2. 上海佘山地球物理国家野外科学观测研究站,上海市兰溪路87号,200062;
3. 天津市地震局,天津市友谊路19号,300201;
4. 安徽省地震局,合肥市长江西路558号,230031
人工智能技术引入防震减灾领域后,在增强地震学大数据分析方面显示出强大的适用性,极大地提高了地震减灾的准确性和效率,并开始引领防震减灾科技的发展[1]。传统地震检测和震相拾取主要依靠人工识别和STA/LTA方法[2]。随着人工智能技术的快速发展,卷积神经网络CNN已被成功应用于地震检测及震相拾取等领域,并在检测精度、自动化程度等方面大幅超越了传统算法。其中具有代表性的模型有目标地震检测和定位的卷积神经网络ConvNetQuake[3]、广义相位检测GPD[4]、目标震相识别和到时拾取的卷积神经网络PhaseNet[5]、基于光谱图像的卷积神经网络SRSpec-CNN[6]、基于高度优化卷积的递归神经网络DeepPhasePick[7]和Earthquake Transformer[8]。国内学者也提出基于U型卷积神经网络的震相识别与到时拾取模型Unet_cea[9]、基于标准时频变换的地震事件自动识别和震相拾取方法NTFT-CNN[10-11]等,并进行了许多研究,得出很多有益结论[12-16]。
随着城市化建设的持续发展,人类活动带来的干扰不断增强,给弱震区的地震活动自动监测、大震后余震的自动识别和震情跟踪、预警自动化快速产出和地形、断层构造特征研究等带来挑战。而准确、快速地从较大干扰背景中检测出地震事件并识别出相应微震震相,及时构建完整的微震目录,是地震科技创新工程的重要组成部分,也是防震减灾工作的迫切需求。本文使用以美国斯坦福地震数据集(STEAD)[17]中中国及周边地区地震数据进行模型训练的全新深度学习模型CWT-CNN Few-Shot Earthquake(CCFE),对安徽霍山地区地震数据进行地震检测和震相识别,构建该地区微震目录,并将得到的结果与其他深度学习方法结果进行比对分析,验证其准确性和实用性。
1 数据及模型 1.1 CCFE模型介绍本文使用的CCFE模型[18]是在单站波形信号中检测区域地震信号(震中距 < 150 km)并识别P波和S波。该模型使用相似的网络结构同时进行地震检测和相位识别,每个结构由连续小波变换器和轻量级卷积神经网络组成。通过连续小波变换,将输入的一维时序数据转化为二维时频矩阵数据,以突出地震信号的代表性特征,作为后续轻量级卷积神经网络的输入。CCFE模型与其他深度学习模型的显著差异在于,其有1个层数较少的轻量化卷积神经网络,包括3个卷积层和1个全连接层,并对单个卷积层进行重新设计。通过引入小波变换和使用层数较少的轻量化卷积神经网络,使得CCFE模型可使用少量标记数据进行小样本学习。
CCFE模型使用斯坦福地震数据集(STEAD)中中国及周边地区地震数据进行训练。STEAD是标记地震和非地震信号的大规模全球数据集,包含约1 200 000个标记数据,但仅有少量中国及周边地区的标记数据。模型的训练数据集包括震中距小于150 km的地震台站记录的约81 000个地震波形,这些波形与大约54 000次地震相关,来自93个不同的台站,地震波形来自中国不同地理区域和构造环境,但不包含中国南部的地震。另外,为了使CCFE模型能更好地识别霍山地区的地震,增加1 116条霍山地区2009年编目地震数据作为其补充训练数据集。
1.2 数据来源本文使用安徽霍山佛子岭(FZL)台2017-06~08连续波形记录作为测试数据。FZL台采用KS-2000M型地震计,采样率为100 Hz,波形数据包含3个通道:HN为NS向、HE为EW向、HZ为UD向。
霍山地区位于安徽省中西部北大别山沉降南缘,由于扬子克拉通与华北克拉通的碰撞,该地区地质构造比较复杂,共发育3组断裂,分别为磨子潭-晓天断裂、落儿岭-土地岭断裂和梅山-龙河口断裂。霍山及周边地区历史上共发生9次5级以上地震,近代小震及微震活动也较活跃,且微震频次与中等强度地震有很好的对应关系,因此形成著名的震情应力窗口,是研究安徽乃至华东地区地震活动性的重要指示。另外,研究霍山地区构造应力场特征、丛集地震事件精定位及发震断面等,对分析与其毗邻的3个Ⅱ级应力区间的相互作用、探讨霍山地区活动地震断面及中小地震的发震机制等有重要的参考意义[19-20]。
