基于Ale xNe t卷積神經網絡模型的寧夏天然地震和非天然地震識別研究

任家琪，周少輝，余思汗，胡子琪，唐 浩

（1.寧夏回族自治區地震局，寧夏 銀川 750001；2.山東省地震局，山東 濟南 250014；3.寧夏土木工程防震減災工程技術研究中心，寧夏 銀川 750021）

0 引言

寧夏回族自治區位于我國西北內陸地區，與內蒙古自治區、甘肅省、陜西省交界且被包絡其中。寧夏轄區范圍內的地震帶和活斷層分布廣泛，復雜的地質構造和特殊的地理位置導致寧夏天然地震災害頻發，據寧夏測震臺網統計，公元646年至今，寧夏破壞性地震（烈度Ⅶ度以上）多達50余次，例如：1739年銀川—平羅8級地震，此地震為中國大陸第一個首府城市直下型地震；1920年海原81/2級地震，此地震為20世紀中國大陸最大的地震。寧夏及周邊礦產資源豐富、工業園區眾多，僅相關部門備案的固定爆破區就有數十家，基本覆蓋了寧夏及鄰省各市縣，據不完全統計，2008年至今，寧夏ML3.0級以上爆破型非天然地震多達30余次。天然地震和非天然地震破壞力巨大且破壞機理不同，直接威脅到人民群眾的生命財產安全，此兩類地震如何有效識別和區分近年來被震災救援部門和地震學者高度重視。

殷偉偉等[1]利用震源機制（gCAP法對山西地區的天然地震、塌陷型和爆破型非天然地震進行了識別研究，并提出適用于山西地區的天然地震和非天然地震的識別參數。周少輝等[2]采用VGG16、Goog Le Net等卷積神經網絡結構對山東地區的天然地震和非天然地震進行了學習訓練，結果表明卷積神經網絡結構對天然和非天然地震的準確識別率達到90%以上。劉方斌等[3]利用BP神經網絡算法對天然和非天然地震進行地震震相識別，研究表明P波初動方向和振幅比可以作為重要的識別參數。林偉等[4]指出非天然地震的振幅比AS/AP和持續時間τ值比天然地震小。陳潤航等[5]基于卷積神經網絡對首都圈的天然和非天然地震進行了識別研究，結果表明長短視窗及地震波形信號可以作為參數識別天然和非天然地震。Ross等[6]指出原始地震波形中的震相特征可以作為卷積神經網絡模型的重要參數對其進行地震信號識別。

天然地震和非天然地震的精確快速識別對地震機理研究、震后救援等意義重大，本文結合人工神經網絡的機器深度學習技術（人工智能），運用AlexNet卷積神經網絡模型對寧夏天然地震和非天然地震的原始波形進行模擬訓練和深度學習，建立適用于寧夏天然地震和非天然地震的AlexNet卷積神經網絡模型分類器，優化識別參數，以達到精確快速識別寧夏天然地震和非天然地震的目的，為寧夏今后針對天然地震和非天然地震的快速識別提供理論參考依據。

1 Ale xNe t卷積神經網絡模型

Hubel等[7]研究貓的視覺皮層細胞后提出感受野概念，Fukushima[8]提出卷積神經網絡概念（神經認知模型），經過多年發展，卷積神經網絡逐步完善并首先運用于計算機視覺領域，其結構一般為輸入層、卷積層、池化層、全連接層和輸出層。卷積層負責卷積計算，卷積層通過積分變換對輸入事件進行濾波并提取特征信號，卷積層的分辨率用卷積層數表示，卷積層數越大，輸入事件特征信號提取越精細；池化層的作用是將卷積層提取的事件特征信號進行降維處理，通過最大池化法或平均池化法將事件特征信號進行縮減，從而避免過擬合現象的發生；批量歸一化層是將數據進行批量歸一化處理，讓事件特征信號呈正態分布形式并呈現同一分布規律，批量歸一化層可以防止激活函數過早飽和且可以縮短訓練時間、優化訓練結果；激活層通過激活函數使卷積神經網絡具備非線性能力，常見的激活函數有Sigmoid函數、Tanh函數、ReLu函數、Softmax函數等；Dropput層的作用是減少每一層卷積神經網絡的過擬合現象；全連接層用于對事件特征信號進行分類。以圖像為例，卷積神經網絡模型的作用是從輸入層導入大量圖像數據，其模型將圖像中的像素點等重要參數進行復雜運算，通過記憶圖像中的關鍵辨別信息，經過大量計算機人工智能訓練以達到精確識別不同圖像的目的。卷積層的輸出特征公式如下：

式中，M為上層特征子集，l為層數，為

j第l層的第j個特征圖，b表示偏置，k表示卷積核，f表示激活函數。

當前人工智能領域中，卷積神經網絡模型主要有AlexNet卷積神經網絡結構模型、VGG卷積神經網絡結構模型、GoogLeNet卷積神經網絡結構模型等，上述模型基本原理相同，但是具體算法等略有差異。

