文章快速检索     高级检索
  大地测量与地球动力学  2020, Vol. 40 Issue (6): 634-639  DOI: 10.14075/j.jgg.2020.06.017

引用本文  

蔡杏辉, 张燕明, 陈惠芳, 等. 基于小波特征和神经网络的天然地震与人工爆破自动识别[J]. 大地测量与地球动力学, 2020, 40(6): 634-639.
CAI Xinghui, ZHANG Yanming, CHEN Huifang, et al. Automatic Identification of Earthquake and Explosion Based on Wavelet Transform and Neural Network[J]. Journal of Geodesy and Geodynamics, 2020, 40(6): 634-639.

项目来源

中国地震局2018年度地震监测预报领域重点项目;2019福建省地震局攻关项目(G201907)。

Foundation support

Key Projects in the Field of Earthquake Monitoring and Prediction in 2018, CEA; Key Projects of Fujian Earthquake Agency in 2019, No.G201907.

第一作者简介

蔡杏辉,工程师,主要从事地震监测与数字地震应用研究, E-mail:13870511@sina.com

About the first author

CAI Xinghui, engineer, majors in seismic monitoring and digital seismic application, E-mail:13870511@sina.com.

文章历史

收稿日期:2019-06-06
基于小波特征和神经网络的天然地震与人工爆破自动识别
蔡杏辉1     张燕明1     陈惠芳1     巫立华1     
1. 福建省地震局,福州市华鸿路7号,350003
摘要:采用福建地区天然地震和人工爆破事件波形记录,通过一维离散小波变换(DWT)及4层小波包变换(WPT)对信号进行分解,提取出用于识别的4种波形小波特征:小波能量比特征、小波包能量比特征、小波包香农熵特征及小波包对数能量熵,此外还提取出P/S震相振幅比;采用BP神经网络对4种小波特征及分别加入P/S震相振幅比的组合特征进行识别效果检验,结果表明,单小波判据小波能量比特征识别效果好;双判据组合P/S震相振幅比和小波包对数能量熵的组合识别效果最好,可考虑作为实际天然地震与人工爆破在线自动识别系统的识别判据。
关键词天然地震与人工爆破P/S震相振幅比小波分析BP神经网络

人工神经网络是人工智能的一个重要分支,目前已有研究者将神经网络技术应用到天然地震和人工爆破信号的分类识别研究中。近年来,人们对智能化技术的研究不断升温。例如国内边银菊[1]利用P波和S波频谱对数谱振幅值作为神经网络输入值,采用遗传BP神经网络结构对北京及周边的地震和爆破事件进行识别; 张帆等[2]采用小波能量比和时空参数作为训练资料,使用BP神经网络对内蒙古地区地震和爆破进行识别。在国外,Pulli等[3]用BP神经网络对小区域的天然地震和采石场爆破事件进行识别, 所用资料为挪威NORESS台阵的66次事件;Dowla等[4]利用多层感知器神经网络对地震和核爆进行识别,利用检测震相的谱幅值作为训练资料;Mori[5]利用神经网络集成体对地震信号进行分类;Allamehzadeh等[6]利用多层感知器神经网络和径向基函数网络(RBF)对地震和爆破信号进行识别,采用p-coda/p谱比和P波拐角频率作为训练资料。初步研究结果表明,采用人工智能技术可提高事件类型识别率。

福建地区人工爆破频发, 每年记录到的人工爆破事件约1 500~2 500个,对人工爆破和天然地震的识别贯穿于地震台网日常工作中。目前的监测实践中,事件类型的判别主要靠监测工作者的经验。随着计算机技术高速发展,通过计算机进行天然地震与人工爆破的识别可以大大降低人工成本。在对天然地震与人工爆破事件进行分类识别中,提取有效的识别特征是识别的关键,P/S振幅比是研究最为深入的一个判别量[7-8],小波分析算法也被广泛应用于事件类型的识别研究[9-10]。本文利用福建省台网记录的人工爆破与天然地震数字波形资料,采用小波分析方法和P/S震相振幅比开展基于人工神经网络的天然地震与人工爆破自动识别研究,研发适用于本地区监测需求的程序,可为监测人员提供有效的参考,提高地震监测的效率和质量。本文对自动编目具有实际意义,可为自动地震编目系统产出的地震事件目录提供事件类型信息,有利于地震监测自动化的推进。