2 结果和分析 2.1 微震识别分析2017-06~08霍山地区地震目录共记录到ML0.1~3.3地震事件76次,其中ML3.1~4.0地震1次,ML2.1~3.0地震0次,ML1.1~2.0地震10次,ML0.1~1.0地震65次。本文使用步长为1 s的滑动窗口,分别从连续波形中截取24 s和4 s数据用于地震检测和震相识别。当模型检测到地震或识别到P波和S波震相时,自动进行标记。结果显示,CCFE模型共检测出164次地震,比地震目录中的数量多88个,其中ML3.1~4.0地震1次,ML2.1~3.0地震0次,ML1.1~2.0地震10次,ML0.1~1.0地震65次,ML-0.9~0.0地震51次,ML-1.9~-1.0地震37次。CCFE模型识别出了全部88次遗漏地震的P波和S波震相,使用与人工编目一致的单纯形法对遗漏地震进行定位,编目地震及检测出的遗漏地震分布情况如图 1所示,部分遗漏地震目录及震相情况如表 1所示。可以看出,遗漏地震的震级分布在ML-1.7~0.0,且基本在ML-1.0左右。
为验证检测出的地震是否准确,利用小波变换对检测出的地震波形和编目地震波形进行处理,并对得到的时频分布进行分析。小波基选择complex Morlet小波。具体结果如图 2所示。
由图 2可以看出,遗漏地震的时域波形在形态上与编目地震相似度较高,且频率域的地震能量信号主要集中在10 Hz附近。值得注意的是,遗漏地震的时频谱显示出的能量信号相对于编目地震在频率域的分布更窄,大致在5~10 Hz。产生此现象的原因可能是检测出的遗漏地震包含的能量更小(震级分布在ML-1.0左右),且震中距更近(约为2 km)。
2.2 检测结果分析对于地震目录中已有的76次地震,将CCFE模型拾取的P波和S波震相到时与人工拾取到时进行比对,结果如图 3所示。可以看出,CCFE模型拾取的震相到时与人工拾取的结果基本一致,到时差基本在0.03 s左右,最大到时差为0.09 s,说明CCFE模型可以较精准地拾取霍山地区地震的震相到时。
CCFE模型的地震震级计算方法与编目地震相同,因此其检测出的地震震级与地震目录结果一致。另外,安徽省地震局对于霍山地区地震的编目震级要求为ML0.1以上,而遗漏地震震级分布在ML-1.7~0.0范围内,这使得地震目录在该范围内的完整性有较明显的改善。
2.3 微震识别效果分析霍山地区微震活动比较活跃,常有震群发生,台站记录到的数据中会出现2个地震波形距离很近、甚至首尾相接的现象。由于CCFE模型所用的数据需进行窗口化,导致同一窗口内可能有多个地震波形,给此类地震事件的识别带来困难。本文使用目前比较常见的深度学习模型CRED、EQT和GPD,与CCFE一起对同样的连续微震事件进行识别,以进行对比分析。CRED是一种基于CNN-RNN的地震检测模型,训练数据集为北加州地区约44万次地震;EQT(EQTransformer) 是一种基于CNN-RNN-Attention的地震检测和震相拾取模型,训练数据集为STEAD中110万次地震;GPD是一种基于CNN的震相拾取模型,训练集为南加州地区约340万次地震。各模型对微震事件的识别情况如图 4所示。
由图 4第1列可以看出,对于2个地震波形距离较远的情况,CCFE模型可准确识别2次地震及相应的震相位置,并且通过将地震检测和震相识别组合使用的策略,可有效应对仅识别出震相或地震位置的情况,不会将其误认为是地震事件;CRED模型虽然检测出2次地震事件,但存在较多误识别;EQT模型准确识别出2次地震的震相位置,且不存在误识别现象;GPD模型虽然识别出2次地震相应的震相位置,但也存在较多震相误识别。对于2个地震波波形距离较近,尤其较大地震前震级相对小很多的地震波形(图 4第2列),CCFE模型依然可以准确识别2次地震及相应的震相位置,虽然检测到的地震所在区域连为一体,但识别出的2组震相表明区域内存在2次地震事件;CRED模型的识别结果没有太大变化,虽能识别出2次地震事件,但依然存在较多误识别;EQT模型不存在误识别现象,但没有识别出前面较小的地震事件及震相;GPD模型能识别出2次地震的震相位置,但仍存在较多误识别。
对比2种场景下各模型的识别情况可以看出,CCFE和EQT模型的表现优于CRED和GPD模型,说明将地震检测和震相识别组合使用可有效提高地震序列中微震事件及其震相识别的准确性;EQT模型虽整体表现优异,但无法识别出2个波形距离较近的较小地震事件。综合可知,对于震级较小的地震波形,CCFE模型相对于其他深度学习模型具有较高的识别成功率。
