以人工智能為導向的地震監測大數據處理平臺初步設計與實現

周施文 李水龍 于偉恒

(福建省地震局，福建 福州 350003)

眾所周知，地震預警是攻克地震預報難題之前能夠有效減輕地震災害的重要途徑。地震預警充分利用現有地震監測臺網資源，通過地震監測預警技術系統，產出地震預警信息并對外發布，政府機關、行業用戶、個人用戶等可以根據地震預警信息及時采取相應的緊急避震措施，從而在一定程度上減輕地震災害。

近年來，以人工神經網絡為代表的人工智能技術是一大熱點，地震行業的專家學者例如，趙剛等（2017）、Perol 等（2018）、趙明等（2019），也開始嘗試用人工神經網絡技術解決諸如地震識別、震中定位等相關問題。人工神經網絡技術離不開大數據的支持，每一個模型的訓練和評估都依托于大量整理和標記過的數據。

本文作者所在地震預警技術團隊除了對在線生產的地震監測預警技術系統進行日常運維和優化外，也在不斷探索研究可以提高地震監測預警效率的新方法新技術。開展人工神經網絡技術在地震預警方面的應用嘗試工作，首先需要解決的是數據處理問題，包括整理歷史波形數據、標記數據、提取數據等。經過需求分析和前期嘗試，我們初步設計并實現了一個地震監測大數據處理平臺，通過平臺提供的數據處理工具，對歷史波形數據進行導入、標記、提取等；平臺數據庫中存儲的按規定格式標記的波形數據，經過不斷積累，可以形成地震監測大數據，為今后持續開展人工智能技術應用研究奠定基礎。

1 需求分析

1.1 數據選取

目前國內使用的常見的地震波形數據存儲方式有：以MINISEED 格式保存的臺站歷史波形數據和以SEED 或EVT 格式保存的歷史震例波形數據。MINISEED 臺站歷史波形數據文件（以下簡稱MINISEED 文件）以臺網編碼、臺站編碼、儀器類型、通道標識、年份和天數等參數命名，如“FJ.ZPYF.00.BHZ.D.2018.037”， 從文件名可以看出一個MINISEED 文件包含了一個臺站儀器單個通道一天的連續波形數據；SEED 或EVT 歷史震例波形數據文件以發震時刻命名，包含了記錄到該次地震的所有臺站儀器所有通道的波形數據。

人工智能技術對數據樣本的完整性有較高的要求，即我們用于訓練和測試人工神經網絡模型的噪音、地震等數據的數量要相當，而SEED 或EVT 歷史震例波形數據文件中包含的地震數據遠多于噪音數據，且這種數據比例與實際生產環境相差甚遠。因此，我們選取了MINISEED 文件作為平臺的輸入數據——最原始的波形數據包含了相對更完整的監測數據信息。

1.2 數據標記

以積累地震監測大數據為出發點，我們希望標記過后的數據可以成為基礎數據被多次利用，這就要求數據滿足兩個需求：一是數據庫中單條記錄中的數據量足夠小，可以滿足不同需求的提取和拼接；二是要有統一的標簽用來識別數據類型，如地震或噪音等。一個MINISEED 數據包里包含有3-5 秒不等的數據量，地震預警系統是以秒為單位對監測數據進行處理，因此，我們將MINISEED 文件中的數據提取、拼接，再重新以整秒為單位壓縮成MINISEED 文件，與臺站編號、分向、時間等基本信息同時存入數據庫中作為一條波形數據記錄；同時，我們設計了一個通用標簽表，用來標記數據庫中的波形數據。