1 数据资料

为让样本尽可能具备本地区的普适性,选取福建省2016~2018年不同区域、不同台站、不同震级的人工爆破及天然地震事件,在震中分布上尽可能覆盖全省区域,共选取事件数300个,天然地震和人工爆破事件各150个,震级范围为ML0.5~3.5,事件波形记录的采样率均为100 sps。图 1为天然地震和人工爆破的分布图。

图 1 福建地区天然地震和人工爆破的分布 Fig. 1 Distribution of explosions and earthquakes in Fujian

从300次事件中各随机提取出一条近台波形记录(Δ < 100 km),得到300条波形数据,分为训练样本及测试样本,其中训练集200条记录:100条为天然地震记录,另100条为人工爆破记录;测试集100条记录:50条为天然地震记录,另50条为人工爆破记录。

2 识别算法及基本原理 2.1 识别算法设计

一个典型的自动识别系统由数据获取、预处理、特征提取、分类决策及分类器设计5个部分组成。关键算法有2个模块:1)特征提取模块,从数据中提取出识别所需特征;2)识别判定模块,在特征空间中用模式识别方法把识别对象归为某一类别。

本文利用小波分析方法提取天然地震和人工爆破的特征,采用BP神经网络进行事件分类判定。小波分析方法在许多领域(如信号处理、计算机视觉、地震勘测等)具有广泛的应用,小波分析是傅里叶变换的一个重大突破与发展,与傅里叶变换相比,小波分析能更有效地从各种信号中提取重要信息。BP神经网络是整个人工神经网络体系的精华,在实际应用中,大约80%的神经网络模型采用BP网络。因此,本文采用BP神经网络进行事件分类判定,图 2为本文算法的流程。

图 2 算法流程 Fig. 2 The flow chart of algorithm
2.2 小波分析基本原理

小波变换是信号的一种时间-频率分析方法,小波包分析是小波变换的一种。小波包对信号的低频近似部分及高频细节部分进行逐层分解,可以把信号按频带分得更细,这样可以了解信号中的更多细节部分。使用小波及小波包分析要选取小波基函数,本文采用4阶Daubechies小波(db4),图 34是对天然地震事件进行4层小波及小波包分解的结果。

图 3 天然地震信号的4层小波变换 Fig. 3 The 4 level wavelet transform decomposition of natural earthquake's signal

图 4 天然地震信号的4层小波包变换 Fig. 4 The 4 level wavelet packet decomposition of natural earthquake's signal

一维离散小波变换(DWT)能量比特征如下:若S为原始信号,其长度为J,信号采样点序号为jSi为信号S分解后的第i个小波系数,其长度为Kk为其样点序号,则小波系数的能量比(Ewt)定义为:

$ {E_{{\rm{wt}}}}(i) = \frac{{100 \times \sum\limits_{k = 1}^K {S_{(i, k)}^2} }}{{\sum\limits_{j = 1}^J {S_j^2} }} $ (1)

小波包变换(WPT)能量比特征和香农熵、对数能量熵特征如下:若S为原始信号, 对其进行n层小波包分解后得到第n层的小波包系数,总共为N个;Si为信号S分解后的第i个小波的系数, 其长度为J, 小波系数的结点序号为j, 则从第i个小波的系数中提取出的小波包能量比(Ewpt)、小波包香农熵(Eshan)、小波包对数能量熵(Elg)特征定义为:

