卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用探討

虎嘯 陳立瓊 辛愿 湯洋 沈昌峰

摘? 要：隨著人工智能和大數(shù)據(jù)的快速發(fā)展，深度學(xué)習(xí)體系應(yīng)用于廣闊的領(lǐng)域，同時(shí)地震數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，為地震資料自動(dòng)分析和處理提供了數(shù)據(jù)支撐。如何利用卷積神經(jīng)網(wǎng)絡(luò)提高震相拾取的精準(zhǔn)度，是地震科研和防震減災(zāi)工作迫切需要解決的問題。該文主要針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用情況展開分析，進(jìn)一步明確目前卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用效果和影響因素，期望通過此次研究，為地震監(jiān)測(cè)和預(yù)警應(yīng)用領(lǐng)域提供一些可供參考的資料。

關(guān)鍵詞：深度學(xué)習(xí)? 卷積神經(jīng)網(wǎng)絡(luò)? 震相? 地震監(jiān)測(cè)

Abstract： With the rapid development of artificial intelligence and big data， deep learning system is applied to a wide range of fields. At the same time， seismic data increases exponentially， providing data support for automatic analysis and processing of seismic data. How to use convolutional neural network to improve the accuracy of seismic phase acquisition is an urgent problem to be solved in earthquake scientific research and earthquake prevention and disaster reduction. This paper mainly analyzes the application of convolutional neural networks in seismic phase acquisition， and further clarifying the application effect and influencing factors of convolutional neural networks in seismic phase acquisition， and expects to provide some reference materials for the application of seismic monitoring and early warning through this study.

Key Words： Deep learning; Convolutional neural networks; Seismic phase; Earthquake monitoring

近些年來，隨著我國(guó)對(duì)防震減災(zāi)工作的持續(xù)投入，地震部門不斷完善地震監(jiān)測(cè)臺(tái)網(wǎng)，大力推進(jìn)地震預(yù)警臺(tái)網(wǎng)的建設(shè)，地震數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，大數(shù)據(jù)和人工智能的快速發(fā)展，為地震資料自動(dòng)分析和處理提供了技術(shù)支撐。在地震數(shù)據(jù)自動(dòng)分析處理中，震相拾取的準(zhǔn)確性是地震速報(bào)和地震預(yù)警的關(guān)鍵環(huán)節(jié)之一，如何找到自動(dòng)準(zhǔn)確高效拾取震相值得深入研究。深度學(xué)習(xí)廣泛應(yīng)用于計(jì)算機(jī)視覺方面，引起了地震學(xué)研究者的重視，特別是將卷積神經(jīng)網(wǎng)絡(luò)（CNN）學(xué)習(xí)方法應(yīng)用于震相拾取中，取得了一定的認(rèn)識(shí)，對(duì)地震科研、防震減災(zāi)等工作具有重要意義。

1 卷積神經(jīng)網(wǎng)絡(luò)介紹

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種將信號(hào)輸入到棧式卷積池化層的神經(jīng)網(wǎng)絡(luò)，最后一層為全連接層，通過softmax層進(jìn)行輸出。卷積神經(jīng)網(wǎng)絡(luò)通常用于計(jì)算機(jī)視覺的任務(wù)處理中，使用較多的CNN架構(gòu)主要有LeNet、AlexNet、GoogLeNet、inception模塊和VGGNet。卷積神經(jīng)網(wǎng)絡(luò)主要由以下方面組成：

（1）輸入層：多維數(shù)組數(shù)據(jù)經(jīng)過輸入層處理后傳輸?shù)骄矸e層。

（2）隱含層：隱含層主要由卷積層、池化層和全連接層組成。其中卷積層中的卷積運(yùn)算通常需要進(jìn)行濾波處理，提取數(shù)據(jù)特征后，將特征圖傳輸?shù)匠鼗瘜?池化層分為最大池化和平均池化兩種，池化層對(duì)特征圖進(jìn)行采樣，縮小特征圖的尺寸; 全連接層起到分類器作用，整合經(jīng)過卷積層和池化層篩選的特征圖，參數(shù)量多可能使全連接層被其他層所代替。

