天然地震與人工爆破特征識別研究綜述＊

唐婷婷 余 思 陳江貽

（江西省地震局，南昌 330039）

引言

非天然地震事件主要包括爆破、塌陷、礦震、核試驗等，其中爆破是非天然地震事件中記錄最多的事件類型。小震級天然地震與小當量礦山爆破波形相似，地震監測工作人員直接依據記錄到的波形很容易產生誤報現象，影響地震速報時間、速報精度、地震編目以及天然地震的監測預警。因此，地震類型的識別具有十分重要的科學意義和現實意義，如何快速正確區分天然地震和人工爆破成為亟待解決的問題。

自20世紀50年代以來，多種地震與爆破的識別特征、特征提取和識別方法等相繼提出并得到廣泛研究，地震事件識別精度持續提升。地震事件識別主要包括3個基本步驟，即地震事件信號預處理、地震特征提取與地震事件分類（圖1）。其中地震事件波形特征提取是地震事件分類識別的關鍵步驟，通過特征提取得到表達能力強、抗噪能力好的有效特征仍然是地震信號處理領域的研究難點和熱點之一。

圖1 地震事件識別的主要步驟Fig. 1 The main procedures of earthquake identification

1 地震事件識別特征

目前，針對如何識別天然地震與人工爆破的特征很多，如發震時間、地點，初動方向等。現將所有常用特征及其適用性進行系統總結如下（表1）。實際應用中，依靠單項特征判別地震與爆破識別速度快，而根據研究區域事件數據特點及處理數據所用算法篩選合適的多個特征共同組合成適合該區域的綜合識別特征，其涵蓋的信息更為豐富，更有利于提高地震與爆破識別的準確性。

2 地震事件特征提取方法

人工爆破與天然地震識別方法一般要從原始地震數據中提取特征，再將這些提取的特征以特征量的形式輸入到分類器進行地震事件類型分類。特征提取方法作為地震事件人工智能識別的核心內容得到快速發展，地震事件倒譜域、時間域、頻率域等有效特征提取方法不斷拓展，主要包括倒譜分析、傅里葉變換、小波變換和希爾伯特-黃變換。

2.1 基于倒譜分析的特征提取法

倒譜是對數倒頻率譜的簡稱，用來描述地震和爆破引起的地震回波，可用下面的式子來表示：

具體計算過程如圖2所示。Bogert等[1]最早提出基于倒譜分析的天然地震與人工爆破識別方法。該方法通過對大量天然地震與人工爆破的地震記錄實施倒譜分析，提取事件的倒譜參量C，根據天然地震C值大，人工爆破C值小進行識別[2-3]。陳銀燕[4]將語音識別的方法運用到天然地震和人工爆破識別中，從地震與爆破波形中提取美爾倒譜系數（簡稱MFCC）特征和線性預測倒譜系數特征（簡稱LPCC）識別事件類型，實驗結果表明，該特征具有一定的可行性和有效性。

圖2 倒譜計算過程Fig. 2 Cepstral calculating process

2.2 基于傅里葉變換的特征提取法

傅里葉變換是時頻分析的基礎，在時頻分析研究中得到廣泛應用。傅里葉變換可以得到信號對應的頻譜，但完全丟失時間信息，因此，為了反映地震事件信號的時變特征，一般采用短時傅里葉變換得到地震事件信號頻率隨時間的變化情況[5]。短時傅里葉的基本思想是用一個固定長度的窗函數對信號進行截取，并對窗函數內的信號進行傅里葉變換，即可得到該時刻該段信號的傅里葉變換。通過窗函數在整個時間軸上的平移，最終得到不同時刻的傅里葉變換，即信號頻率分布隨時間的變化關系。其基本運算公式如下：