$ {E_{{\rm{wpt}}}}(i) = \frac{{100 \times \sum\limits_{j = 1}^j {S_{(i, j)}^2} }}{{\sum\limits_{n = 1}^N {\sum\limits_{m = 1}^J {S_{(n, m)}^2} } }} $ (2)
$ {E_{{\rm{shan}}}}(i) = - \sum\limits_{j = 1}^J {S_{(i, j)}^2} {\rm{lg}}[S_{(i, j)}^2] $ (3)
$ {E_{{\rm{lg}}}} = \sum\limits_{j = 1}^J {{\rm{lg}}} [S_{(i, j)}^2] $ (4)
2.3 BP神经网络

本文采用MATLAB的神经网络工具箱构建BP神经网络,BP网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数及传输函数、训练方法等。BP网络可以包含一到多个隐含层,对于大部分应用场合,单个隐含层即可满足要求。本文构建的BP神经网络为3层人工神经网络。输入层节点数取决于输入向量的维数,分别有5、16、17三种输入层节点数。隐含层节点数对BP神经网络有较大影响,一般较多的隐含层节点数可以带来更好的性能,通常采用经验公式$M = \sqrt {n + m} + a$得出估计值,mn分别为输出层和输入层神经元个数,a为[0, 10]之间的常数,本文a取10,分别有12、13、14三种隐含层节点数。输出层用于事件类型的判定,神经元为1个。最终设计的网络结构有5-12-1、16-13-1、17-14-1三种。

隐含层传递函数使用线性函数,输出层采用logsig,输出值限制在(0,1)间。通过对几种主要的网络训练函数进行对比测试,最终选取trainlm作为训练函数。该函数采用Levenberg-Marquardt算法,对于一般大小的网络,训练算法运算速度快,训练样本较多时具有内存折减性。对于测试样本,将提取的特征向量输入构建BP神经网络,依其输出值a判定该事件的类型,判定标准为:当a≥0.5时,判定为天然地震;当a < 0.5时,判定为人工爆破(非天然地震)。

3 特征提取

不同事件或不同台站提供的地震波形记录长度会有所差异,特征提取应采用同样长度的波形记录。相关研究认为,取窗口长度为2 000点时的识别效果较好[9]。本文的特征提取是采用STA/LTA算法自动识别P波初至位置,对于个别P波初至位置识别误差较大的事件采用人工截取波形;对波形的P波初至位置前推50个点,后推1 950个点,取窗口长度2 000点。

1) 小波特征的提取。将各特征训练集(或测试集)样本采用db4函数进行4层小波及小波包分解。对小波分解得到的小波系数,利用式(1)提取出小波能量比(Ewt)特征,组成5维特征向量,对第4层的16个波包系数利用式(2)、式(3)、式(4)提取相应波形特征(EwptEshanElg),分别组成16维特征向量。用标准差标准化方法,对特征向量进行标准化。

2) P/S震相振幅比特征的提取。信号的S波和P波最大振幅比是天然地震和人工爆破波形信号中的一个重要特征,本文直接对天然地震和人工爆破记录的近台台站数据进行P/S震相振幅比特征的提取,具体方法为:采用STA/LTA算法自动识别P波初至位置A,由R=max(A-50:A+50)/ max(A+50:A+1 900)计算得到。

将提取的多个小波特征分别和P/S震相振幅比特征进行组合,分别组成17维特征向量。利用前述构造的BP神经网络检验各小波特征及特征组合的分类能力,图 5为P/S震相振幅比和小波能量比组合特征向量库。

图 5 P/S震相振幅比和小波能量比组合特征向量库 Fig. 5 Eigenvector library of P/S amplitude ratio and wavelet energy
4 识别能力检验

将测试集用上述方法进行特征提取,用训练得到的BP神经网络进行地震事件分类,检验各小波特征及加入P/S震相振幅比特征组合的分类能力,测试结果见表 1图 6

表 1 各判据对测试集的分类效果 Tab. 1 Classification results of testing sets by each criteria

图 6 综合使用振幅比和对数能量熵特征的识别效果 Fig. 6 Identification effect combining with amplitude ratio and logarithmic energy entropy characteristics

