Hz带通滤波

      PhaseNet的结构借鉴了最初用于生物医学影像分割的U-Net模型[19],并对其进行了一定的修改,以便处理地震波这类一维时序数据。需要注意的是,尽管输入的是整段波形的数据,PhaseNet并没有全局连接,其有效的接收域只有约4 s,即PhaseNet每次进行震相拾取仅基于输入数据中相对较短的一段局部信息。PhaseNet支持多种格式的输入,并且在拾取前可以自定义地对原始波形进行高通滤波。

      EqT模型是基于注意力机制设计的,可以同时完成地震事件检测及P波和S波拾取多个任务。EqT以滑动窗口的形式实现在连续波形上的事件检测与震相拾取,默认对输入波形进行1~45 Hz的带通滤波预处理。EqT包含一个很深的编码器和3个独立的解码器,这3个解码器将输入波形分别映射为与输入波形长度相同的3个概率序列,分别用于表示每个采样点是地震事件、P波到时以及S波到时的概率。EqT模型的开发者提供了两套训练好的模型参数,分别为EqT_model.h5和EqT_model2.h5,对应模型分别为EqT1和EqT2。由于是采用不同训练策略得到的,这两套参数模型具有不同的震相拾取效果,EqT1模型旨在减少误检,而EqT2模型旨在减少漏报,以检测到尽可能多的地震。

    • 震相拾取任务可以视为二分类问题,以有地震信号且标记有相应P波或S波的事件样本为正例,以噪声样本和缺少某个震相标记的事件样本为负例。对于正例样本,如果模型拾取的震相到时与标记值之间的差异在0.5 s以内,则记其为真正例(true positive,TP),反之记为假负例(false negative,FN);对于负例样本,如果模型没有错误地识别出震相,则记其为真负例(true negative,TN),反之记为假正例(false positive,FP)。分别用NTPNFNNTN以及NFP表示4类样本的数量,在每次利用模型进行震相拾取之后计算查准率P及查全率R,对模型的误报和漏检情况进行评估。查准率P又称精度,反映模型拾取震相的准确性;假正例率RFP又称虚警率,反映模型误报情况;查全率R又称召回率或真正例率,反映模型漏检情况,其计算式分别为:

      P=NTPNTP+NFP×100%
      RFP=NFPNFP+NTN×100%
      R=NTPNTP+NFN×100%

      通常还会计算PR的调和平均值,即F1得分,来综合考虑模型的误报和漏检情况,以便更好地反映模型的整体性能,计算式为:

      F1=2PR/P+R

      在深度学习驱动的地震目录构建流程中,震相关联和地震定位可以对深度学习拾取的震相到时及关联到的地震进行一定的筛选。因此关联后的到时数占所有拾取震相到时的比例以及最终被定位的地震数量占关联出的所有地震的比例也能够在某种程度上反映模型震相拾取的准确率。此外,本文还将根据测试集中深度学习模型给出的震相到时与人工拾取的参考到时之间的残差,对模型的震相到时拾取精度进行评估。

      在评估所构建地震目录的完备性和准确性时,由于实际地震目录都是采用不同的算法以及特定的超参数获得的,每个目录都可能包含FP和FN,因此难以直接在不同目录之间进行比较。本文采用交叉验证的方式对不同目录的完备性和准确性进行分析,即每次假定一个目录为基准目录,计算其他目录相对该基准目录的性能评估指标。在对地震目录的评估中,将测试目录与基准目录中地震事件发震时刻相差5 s以内的事件视为TP,反之则为FP,而基准目录中未被检测到的事件则视为FN。值得注意的是,在对地震目录的测试中无法定义属于TN的事件,但这并不影响PRF1等指标的计算。在交叉验证中得到的指标更多反映的是不同目录间相对的完备性和准确性,即不同目录间的一致性,而非目录本身的完备性和准确性。