AlexNet卷積神經網絡模型是當今計算機人工智能深度學習的重要技術方式之一，已被廣泛運用于圖像、視頻、語音、語言等領域。AlexNet卷積神經網絡模型具有多層級結構，具體包含有輸入層1個、卷積層5個、全連接層3個，并且全連接層進行了最大池化。AlexNet卷積神經網絡模型中：第一層為輸入層；第二層至第六層為卷積層，每層包含不同數量的卷積核，卷積運算后使用ReLu激活函數對其結果進行激活運算，激活運算結果經過最大池化處理后進行局部響應歸一化處理；第七層至第九層為全連接層，每層包含不同數量的神經元，全連接層對上層的池化結果進行全連接處理，然后使用ReLu激活函數對其進行激活運算，接著對激活結果進行Dropout處理，最終得到Dropout結果。

AlexNet卷積神經網絡模型中，采用了矯正線性非飽和激活函數ReLu（ReLu（X）=max（0，X））進行激活處理，相較于飽和函數（Sigmoid和Tanh），其訓練時間更快且非線性表達能力更強；AlexNet卷積神經網絡模型采用雙GPU進行數據訓練，以此來彌補CPU計算能力不足的問題；為增強模型性能，AlexNet卷積神經網絡模型對部分層級進行了局部響應歸一化處理，具體計算公式如下：

式中，N是卷積面（池化面）的總數，n是相鄰面的個數，k、α、β是可調參數。

2 寧夏天然地震和非天然地震的特性與差異

天然地震是地球內部結構錯動和破裂后快速釋放能量的一種自然現象，以彈性波的形式向四周傳播導致地面振動。非天然地震包含爆破、塌陷、核試驗等形式，通常發生在地表或地下淺層區域，以彈性波的形式向四周傳播導致地面振動。天然地震和非天然地震一般包含有縱波、橫波和面波，三者由于傳播速度不同，縱波會先于橫波到達地震臺站，面波最后到達；縱波周期較小，面波周期最大，橫波周期介于兩者之間；三種地震波的振幅特性與其周期特性相似。據寧夏測震臺網不完全統計，寧夏當地的非天然地震相較于天然地震，其P波初動一般全部向上，PG波尖銳且初動大；淺層非天然地震總體呈現為大周期，面波發育充分；較深非天然地震初動方向分布不規律，周期相對較小；由于非天然地震多由人為因素引起，所以寧夏非天然地震的發震時間多存在規律性；非天然地震在震級相同情況下，其持續時間相較于天然地震明顯偏小；非天然地震的橫波和縱波最大振幅比通常大于2；非天然地震的拐角頻率小于天然地震（頻譜分析）。鑒于天然地震和非天然地震的特性與差異，目前成熟的識別方法有：P波初動、震源深度（非天然地震一般為0）、P波的初動位置和最大位置振幅比、P波和S波振幅比、P波和勒夫波譜振幅比、尾波持續時間等。

3 資料選取

本文從寧夏測震臺網選取寧夏境內及周邊地震事件共計130個，時間范圍為2008年1月1日—2021年1月1日，所有地震事件均含有1個或多個地震臺站波形記錄，每個地震臺站波形記錄均為三分向（東西向、南北向和垂直向），所有地震事件均進行了人工編目且震相清晰、信噪比高。地震事件中天然地震共計80個，震級范圍為ML≥1.0。地震事件中非天然地震共計50個，其中中國地震局物探中心布設爆破產生的非天然地震8個；甘肅華亭塌陷區爆破產生的非天然地震5個；寧夏固原三關口礦區爆破產生的非天然地震10個，震級范圍為1.6≤ML≤2.5；寧夏中衛水泥廠爆破產生的非天然地震8個，震級范圍為1.9≤ML≤2.6；寧夏中衛礦區爆破產生的非天然地震15個，震級范圍為1.9≤ML≤2.8；寧夏銀川礦區爆破產生的非天然地震4個，震級范圍為2.5≤ML≤3.1。寧夏測震臺網實時傳輸臺站共計27個，為避免卷積神經網絡模型的誤差率和錯誤率，本文未將多個地震臺站波形記錄的地震事件進行閹割，采用全部導入的方式，以此來確保AlexNet卷積神經網絡模型能夠正確識別寧夏及周邊的天然地震和非天然地震中的特征參數。

4 Ale xNe t卷積神經網絡模型的構建

寧夏測震臺網實時接收地震波形的數字化臺站共計27個，當天然地震或非天然地震發生時，依據其能量大小和地震波傳播距離，至少有1個臺站或多個數字化臺站可以實時記錄到地震波，所以地震事件中至少包含1個或多個臺站波形記錄。本文將AlexNet卷積神經網絡模型中的分類器分為2個模塊：訓練模塊和測試模塊，訓練模塊用于訓練單個地震事件的單個臺站波形記錄，測試模塊用于測試單個地震事件的多個臺站波形記錄，此目的是先以單條地震波進行特征參數訓練，讓AlexNet卷積神經網絡模型進行天然地震和非天然地震特征參數智能識別，建立初步的參數集，然后導入多個臺站波形記錄，此方法不僅可以加快參數集的建立，也能夠加快天然和非天然地震事件的特征差異分類。