1.3 數據提取

需要一個基礎工具能根據需求，將數據庫中符合要求的數據逐條提取出來，包括波形數據和標簽，存入文件以供使用。

2 概要設計

2.1 數據處理模塊設計

該模塊包括3 個子工具，分步實現從導入原始波形數據到生成數據樣本集的處理過程；為方便用戶使用，集合成一個數據處理工具，如圖1。

圖1 數據處理工具結構圖

其中，波形文件處理工具將用戶導入的MINISEED 文件中的數據解壓拼接，再以秒為單位重新封裝成MINISEED 文件并存入數據庫中；標簽插入工具根據用戶輸入的參數，對數據庫中對應的波形數據進行標記，即更新數據庫表中對應記錄的Tag 欄的數據，例如1 表示噪音，2 表示地震等；數據集生成工具根據用戶輸入的參數，從數據庫中調取出波形數據，進行便簽轉置后，生成數據集文件。

2.2 數據庫設計

2.2.1 臺站儀器信息表（instu_info）（表1）

表1 臺站儀器信息表

2.2.2 儀器波形標簽表（wave_labelled）（表2）

表2 儀器波形標簽表

2.2.3 標簽信息表(tag_dic)（表3）

表3 標簽信息表

2.3 數據標簽設計

目前地震行業內訓練、調試人工神經網絡模型，基本上屬于深度學習中的有導式學習，即用數據對比模型給出的結果，持續對模型進行調整，這就需要大規模標注數據。為提高標注數據的利用率，設計了一套統一的數據標簽，用以標注原始波形數據，見表4。

表4 地震數據標簽

3 功能實現

地震監測大數據處理平臺的初步實現采用CS 架構，界面用JAVASWING 實現，服務端和數據庫部署在內網服務器上。運行客服端啟動程序，彈出數據處理工具的主界面，如圖2。

圖2 數據處理工具主界面

3.1 波形文件處理工具

點擊按鈕波形文件處理工具，彈出該工具的界面，如圖3。用戶選擇需要導入的Miniseed 文件后，點擊導入數據庫，工具會將該文件中的波形數據解壓拼接，再以秒為單位重新封裝成Miniseed 文件并存入數據庫中。數據庫中波形數據插入結果示例參見圖4。

圖3 波形文件處理工具主界面

圖4 數據庫表插入波形數據結果示例

3.2 標簽插入工具

點擊按鈕標簽插入工具，彈出該工具的界面，如圖5。用戶填好相關參數，點擊插入標簽，工具將更新數據庫表中Tag 欄的數據，示例如圖6 所示。

圖5 標簽插入工具主界面

圖6 標簽插入結果示例

3.3 數據集生成工具

點擊按鈕數據集生成工具，彈出該工具的界面，如圖7。左邊為標簽轉置區：人工神經網絡框架，如DeepLearning4J，要求數據集的標簽從0 開始，連續標記，因此需要對標簽進行轉置；sql 標簽表示數據庫表里的標簽，比如1 代表噪音，2代表地震；dataset 標簽表示將要導入人工神經網絡框架訓練模型的數據集里的標簽。右邊為參數設置區：用戶輸入數據集的文件名（不帶文件格式后綴.txt），輸入相應參數后，點擊確認參數，工具將該組參數對應的數據從數據庫中提取處理并寫入文件，用戶可多次輸入參數提取數據并點擊確認參數，參數會顯示在清單中。點擊結束寫入，完成數據提取和寫入，示例參見圖8。在文件保存路徑下，會生成與數據集文件對應的信息文件，示例參見圖9、圖10。

圖7 數據集生成工具主界面

圖8 數據集生成工具使用示例

圖9 數據集文件數據示例

圖10 數據集信息文件示例

4 討論與總結

在開展人工神經網絡技術在地震預警方面的應用嘗試過程中，本文作者結合數據處理的實際需求，經過需求分析和前期嘗試，初步設計并實現了一個地震監測大數據處理平臺，統一通過平臺的數據處理工具，對監測波形數據進行導入、標記、提取等。目前，平臺數據庫中已存儲了一定數量的帶有規范標記的波形數據，經過持續積累，可以慢慢形成地震監測大數據；數據處理工具的功能也可以持續開發和完善，平臺的性能也會不斷優化，從而為今后持續開展人工智能技術應用研究奠定基礎。