    • 2019年7月美国加利福尼亚州Ridgecrest附近发生了一系列破坏性地震,其中包括发生于2019-07-04T17:33:49的Mw 6.4前震和发生于2019-07-06T03:19:53(约34 h之后)的Mw 7.1主震。根据南加州地震数据中心(Southern California Earthquake Data Center,SCEDC)提供的地震目录及相关研究[20],该地震序列发生在东加州剪切带(eastern California shear zone,ECSZ)此前未探明且尚未发育成熟的复杂断层系统上。ECSZ位于太平洋板块与北美板块交界的圣安德烈斯断层以东,受一系列NW-SE向右旋走滑断层及NE-SW向左旋走滑断层的控制,容纳了太平洋-北美板块间相对运动的近1/4[20]。有历史记录以来,该区域地震活动频繁,也具有很高的强震危险性,因此布设有密集的地震台站,这为测试新开发的数据处理及建模算法提供了有利条件。ECSZ构造环境及台站分布如图 2所示。

      图  2  ECSZ构造环境及台站分布

      Figure 2.  Tectonic Setting and Station Distribution of ECSZ

      以2019年Ridgecrest地震序列的地震目录构建为例,测试PhaseNet和EqT模型在震相拾取时的效果,并对通过这两种模型构建的地震目录进行分析评估。本文收集了2019-07-01—2019-07-15该区域位于Mw 7.1主震震中150 km以内的87个地震台站的连续波形数据。

    • 在正式构建Ridgecrest地震序列的地震目录之前,先利用该区域2019-06-20—2019-06-30的数据构建测试集,对两种模型的3套权重参数的震相拾取性能进行测试,并据此在后续地震目录构建中为这些模型选取合适的阈值参数。为此,从SCEDC获取了39个台站(图 2)这一时期记录的连续波形数据及人工编制的震相文件,并对部分缺失P波或S波到时的事件手工拾取到时进行补全,最终制作了包含984个地震事件的测试集,其中每个测试事件波形的长度为60 s,采样率为100 Hz。为了平衡测试集中正负样本的比例,还随机截取了984条噪声记录添加到测试集中。

      本文比较了PhaseNet、EqT1和EqT2模型在拾取P波和S波时PRF1随阈值变化的情况,并根据测试结果绘制了3个模型的受试者工作特征(receiver operating characteristic,ROC)曲线(图 3)。ROC曲线上的每个点反映了某一模型在特定阈值下的灵敏性和准确性。从图 3可以看出,EqT1对P波和S波在很大的阈值范围内都保持了 > 95%的高查准率。即便采用0.05这样的低阈值,EqT1的RFP也没有明显增长,此时对P波的查准率为96.9%,对S波的查准率为98.0%。EqT1的查全率在3个模型中是最低的,在阈值为0.05时,对P波和S波的查全率分别为76.8%和73.9%,比文献[14]中最初报告的查全率降低了约20%。PhaseNet的拾取效果则会更多地受到阈值选择的影响,当阈值达到0.8时,可以获得与EqT1相近的查准率,对P波为96.3%,对S波为97.0%。此外,PhaseNet在3个模型中具有最高的查全率,采用≤0.5的中低阈值时,对P波和S波的查全率都维持在约90%,因此在实际应用中能够识别出更多的地震信号。PhaseNet由于在很大的阈值范围内都具有较高的查准率和查全率,因此从F1得分(约为85%~91%)以及ROC曲线来看,PhaseNet模型的综合性能要优于EqT1和EqT2,特别是其查准率与查全率都完全压制了EqT2模型。

      图  3  PhaseNet、EqT1和EqT2模型在Ridgecrest测试集上的震相拾取性能

      Figure 3.  Seismic Phase Picking Performance of PhaseNet, EqT1 and EqT2 Models Within the Ridgecrest Dataset