式中，ω（n－m）為采用的時間窗，n為時間點，ω為頻率點，m為變換參數。

常見的窗函數主要包括：矩形窗、三角窗、海明窗和高斯窗。因海明窗計算迅速且第一旁瓣相對主瓣衰減更快，能量集中在主瓣可減小頻率泄露，因此，一般選擇海明窗作為窗函數對地震事件信號進行時頻計算。崔鑫等[6]、榮偉健等[7]、高家乙等[8]利用短時傅里葉變換發現天然地震的時頻呈現“多峰”特征，人工爆破則相對“少峰”，天然地震的時頻峰值分布在較寬的頻率范圍內，人工爆破的峰值則分布在低頻的狹窄范圍內。

2.3 基于小波變換的特征提取法

令L2（R）表示定義在實軸上、可測的平方可積函數空間，對于任意信號f（t）∈L2（R）的連續小波變換為：

獻文考[9-11]參[12-13][14-20][18, 20][11, 18]、間不孤定進徑等初P波因動工時波上一法路人破面量段有方播構錄破與爆的定結記爆金傳波，具況質形工于里弱法震情點應息生波介波人地的缺限區局地產利，無相信克，減球分分然等圍定破瑞據用量過正，部天相范固爆的場全判利測性通校響、地，部下于級助要的限要徑影級響晰向用震用點近完輔主點局需路異震影清動適破適地①是②①立的②行差受素不初只爆、地倍性間便了了大特了時方點明明級放率 明續觀觀優震的觀觀持直小儀、頻響直直 直波取 減震數影尾量：育破發爆、，P 波向能方可動震值間間機長地工閾布初，也不時人然波時隨征優分量上續特天面震點發地震震最限分向持與破別利地地到象直能下波震爆識瑞然然得 有垂可向尾地工用具地場有面態天天算＞動然人常常破石往利計＞天＞狀破破據短（△≤100 km）的震初破往瑞破爆采通間同地爆般；工后的波爆爆數量時相然工爆一性人，如之期弦工工本分續級天人工間律分定正據直上持震與人時規部固S波周大，呈波根臺垂向波波震①有②點在較波的 Pc/Sm：人可Pm/Sm：人樣 近P波向方尾體 地然位比記斷 1 天方值臺判Table 1 The common characteristics for earthquake and explosion identification站幅各動的、臺S波的后比初間表徑與正值過時路、傳，P波校幅通續法法持方播減的波理衰錄尾處響距記：；0，無站據小影中=臺數則；震為臺數大的破源距震值比各臺過均值的準爆地記錄震中后據≥80%，向向的記弱震經平幅正判上動各用術S波校初動晰1，偏下動減及向初向初中型件采算與減動動晰－1，偏間于類事了以般的為角一錄P波 ∑衰P波初清為初清 ① 記 ②≥50%，為處件 記③事一均每平和比和比大聲幅幅幅幅律最噪振振振振征規動大大大（從近接特點）初最最最間到）體向時始段具、地間波Rg波面P波S波（Pc/Sm）P波S波（Pm/Sm）方續開間時期型動持幅時震周利水平分量振幅比初波振的發短（瑞 P波尾S波平水數參征事件波形直觀特征特