（3）輸出層：輸出層使用邏輯函數(shù)或Softmax函數(shù)輸出分類的圖像[1]。

（4）激活函數(shù)：卷積神經(jīng)網(wǎng)絡(luò)中常用的激活函數(shù)有Sigmoid、ReLU、TanH和Softmax函數(shù)。

2 卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用

2.1地震數(shù)據(jù)的處理

地震監(jiān)測(cè)數(shù)據(jù)通常主要包括前兆臺(tái)網(wǎng)數(shù)據(jù)和測(cè)震臺(tái)網(wǎng)數(shù)據(jù)，組成地震發(fā)生后，測(cè)震臺(tái)站記錄到從震中向四周擴(kuò)散的地震波數(shù)據(jù)，該文所處理的地震數(shù)據(jù)均為SEED格式的測(cè)震數(shù)據(jù)，研究中處理數(shù)據(jù)所使用的工具為Obspy。Obspy作為地震領(lǐng)域?qū)I(yè)處理數(shù)據(jù)的python庫(kù)，全面的對(duì)地震數(shù)據(jù)進(jìn)行處理，常用功能主要是對(duì)地震數(shù)據(jù)進(jìn)行濾波、下采樣、切片、合并、FK分析、繪制頻譜圖等。

2.2卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用

Ross等[2]提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的分類器，訓(xùn)練數(shù)據(jù)主要采用美國(guó)南加州地區(qū)480多萬已經(jīng)被人工標(biāo)記震相的地震數(shù)據(jù)，訓(xùn)練后的模型實(shí)現(xiàn)了震相中p波的高精度自動(dòng)測(cè)量。該方法有效避免了創(chuàng)建模型和提取復(fù)雜特征等，因此該方法為將地震圖直接輸入網(wǎng)絡(luò)提供了可能性。于子葉等[3]優(yōu)化并訓(xùn)練了一個(gè)Inception模型，將其用于震相的拾取工作中。在訓(xùn)練過程中，考慮了對(duì)卷積層輸出結(jié)果進(jìn)行正則化、dropout運(yùn)算和增加噪聲步進(jìn)等方面，結(jié)果表明此神經(jīng)網(wǎng)絡(luò)的泛化能力得到提高，該模型能直接輸出震相的到時(shí)信息，并減少了噪聲的影響。Zhou等[4]將一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)卷積網(wǎng)絡(luò)（RNN）進(jìn)行串聯(lián)組成新的模型構(gòu)架，該模型通過一個(gè)8層的CNN模型在連續(xù)波形中對(duì)噪聲樣本和震相進(jìn)行識(shí)別，將識(shí)別的震相輸入到一個(gè)兩層RNN模型中，通過RNN對(duì)震相的P波和S波進(jìn)行提取，精度的誤差均值分別僅有–0.03±0.48s和0.03±0.56s。趙明等[5]發(fā)展了U網(wǎng)絡(luò)算法，能自動(dòng)識(shí)別和到時(shí)拾取Pg、Sg震相，U形網(wǎng)絡(luò)能夠較好地識(shí)別Pg、Sg震相類型和拾取到時(shí)，正確率分別為81%和79.1%，與人工標(biāo)注的均方根誤差分別為0.41s和0.54s。蔡振宇等[6]以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)， 基于地震數(shù)據(jù)的特點(diǎn)等對(duì)CNN模型結(jié)構(gòu)做了一定的修改，創(chuàng)建了時(shí)間域波形數(shù)據(jù)模型和小波時(shí)頻譜模型，實(shí)現(xiàn)了高準(zhǔn)確率拾取地震P波初至，并節(jié)省了模型運(yùn)行時(shí)間。劉芳等[7]結(jié)合臺(tái)陣策略，優(yōu)化了一種U-Net模型，能高效精準(zhǔn)地在連續(xù)波形中識(shí)別提取震相，規(guī)避典型噪聲的影響。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)拾取震相的影響因素