      根据PhaseNet、EqT1和EqT2模型在测试集上的F1得分和ROC曲线,为这3个模型选取拾取P波和S波的阈值,并在图 3(g)3(h)中进行了相应的标注。本文还比较了3种模型在该阈值设置下拾取震相到时的精度,图 4中的统计直方图展示了3种模型拾取到时的残差分布。对于P波,PhaseNet、EqT1以及EqT2模型的到时残差均值分别为0.012 s、-0.019 s、-0.018 s,残差的标准差分别为0.120 s、0.122 s、0.141 s;对于S波,3个模型的到时残差均值分别为0.021 s、-0.006 s、-0.006 s,残差的标准差分别为0.173 s、0.169 s、0.165 s。相较模型原始文献[13-14]中的测试结果,PhaseNet与其报告的精度相当,EqT1则有所降低。另外,可以注意到EqT的两套参数都对S波具有更高的到时拾取精度,甚至优于其自身拾取P波到时的精度。

      图  4  PhaseNet、EqT1和EqT2模型在Ridgecrest测试集上的拾取到时残差

      Figure 4.  Arrival Picking Residuals of PhaseNet, EqT1 and EqT2 Models Within the Ridgecrest Dataset

      测试结果表明,PhaseNet在3个模型中表现出最高的查全率和F1得分,而EqT1在绝大多数阈值设置下都具有最高的查准率。由于EqT2模型从各个技术指标来看,相较于PhaseNet和EqT1均处于劣势,后续在构建地震目录及评估的过程中将不涉及EqT2模型,并在不引起混淆的情况下,直接用EqT代称EqT1模型。

    • 在震相拾取性能测试的基础上,利用PhaseNet和EqT模型拾取震相到时并构建Ridgecrest地震序列的地震目录。首先采用前述阈值设置,分别利用这两个模型在87个台站记录的连续波形上进行震相到时拾取,拾取的震相到时经震相关联后用于地震定位。由于该地区台站密集,为了增加结果的可靠性,本文在关联时设置了较为严格的关联条件,要求关联到的地震事件至少包含15个观测震相,否则将会被舍弃。分别使用HypoInverse和HypoDD地震定位程序对关联得到的地震事件进行绝对定位和相对定位。地震定位过程中采用文献[21]提供的速度模型,并根据震级-振幅关系估算这些检测到的地震的震级。PhaseNet和EqT模型的震相拾取及地震定位结果见表 2。由表 2可以看出,PhaseNet目录中的地震数较EqT目录增加了54.3%,具有更小的最小完备震级(the complete magnitude,Mc)。然而,PhaseNet目录中的地震数目占所有关联出地震事件的比例较EqT目录更低,表明其拾取震相的准确率较低。

      表 2  PhaseNet和EqT模型对Ridgecrest地震序列的震相拾取及地震定位结果

      Table 2.  Seismic Phase Picking and Earthquake Location of PhaseNet and EqT for the Ridgecrest Earthquake Sequence

      模型 震相拾取 震相关联和地震定位 最小完备震级
      震相 拾取震相数 关联后的到时数 比例/% 关联事件数 成功定位事件数 比例/%
      PhaseNet P波 1 260 971 1 013 411 80.4 38 217 15 599 40.8 1.1
      S波 1 499 710 1 138 523 75.9
      EqT P波 641 449 456 190 71.1 18 445 10 108 54.8 1.6
      S波 664 182 455 374 68.6

      本文采用交叉验证的方式对通过PhaseNet和EqT模型获得的Ridgecrest地震序列目录的完备性和准确性进行了评估,同时引入从SCEDC获取的人工目录(为了公平对比,只选取观测震相数 > 15的地震,包含13 347个事件,Mc=1.5)以及文献[1]中通过模板匹配方法构建的目录(包含41 700个事件,Mc=0.9)作为外部参考。4套地震目录的交叉验证结果见表 3

      表 3  Ridgecrest序列地震目录之间的交叉验证/%

      Table 3.  Cross-Validation Among Catalogs of the Ridgecrest Earthquake Sequence /%

      测试目录 评估指标 基准目录
      SCEDC EqT Phase Net 文献[1]
      SCEDC P 100 59 74 97
      R 100 78 63 31
      F1 100 67 68 47
      EqT P 85 100 97 94
      R 64 100 63 23
      F1 73 100 76 37
      PhaseNet P 62 57 100 87
      R 72 88 100 33
      F1 67 69 100 47
      文献[1] P 31 24 33 100
      R 97 98 88 100
      F1 47 38 48 100