表 1可知,4种小波特征判据中,小波能量比判据的识别率较高,分类识别率达到70%;小波包能量比和小波包香农熵的识别效果较差;将P/S震相振幅比和小波波形特征结合,识别率有较明显的提高,都达到75%以上;综合使用P/S震相振幅比和小波包对数能量熵特征,识别率较高,分类识别率达到85%。从错误识别数来看,单特征对于人工爆破和天然地震的错误识别数总体相当,组合特征对于人工爆破的错误识别数总体上大于天然地震。表 2为P/S震相振幅比和小波包对数能量熵组合特征的错误识别统计,错误识别的共有4次天然地震和11次人工爆破事件。分析错误识别事件的波形发现,序号1的事件波形中HAJF台背景噪声较大,序号7的事件波形中LCGT台存在零漂现象;错误识别的人工爆破事件震级普遍较小,其中有5次事件的震中(长泰)位置较为接近。初步认为,少数事件错误识别的原因为事件的震级较小或背景噪声相对较大,导致事件信号不明显;事件波形零漂失真;而其他多数错误事件排除上述现象,推测其错误识别的原因可能是所提取的特征值不能较好地体现此类事件震源类型的差异,或神经网络训练样本存在该类矛盾样本。

表 2 P/S震相振幅比和小波包对数能量熵组合特征错误识别事件 Tab. 2 The directory of false recognition

关于P/S震相振幅比和小波能量比判据作为识别两类事件的物理解释,相关研究认为,天然地震和人工爆破波形差异的本质是两者的震源性质不同,从而导致其激发S波的能力不同。在通常情况下,人工爆破的P波比天然地震的强,S波比天然地震的弱,因此天然地震振幅比值较人工爆破小,但由于二者衰减速度不同,P/S震相振幅比对震中距有很强的依赖性[7]。天然地震的震源是非对称剪切源,震源深度比人工爆破深,台站记录到的天然地震波形成分较丰富,频带范围更宽;而人工爆破源是瞬间膨胀源,多发生在地表,信号频带范围较窄;天然地震能量信号多集中于低频段,人工爆破能量多集中于高频段。人工爆破信号的一个特点是距离爆破源较近时波的高频成分丰富, 但在远距离传播路径中高频成份衰减很快[11],因此本文选取震中距较小的近台数据,以尽可能地反映人工爆破和天然地震的本质区别。

5 塌陷事件和水库诱发地震的识别测试实例

2010-07-10 21:37和21:38龙岩地区连续发生2次塌陷事件,台网记录到完整的事件波形。台网对塌陷等特殊地震动鲜有记录,经过认真分析并实地考察确认为塌陷。塌陷发生在地表或地下几十米处,其震源体对震源外介质施加的主要是拉力,产生的是膨胀波,特点是垂直向初动向下。由于塌陷事件震源浅,地震波在传播过程中通过的介质比较疏松,其高频成分往往被介质吸收,因此其体波周期比天然地震的长[8]。将其中一次塌陷事件加入训练样本,运用识别率较高的P/S震相振幅比和小波包对数能量熵组合特征,结合神经网络的方法对这2次塌陷事件进行识别测试,结果均为非天然地震。但由于台网记录的塌陷事件较少,需收集更多事件数据验证该识别方法的有效性。

图 7 龙岩塌陷事件波形 Fig. 7 Collapse waveform in Longyan

水口水库位于闽江干流,大坝座落在福建省闽清县雄江乡下濮村,下游距闽清县城14 km, 距福州84 km。水库全长约100 km,是一个狭长的河道型水库,迄今为止已诱发多次地震[12],2015-01~2019-04该区共发生ML1.0以上水库诱发地震事件22次,最大震级ML2.5。将其中7次事件加入训练样本,同样采用上述方法对其他15次事件进行识别测试,结果为非天然地震12次,识别率为80%。