1 表獻續文考29-30][9, 31][32, 34-35][32, 34-35]參[2-4, 21][22-23][22, 24][6-8, 25-28][18-19, [32-35]介通大播性徑，具要較傳勻路性需量線均播關響數作射非傳相影雜的的點的定距函，工復間質缺效中基證算站介有式一性震取驗計臺球理模在限存局受選法到地合減級定換方源和賴衰震一變驗波實震徑響依質與有小過受路影信寬據閾例帶數優析點波波本最分優全濾樣到用，對感據得量敏根算，定使號不可計值1同0.3 s ，破區破定震布C＞爆約頻爆穩地分量工期高慢工不然值參人破周于減人震率破震震破天峰譜與爆越卓處衰＞地頻爆地地爆多倒震工均般量震然時工然然工①②地人地然＞一能然天人瞬天天0.7 s平人，：天＞＞＞＞的地＞下1天震段破震破破震單峰C＜調值地然約爆頻值爆爆地破同均工穩然工工然爆相：天期低快平人平天人人天工圖零量級比周于減率率人譜非參倒，無譜震相越卓處衰頻頻倒波波均般量峰時①降②體類平一能頂瞬（Zhao-Atlas-A時為取第子從和；和為，分值幅模的求取和本值值法斯的果母值樣幅方克點結，分幅形f處；理-馬拐算本波處各計值樣的率限限據斯法換拉式上數X(t)2dt幅形刻頻下下數換方公系形波線中上上度變論換關C■ B 波的C時譜的的法法葉-阿雜曲相的刻第頻段段方方里分換復率自刻|x(f)|df|x(f)|df葉頻頻析析析傅趙頻變性WD理n∑i=1(gi+1-gi)2頻③Marks）時的率X(t)2dt/t時B時到刻L1 L2里分分分時線包態頻時向■H1■H2譜譜譜短非波穩時分B■ A 到B時倒波波①②Hilbert-Huang變特析小非瞬IFC=：瞬gi Hilbert-Huang變三C=X（t）為第刻從SR=x（f）：傅H1，L1：低H2，L2：高征率C特頻數度體數率幅期率時系雜具參頻振周頻比關復比譜角大越勢量瞬相形譜倒拐最卓優能P波自波頻數參征震源參數特征特

式中，Wf（a，b）為連續小波變換系數；a為時間尺度因子，反映小波的周期長度；b為時間位置因子，反映時間上的平移。

小波變換是地震事件提取特征向量比較常見的一種方法，目前基于小波變換的特征提取已經做了大量的研究。劉希強等[36]用精細構造小波分解信號“能量”線性度DWEL識別天然地震和人工爆破。和雪松等[37]用小波包將信號變換到頻域，再用奇異值作為統計工具，提取天然地震和人工爆破的能量識別因子。為了彌補小波變換在高頻部分分辨率差的問題，曾憲偉等[29]用小波包方法對信號空間進行多尺度分解，得到信號在不同頻帶上的能量分布，定義小波包分量比（不同頻帶能量比）為特征向量。針對窗長對識別率存在影響的問題，黃明漢等[38]通過對地震和爆破事件經4層小波包變換，提取不同窗長的香農熵特征進行分類檢驗，研究結果確定信號窗長度最佳值為2 000。

2.4 基于希爾伯特-黃變換（HHT）的特性提取法

希爾伯特-黃變換是一種新的具有自適應性的時頻分析方法[39]，包括經驗模態分解（EMD）和Hilbert譜分析兩大塊內容。經驗模態分解具有良好的局部特征和自適應性，適用于非平穩信號的濾波和去噪，Hibert變換可以獲得具有物理意義的瞬時頻率，圖3是希爾伯特-黃變換流程圖。結合天然地震和人工爆破信號非平穩、非線性的特性以及HHT變換的優勢，王玥琪[27]，李銳[30]基于HHT算法對IMF分量進行Hilbert變換，求得瞬時頻率構造特征空間識別天然地震與人工爆破。陳奇[40]提出基于EDM的小波閾值去噪方法為了提高地震數據信噪比，最大限度保留有用信息，再利用VAR-AIC算法結合時間窗法提取地震波形特征。