      表 3可以看出,各地震目录的相对查准率与查全率主要与目录中地震事件的数量有关,一般而言,包含事件多的目录查全率高,但查准率低。整体来看,在两套深度学习目录中,EqT目录具有更高的查准率,而PhaseNet目录具有更高的查全率,这与§2.2中震相拾取测试的结果相符。SCEDC人工目录的地震数量介于两套深度学习目录之间,而文献[1]中模板匹配目录的地震数约是PhaseNet目录的2.7倍,EqT目录的4.1倍,具有最高的查全率。EqT和PhaseNet目录相对SCEDC目录的查准率分别为85%和62%,但相对文献[1]中目录的查准率则分别提高到94%和87%,表明两套深度学习目录中不存在于SCEDC目录中的地震事件大多数都是真实的地震。

      图 5显示了PhaseNet和EqT检测到的地震事件经精定位后在水平面上的分布。从图 5中可以看出,两种模型都检测到了大量的微小地震,EqT目录和PhaseNet目录都能清晰地刻画出Ridgecrest地震序列的时空分布及演化特征,并勾勒发震断层的几何形态。通过两种模型获得的结果都显示,2019年7月1日—4日Mw 6.4前震发生前2 h,该区域的地震活动并不显著,特别是在前震震中附近几乎没有地震活动,但从前震发生前约2 h起,Mw 6.4前震震中附近的地震活动开始增强(图 5(b)中黑色圆圈),直到Mw 6.4前震发生时,EqT共检测到9个前震,PhaseNet则检测到了16个前震,在一定程度上反映了Mw 6.4前震的成核过程。相关的研究结果表明[20],Mw 6.4前震是沿着NE-SW向断层破裂的左旋走滑事件,主要滑动分布也集中在这一走向的断层上。然而,在两套地震目录中都可以看到,Mw 6.4前震及Mw 7.1主震之间的地震在水平方向上不但沿着Mw 6.4前震NE向的发震断层展布,还使得与此断层垂直的NW向断层发生破裂,呈现出一种“L”形的分布(图 5(c)),NW向断层上的地震活动从Mw 6.4前震的震中附近一直向西北延伸到Mw 7.1主震的震中附近。

      图  5  EqT和PhaseNet获得的Ridgecrest地震序列位置

      Figure 5.  Locations of the Ridgecrest Earthquake Sequence Obtained by EqT and PhaseNet

      Mw 7.1主震发生后的余震活动主要沿NW-SE向的主震发震断层展布,从主震起始破裂位置向东南延伸到加洛克断层,向西北延伸约23 km到Coso地热区附近(图 5(d)中红色圆圈),并跨过Coso地热区继续向西北延续了约18 km。此外,还可以看到Mw 7.1主震之后,除了沿NW向断层分布的余震外,在两次强震震中附近还存在多条与主断层正交的NE向次级断层,表明Ridgecrest序列孕育发生于复杂的断层系统。

    • 四川盆地位于青藏高原以东,以龙门山断裂带为界与青藏高原相隔,在长期的沉积作用下,天然气、页岩气资源丰富,是中国主要的油气产地之一。与发生了汶川地震、九寨沟地震等破坏性强震且地震活动频繁的龙门山断裂带不同,四川盆地处于稳定的华南地块的西北部,构造活动并不活跃。然而由于近年来对盆地内页岩气资源的开发利用,特别是2015年起进行的规模化水力压裂开采,四川盆地西南部的长宁、威远等地的地震活动性显著增强[22]。威远背斜南缘的页岩气田周围分别于2019-02-25和2019-09-08发生了Ms 4.9和Ms 5.4地震,并产生了多个M > 3的余震。

      威远页岩气田是四川盆地西南部的主要气藏之一,目前还维持着较高的生产潜力,该页岩气田属于大型背斜穹窿构造,位于乐山-龙女寺古隆起的东南坡和早寒武纪绵阳-长宁克拉通凹陷的西侧。为加强对四川盆地西南部地震活动的监测,2019-02-25威远Ms 4.9地震后,四川省地震局在自贡、宜宾等地原有固定台站的基础上,在威远及邻近地区新布设了20余个地震台站,该区域台站数达到33个,为开展深度学习驱动的地震监测及地震目录构建提供了宝贵的观测资料。威远地区构造环境及台站分布如图 6所示。