（1）地震數(shù)據(jù)的處理：使用Obspy可以將地震波行數(shù)據(jù)切割成不同的時(shí)間窗片段，研究者使用不同時(shí)間窗的數(shù)據(jù)集在構(gòu)建的模型中訓(xùn)練，得到不同的學(xué)習(xí)曲線，造成了震相拾取準(zhǔn)確率高低參差不齊。筆者認(rèn)為可以考慮把不同片段波進(jìn)行拼接合成、降低數(shù)據(jù)中的噪聲干擾等，作為訓(xùn)練的數(shù)據(jù)集進(jìn)而嘗試提高拾取的精準(zhǔn)度。

（2）地震數(shù)據(jù)類型和數(shù)量：部分研究者由于地震數(shù)據(jù)類型和數(shù)量的受限，創(chuàng)建的模型沒有充分的數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，導(dǎo)致在自動(dòng)拾取震相中精度和效率的局限性。筆者認(rèn)為將不同地區(qū)的測(cè)震數(shù)據(jù)整理后作為訓(xùn)練的數(shù)據(jù)集，能進(jìn)一步提升卷積神經(jīng)網(wǎng)絡(luò)的性能，從而提高震相拾取精度和準(zhǔn)確率的上限。

3? 結(jié)語

卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的應(yīng)用取得了一定的成果，由于受到算法、地震數(shù)據(jù)等可用性的影響，在精準(zhǔn)拾取和實(shí)用中還存在局限性。筆者通過研究發(fā)現(xiàn)，可以從地震波形數(shù)據(jù)的處理、基于卷積神經(jīng)網(wǎng)絡(luò)模型的進(jìn)一步優(yōu)化等方面進(jìn)行探究，提高震相拾取的精準(zhǔn)率，提升卷積神經(jīng)網(wǎng)絡(luò)在震相拾取中的實(shí)用性，為滿足海量復(fù)雜的地震數(shù)據(jù)震相拾取需求提供技術(shù)支撐。隨著地震數(shù)據(jù)的快速積累與計(jì)算機(jī)硬件的提升，卷積神經(jīng)網(wǎng)絡(luò)未來在防震減災(zāi)工作和地震科研中會(huì)有更為廣闊的發(fā)展前景。

參考文獻(xiàn)

[1]王李管，陳斯佳，賈明滔，等.基于深度學(xué)習(xí)的黑鎢礦圖像識(shí)別選礦方法[J].中國(guó)有色金屬學(xué)報(bào)，2020，30（5）：1192-1201.

[2]ROSS Z E， MEIER M A， HAUKSSON E.P Wave Arrival Picking and First-Motion Polarity Determination with Deep Learning[J].Journal of Geophysical Research：Solid Earth， 2018，123（6）：5120-5129.

[3]于子葉，儲(chǔ)日升，盛敏漢.深度神經(jīng)網(wǎng)絡(luò)拾取地震P和S波到時(shí)[J].地球物理學(xué)報(bào)，2018，61（12）：4873-4886.

[4]ZHOU Y，YUE H，KONG Q，et al.Hybrid Event Detection and Phase㏄icking Algorithm Using Convolutional and Recurrent Neural Networks[J].Seismological Research Letters，2019，90（3）：1079-1087.

[5]趙明，陳石，房立華，等.基于U形卷積神經(jīng)網(wǎng)絡(luò)的震相識(shí)別與到時(shí)拾取方法研究[J].地球物理學(xué)報(bào)，2019，62（8）：3034-3042.

[6]蔡振宇，蓋增喜.人工智能在拾取地震P波初至中的應(yīng)用——以汶川地震余震序列為例[J].北京大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，55（3）：451-460.

[7]劉芳，蔣一然，寧杰遠(yuǎn)，等.結(jié)合臺(tái)陣策略的震相拾取深度學(xué)習(xí)方法[J].科學(xué)通報(bào)，2020，65（11）：1016-1026.