依據寧夏測震臺網提供的天然地震和非天然地震事件波形，本文使用MSDP地震波分析軟件對事件波形進行截取，選取震相明顯、記錄清晰、信噪比高的有效波形建立訓練波形集；依據寧夏測震臺網編目結果，本文將訓練波形集中的事件波形進行了標注，并對其添加天然地震和非天然地震的標簽；然后將標簽事件波形進行隨機分類并打亂次序；使用AlexNet卷積神經網絡對上述事件波形進行訓練和測試，每次訓練和測試中隨機選擇代價函數Loss，用以評估預測值和真實值的差異；代價函數Loss曲線趨于穩定或呈直線時，對迭代次數和梯度下降速度等參數進行優化后重復訓練；AlexNet卷積神經網絡達到非天然和天然地震最優識別效果后停止訓練。對于多個臺站波形記錄的地震事件，本文將地震事件波形導入AlexNet卷積神經網絡模型，讓其自動對地震事件進行綜合分類和識別。

本文采用均方根誤差值、正確率和漏檢率對AlexNet卷積神經網絡模型的結果進行評估和檢驗。均方根誤差用于檢驗模型自動識別的地震事件震相到時和人工標注地震事件震相到時；正確率用于檢驗模型中地震事件震相到時的正確次數；漏檢率用于檢驗模型中未識別地震事件震相的個數。

AlexNet卷積神經網絡模型構建初期，有幾處關鍵點需要著重強調：必須對選定的地震事件進行天然地震和非天然地震的劃分及標注，否則會導致模型識別率下降；需要選定信噪比高、記錄清晰、波形震相明顯的地震事件；此舉有助于AlexNet卷積神經網絡模型快速生成參數集；每個地區的非天然地震震相略有差異，需要根據當地實際情況進行參數調整。

5 Ale xNe t卷積神經網絡模型識別結果

本文將寧夏境內及周邊130個地震事件（天然地震80個、非天然地震50個）進行拆分，生成單個臺站波形記錄后導入AlexNet卷積神經網絡模型，經過此模型多次迭代訓練后生成訓練集和訓練參數集，AlexNet卷積神經網絡模型訓練結果表明：模型訓練集對于單個臺站波形記錄的導入識別準確率高達99%，且未發生不可預估的擬合現象，其訓練集Loss函數為0.002。AlexNet卷積神經網絡模型針對單個臺站波形記錄的天然地震和非天然地震能夠很好的自動識別，且準確率很高。

單個臺站波形記錄的地震事件僅是理想狀態，因為現實情況下，天然地震或非天然地震一旦發生，會觸發多個臺站，換言之，一個完整的地震事件會包含多個臺站波形記錄，AlexNet卷積神經網絡模型需要對地震事件中的多個臺站波形記錄進行逐一識別，對每條記錄進行天然或非天然地震識別定性，然后通過算法整體識別此地震事件是天然地震或非天然地震。本文將130個地震事件進行整體導入模型生成測試集和測試參數集，設置閾值為60%，如果地震事件中60%及以上的單個臺站波形記錄識別為非天然地震，則AlexNet卷積神經網絡模型判斷此地震事件為非天然地震，AlexNet卷積神經網絡模型測試結果表明：模型測試集對于多個臺站波形記錄的地震事件識別準確率為97.01%，其測試集Loss函數為0.068。AlexNet卷積神經網絡模型在經過單個臺站波形記錄的地震事件訓練后，可以很好的識別多個臺站波形記錄的地震事件，且準確率很高（圖1）。

圖1 AlexNet卷積神經網絡模型訓練及測試結果Fig.1 Training and test results of the AlexNet

6 結論

寧夏回族自治區境內及周邊天然地震和非天然地震頻發，不僅對人民群眾的生命財產安全造成威脅，而且非天然地震會造成一定的社會影響，精確快速的識別非天然地震可以第一時間為震害防御救援等相關部門提供參考依據，還可以為寧夏測震臺網工作人員對地震事件分析編目提供參考依據。本文基于AlexNet卷積神經網絡模型對寧夏天然地震和非天然地震進行了訓練和測試，結果標明，對于此次選取的130個地震事件（天然地震80個、非天然地震50個），就單個臺站波形記錄而言，AlexNet卷積神經網絡模型對其地震類型的識別率為99%；就多個臺站波形記錄的地震事件而言，模型對其地震類型的識別率為97.01%。

綜上所述，AlexNet卷積神經網絡模型對寧夏及周邊的天然地震和非天然地震有很好的識別功能，可以作為寧夏測震臺網工作人員的地震分析編目輔助工具，但是本文還存在一些不足：訓練和測試的地震事件偏少；寧夏非天然地震類型單一（目前僅有爆破），對于塌陷、核爆、滑坡等其他非天然地震類型研究不足；寧夏非天然地震多為集中爆破點，其爆破波形中的震相等參數類似，導致AlexNet卷積神經網絡模型易于分辨其地震類型。