      图  6  威远地区构造环境及台站分布

      Figure 6.  Tectonic Setting and Station Distribution in Weiyuan

    • 分别利用PhaseNet和EqT模型对该区域33个地震台站2019-09-05—2019-09-14的地震波数据进行震相自动拾取。拾取的震相到时经震相关联、地震定位和震级估计后,用于构建2019年四川威远Ms 5.4地震序列的地震目录。此过程中PhaseNet和EqT的震相拾取情况及最终获得的地震目录信息见表 4表 5给出了两个深度学习目录及四川省地震局提供的人工目录(选取拾取到至少5个震相的地震事件,包含1 326个地震,Mc=0.8)之间的交叉验证结果。与人工目录相比,两个深度学习目录均检测到了更多的地震,其中查全率更高的PhaseNet目录包含的地震数量是人工目录的3倍多,并将Mc从0.8降至0.3。

      表 4  PhaseNet和EqT模型对威远Ms 5.4地震序列的震相拾取及地震定位结果

      Table 4.  Seismic Phase Picking and Earthquake Location of PhaseNet and EqT for the Weiyuan Ms 5.4 Earthquake Sequence

      模型 震相拾取 震相关联和地震定位 最小完备震级
      震相 拾取震相数 关联后的到时数 比例/% 关联事件数 成功定位事件数 比例/%
      PhaseNet P波 98 103 66 853 68.1 10 802 4 268 39.5 0.3
      S波 92 455 62 142 67.2
      EqT P波 35 233 20 421 58.0 2 674 2 008 75.0 0.6
      S波 33 833 19 507 57.7

      表 5  2019年威远Ms 5.4地震序列之间的交叉验证/%

      Table 5.  Cross-Validation Among Catalogs of the 2019 Weiyuan Ms 5.4 Earthquake Sequence /%

      测试目录 评估指标 基准目录
      人工目录 EqT PhaseNet
      人工目录 P 100 79 89
      R 100 52 28
      F1 100 63 42
      EqT P 51 100 95
      R 77 100 45
      F1 61 100 61
      PhaseNet P 29 44 100
      R 92 92 100
      F1 44 59 100

      基于EqT和PhaseNet拾取的震相到时获得的2019年威远Ms 5.4地震序列的空间分布如图 7所示,其中图7(c)~7(f)为两个模型获得的地震在沿走向剖面AA'和垂直走向剖面BB'的投影。由表 4表 5图 7可以看出,利用PhaseNet拾取震相可以得到更完备的地震目录,但也存在更多误拾,PhaseNet目录中最终得到定位的地震数仅占关联出地震总数的39.5%,因此也带来更多错误的虚假地震事件。即便经过了简单的震相关联和地震定位筛选,获得的相对定位目录中仍包含大量分布离散的事件。同时,这两套目录都反映出2019-09-08威远Ms 5.4主震发生后,震中附近及其邻区出现了地震活动性的显著增强,形成了多个地震事件簇,其中以Ms 5.4主震破裂位置附近沿NE向分布的地震簇及其西南方约20 km处沿NNW向展布的地震簇最为显著。主震周围的余震分布表明发震断层大致呈NE-SW向,通过垂直走向的BB'剖面上地震的分布,可以看出断层倾向SE,倾角约35°,与文献[23]中通过反演获得的震源机制基本一致。

      图  7  EqT和PhaseNet获得的威远Ms 5.4地震序列位置

      Figure 7.  Locations of the Weiyuan Ms 5.4 Earthquake Sequence Obtained by EqT and PhaseNet