6 结语

1) 本文的4种小波特征判据中,小波能量比判据的识别率较高;结合使用P/S震相振幅比后识别率有明显提高,说明有效特征的加入有助于识别率的提高。其中综合使用P/S震相振幅比和小波包对数能量熵特征,识别效果达到85%,初步表明该方法有效,可考虑应用于天然地震与人工爆破在线自动识别系统。今后可对该指标作进一步研究,并增选其他有效特征值进一步提高识别率。采用组合特征对塌陷事件和水库诱发地震进行识别检验,初步表明,指标对该类事件亦具有识别效果。

2) 国内相关研究利用小波能量比判据使用相似分类器[2],与本文得出的小波能量比判据分类识别能力有所差别,可能反映了天然地震和人工爆破的地区差异性。此外,本文在神经网络训练中使用的学习样本仅是福建大部分区域的事件,没有完全覆盖所有区域,对识别效果也存在一定程度的影响。网络模型的逼近和推广能力与学习样本的典型性密切相关,这也正是BP神经网络的局限性之一。今后可进一步完善和优化学习样本,如增加其他地区的事件、选择更具有代表性的样本、提高系统的泛化能力等,进而提高识别率。

3) 天然地震与人工爆破本质的差异是震源性质不同,其次是传播路径不一致。本文选取震中距较小的近台数据,减少传播路径的影响,尽可能反映人工爆破和天然地震的本质区别,但地震波传播路径的影响并不能被完全消除。此外,一个事件通常会有多台记录,今后将尝试使用多台数据对比验证本文的识别效果。

后期工作将在现有研究基础上考虑上述认识,进一步改进识别算法并进行大批量的事件验证,将识别算法嵌入福建局自动地震编目系统,实现震源类型自动识别的日常化应用,减少地震分析的工作量和成本。