圖3 希爾伯特-黃變換流程圖Fig. 3 The flow chart of Hilbert-Huang transform （HHT）

2.5 基于深度學習的特征提取法

近年來，作為一種多層神經網絡學習算法，深度學習因對輸入樣本數據強大的特征自動提取能力受到廣泛關注。在天然地震和人工爆破分類識別實際應用中，深度學習將特征提取、特征選擇和特征分類等功能有機統一，實現了性能與效率的整體優化。深度學習模型中的卷積神經網絡有效克服過擬合問題且訓練難度低，因而近年來在地震事件研究領域應用廣泛。卷積神經網絡結構的網絡輸入是地震事件波形圖像，輸出是其識別結果，輸入圖像經過若干個“卷積”和“采樣”加工后，在全連接層網絡實現與輸出目標之間的映射（圖4）。Perol等[41]第一個提出基于地震記錄的卷積神經網絡應用于誘發地震取得良好效果。陳潤航等[42]提出以梅爾頻率倒譜系數圖作為卷積神經網絡（CNN）的輸入，對神經網絡進行訓練后用來對地震和爆破進行識別。周少輝等[43]直接選用原始地震波形作為卷積神經網絡模型訓練與測試的輸入數據進行深度學習訓練，并分別采用目前主流的AlexNet、VGG16、VGG19和GooleNet 4種卷積神經網絡結構進行學習訓練，結果表明，AlexNet網絡結構的效果最好。卷積神經網絡達到一定深度后繼續增加層數會出現難以訓練和性能退化的問題，而加入輔助模塊可以有效緩解過深網絡訓練中退化與梯度消失問題。隗永剛等[44]提出了具有殘差學習模塊的殘差網絡模型應用于天然地震和人工爆破識別，將波形的全部功率譜作為模型訓練與測試的輸入數據，直接應用深度學習技術從波形功率譜中學習出爆破和地震的頻譜特征，在保留原始信息的同時提高了地震事件的識別能力。Mousavi等[45]提出基于分級注意力機制、長短期記憶網絡和殘差網絡結合的網絡模型，研究結果證明了基于深度神經網絡模型較人工拾取方法擁有更快的檢測速度和更高的識別精度。高中強[46]在殘差結構中添加SE模塊建立ResNet深度增強模型，通過SE模塊顯示的建模通道間的相互依賴關系自適應重新校準通道間的特征響應，確保更好的提取地震事件圖像中“高質量”特征。李進[47]提出了基于多尺度模塊和收縮模塊混合的殘差神經網絡模型DRISN，并與Res Net、Google Net深度卷積網絡模型等進行實驗對比，發現DRISN深度卷積網絡模型地震事件識別效果更好。

圖4 卷積神經網絡結構示意圖Fig. 4 The structure diagram of convolutional neural network

3 結語

天然地震與人工爆破分類識別是目前地震事件分類識別領域的研究熱點，而與天然地震與人工爆破分類識別相關的研究是一個較為復雜的過程。從特征參數的提取、特征的選擇與降維分析，到最終的語音情感識別，每一步都至關重要。其中，天然地震與人工爆破識別特征的提取作為分類識別整個過程的開始階段，占據十分重要的地位，其提取特征的準確與否決定最終的分類識別效果。

本文通過對天然地震與人工爆破識別特征提取的綜述，發現目前雖然已經取得一些成就，但仍存在很多問題值得進一步研究，概括如下：

（1）大規模地震事件數據庫構建問題，尤其是人工爆破數據庫問題。目前不同研究者采用的地震事件數據庫不盡相同，雖然分類識別結果精度較高，但涉及的訓練集和測試集數據有限，限制了分類模型的泛化能力。加之深度學習通常需要海量訓練樣本數據支持才能避免過擬合，數據集也是開發、訓練和改進算法的關鍵。因此，亟需構建大型專業地震事件數據庫，增加數據集體量。

（2）特征挖掘是可提升的方向。天然地震與人工爆破識別領域中不同研究者通過實驗提出不同特征，但是現有典型特征較少，多為時間域、頻率域特征，近期沒有提出類似或更優的廣泛適用的特征，故特征挖掘需要進一步加強。

（3）特征提取方法需改良，設計應用性能更好的深度模型。為了使基于深度學習的天然地震與人工爆破識別能夠從服務器遷移到移動端，需要將基于深度學習的地震事件識別模型進行輕量化處理，縮短天然地震與人工爆破識別時間。