    • PhaseNet和EqT虽然分别是采用来自美国北加州和包含全球不同区域数据的STEAD数据集训练得到的,但在应用于美国南加州的Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列时都取得了理想的效果。一方面,通过两种模型获得的地震目录都能勾勒出地震序列发展演化的细节特征;另一方面,PhaseNet和EqT即使没有经过迁移学习,震相到时拾取的精度仍然能达到与人工分析相当的十几个毫秒。因此,利用训练完成的深度学习模型自动拾取震相到时并构建地震目录,有助于更好地刻画发震断层的形态并了解地震的发震机理。

      从测试结果中可以看出,不同区域速度结构及不同地震类型导致的波形细节差异,仍然会引起模型在跨区域应用时性能的变化。在Ridgecrest震例中对震相拾取性能进行测试时,PhaseNet的到时拾取精度与文献[13]中最初报告的精度相当,而EqT相较文献[14]则有所降低。可能的原因之一是用于PhaseNet训练的北加州数据集与本文中构建的南加州测试集的特征更为相似。此外,还可以看到,尽管在构建威远Ms 5.4地震序列地震目录的过程中,在震相关联时对震相数量的要求相较Ridgecrest地震序列更低,但从关联后筛选出的震相到时占拾取震相总数的比例来看,两种模型在四川盆地应用时的拾取准确率都较在南加州地区应用时要低。这一比例降低的主要原因是四川盆地与两种模型的训练集来源地具有更大的地质构造差异以及主要地震类型的不同。因此,将已经训练好的模型应用于其他研究区域时,如果能够获得目标区域的历史标注数据,采用迁移学习的策略对模型权重参数进行重新训练将会带来更好的检测和拾取效果。

      利用PhaseNet和EqT模型进行震相识别与到时拾取时,它们在查准率与查全率上表现出不同的特点。EqT1具有更高的查准率,误报少,即便在低阈值时也是如此。PhaseNet的性能对阈值变化更加敏感,通过设定不同的阈值,可以实现不同的拾取效果:采用中低阈值,PhaseNet呈现出较高的查全率,采用高阈值则可以达到与EqT1相当的查准率。基于模型在测试中表现出的特点,给出如下建议:

      1)EqT1用于地震预警或自动速报等不需要过多关注小震级地震,同时对拾取准确性有严格要求的场景。在实际使用时建议采用0.05或0.1这样的低阈值,可以在不显著牺牲查准率的基础上检测到更多的地震。此外,后续可以结合模板匹配方法进一步扩充通过EqT1获得的地震目录。

      2)PhaseNet的性能具有较大的弹性,故PhaseNet的应用场景可以更加多元。但需要注意的是,对于连续波形数据,其噪声信号的比例要数倍于地震信号,因此在实际应用中模型表现出的查准率可能低于在§2.2及其他类似研究中的模型测试结果。为此可能需要在一般测试获得的最佳阈值的基础上适当提高所选用的阈值,或者采用更加精确的震相关联与定位算法进行弥补。

      3)EqT2模型的查准率和查全率均弱于PhaseNet和EqT1模型,不推荐使用。

    • 本文利用新近发展起来的用于地震检测和震相拾取的深度学习模型PhaseNet和EqT构建了2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列的地震目录,并对这两个模型的震相拾取性能以及所构建地震目录的完备性和准确性进行了测试和评估。尽管这两个模型的原始版本是采用各自的数据集进行训练的,在应用于南加州和威远地区时都取得了理想的效果。通过深度学习所构建的地震目录记录了地震发生前后,地震活动的迁移演化过程以及发震断层的几何形态。深度学习驱动的地震目录构建流程使得地震监测和地震活动性分析可以更加高效便利。

      EqT和PhaseNet模型在震相拾取时具有明显的性能差异。在三套模型参数中,EqT1模型具有最高的查准率,可以获得准确性更高的地震目录,在实际使用时,使用较低的阈值可以在不显著牺牲查准率的情况下,检测到更多地震。PhaseNet的性能具有很好的弹性,在不同阈值设置下可以实现不同的震相拾取效果:采用中低阈值时具有较高的查全率,能够识别出更多的小震;采用更高的阈值则可以提高模型的查准率。而EqT2相较于另外两套模型不具有明显优势。

参考文献 (23)

目录

    /

    返回文章
    返回