参考文献
[1]
边银菊. 遗传BP网络在地震和爆破识别中的应用[J]. 地震学报, 2002, 24(5): 516-524 (Bian Yinju. Application of Genetic BP Network to Discriminating Earthquakes and Explosions[J]. Acta Seismologica Sinica, 2002, 24(5): 516-524 DOI:10.3321/j.issn:0253-3782.2002.05.009) (0)
[2]
张帆, 韩晓明, 郝美仙, 等. 内蒙古阿拉善地区爆破和地震自动识别研究[J]. 华南地震, 2016, 36(3): 98-103 (Zhang Fan, Han Xiaoming, Hao Meixian, et al. Auto Identification of Explosion and Seismic Events in Alashan Area[J]. South China Journal of Seismology, 2016, 36(3): 98-103) (0)
[3]
Pulli J J, Dysart P S. An Experiment in the Use of Trained Neural Networks for Regional Seismic Event Classification[J]. Geophysical Research Letters, 1990, 17(2): 977-980 (0)
[4]
Dowla F U, Taylor S R, Anderson R W. Advancement in Source Estimation Techniques Using Broadband Regional Seismograms[J]. Bulletin of the Seismological Society of America, 1990, 86(5): 1 346-1 373 (0)
[5]
Mori J. Estimates of Velocity Structure and Source Depth Using Multiple P Waves from After Shocks of the 1987 Elomor Ranch and Superstition Hils, California, Earthquakes[J]. Bulletin of the Seismological Society of America, 1991, 81(2): 508-523 (0)
[6]
Allamehzadeh M, Mahmoudi J. Discrimination between Earthquakes and Explosion Using MLP and RBF Neural Networks[J]. Biostatistics and Biometrics, 2017, 2(4): 1-13 (0)
[7]
潘常周, 靳平, 王红春. P/S震相幅值比判据对低震级事件适用性检验[J]. 地震学报, 2007, 29(5): 521-528 (Pan Changzhou, Jin Ping, Wang Hongchun. Applicability of P/S Amplitude Ratios for The Discrimination of Low Magnitude Seismic Events[J]. Acta Seismologica Sinica, 2007, 29(5): 521-528 DOI:10.3321/j.issn:0253-3782.2007.05.009) (0)
[8]
汪贵章, 凌学书, 张佑龙, 等. 安徽及周边爆破塌陷特殊地震动特征识别[J]. 防灾科技学院学报, 2010, 12(2): 26-31 (Wang Guizhang, Ling Xueshu, Zhang Youlong, et al. Characteristic Recognition of Non-Natural Earthquakes such as Explosions in Anhui and the Periphery[J]. Journal of Institute of Disaster-Prevention Science and Technology, 2010, 12(2): 26-31 DOI:10.3969/j.issn.1673-8047.2010.02.007) (0)
[9]
黄汉明, 边银菊, 卢世军, 等. 天然地震与人工爆破的波形小波特征研究[J]. 地震学报, 2010, 32(3): 270-276 (Huang Hanming, Bian Yinju, Lu Shijun, et al. A Wavelet Feature Research on Seismic Waveforms of Earthquakes and Explosions[J]. Acta Seismologica Sinica, 2010, 32(3): 270-276 DOI:10.3969/j.issn.0253-3782.2010.03.002) (0)
[10]
卢世军, 黄汉明. 基于能量比的天然地震与人工爆破自动识别算法研究[J]. 华南地震, 2010, 30(1): 34-39 (Lu Shijun, Huang Hanming. Research on Automatic Recognition of Natural Earthquake and Artificial Explosion Based on Energy Ratio[J]. South China Journal of Seismology, 2010, 30(1): 34-39 DOI:10.3969/j.issn.1001-8662.2010.01.005) (0)
[11]
王婷婷, 边银菊, 张博. 地震与爆破的小波包识别判据研究[J]. 地震学报, 2014, 36(2): 220-232 (Wang Tingting, Bian Yinju, Zhang Bo. Recognition Criteria of Earthquakes and Explosions Based on Wavelet Packet Analysis[J]. Acta Seismologica Sinica, 2014, 36(2): 220-232 DOI:10.3969/j.issn.0253-3782.2014.02.007) (0)
[12]
许振栋, 罗家天, 余庆旺, 等. 福建水口水库诱发地震及其发展趋势探讨[J]. 大地测量与地球动力学, 2007, 27(3): 106-112 (Xu Zhendong, Luo Jiatian, Yu Qingwang, et al. Discussion on Induced Earthquake in Shuikou Reservoir Area of Fujian Province and Seismic Activity Trend[J]. Journal of Geodesy and Geodynamics, 2007, 27(3): 106-112) (0)
Automatic Identification of Earthquake and Explosion Based on Wavelet Transform and Neural Network
CAI Xinghui1     ZHANG Yanming1     CHEN Huifang1     WU Lihua1     
1. Fujian Earthquake Agency, 7 Huahong Road, Fuzhou 350003, China
Abstract: Adopting natural earthquakes and artificial explosion waveform record events of Fujian region, through one dimensional discrete wavelet transform(DWT) and 4-layer wavelet packet transform(WPT) for signal decomposition, we use the extract to identify four waveform little potter characters: the wavelet energy than characteristics, wavelet packet energy than features, wavelet packet Shannon entropy, logarithmic of wavelet packet energy entropy.Inaddition, we extract the original waveform P/S seismic phase amplitude ratio.We use BP neural network to test the recognition effect of four kinds of wavelet characteristics and add the characteristics of P/S seismic phase amplitude ratio respectively. The results show that the wavelet energy ratio feature recognition is effective. The combination of P/S seismic phase amplitude ratio and wavelet packet logarithmic energy entropy has the best recognition effect, which can be considered as the identification criterion for the online automatic identification system of natural earthquake and artificial explosion.
Key words: earthquake and explosion; P/S amplitude ratio; wavelet analysis; BP neural network