3 结语本文利用一种全新的深度学习模型CCFE对安徽霍山地区地震数据进行遗漏地震检测和震相识别。检测发现了88次遗漏地震,并给出震中位置和震级估计结果。通过对检测识别出的地震事件及震相特征进行时频分析,并同编目结果进行比对,证明了CCFE模型的检测结果准确可靠。
相对于其他深度学习模型,CCFE模型对于震级较小和2个波形距离较近,尤其是较大地震前震级相对小很多的地震波形的检测和震相识别具有较高的成功率。后续将在本文研究基础上,结合地震精定位和震源机制,更全面、深入地研究中国东部弱震、少震地区的发震构造。
致谢: 感谢安徽地震台提供地震波形数据。
[1] |
邵永谦, 王国成, 彭钊, 等. 基于标准时频变换的上海地区地震与爆破识别[J]. 华北地震科学, 2022, 40(2): 48-55 (Shao Yongqian, Wang Guocheng, Peng Zhao, et al. Recognition and Analysis of Earthquake and Blasting in Shanghai Area Based on Standard Time-Frequency Transform[J]. North China Earthquake Sciences, 2022, 40(2): 48-55)
(0) |
[2] |
Allen R V. Automatic Earthquake Recognition and Timing from Single Traces[J]. Bulletin of the Seismological Society of America, 1978, 68(5): 1 521-1 532 DOI:10.1785/BSSA0680051521
(0) |
[3] |
Perol T, Gharbi M, Denolle M. Convolutional Neural Network for Earthquake Detection and Location[J]. Science Advances, 2018, 4(2)
(0) |
[4] |
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): 5 120-5 129 DOI:10.1029/2017JB015251
(0) |
[5] |
Zhu W Q, Beroza G C. PhaseNet: A Deep-Neural-Network-Based Seismic Arrival-Time Picking Method[J]. Geophysical Journal International, 2019, 216(1): 261-273
(0) |
[6] |
Nakano M, Sugiyama D, Hori T, et al. Discrimination of Seismic Signals from Earthquakes and Tectonic Tremor by Applying a Convolutional Neural Network to Running Spectral Images[J]. Seismological Research Letters, 2019, 90(2A): 530-538 DOI:10.1785/0220180279
(0) |
[7] |
Soto H, Schurr B. DeepPhasePick: A Method for Detecting and Picking Seismic Phases from Local Earthquakes Based on Highly Optimized Convolutional and Recurrent Deep Neural Networks[J]. Geophysical Journal International, 2021, 227(2): 1 268-1 294
(0) |
[8] |
Mousavi S M, Ellsworth W L, Zhu W Q, et al. Earthquake Transformer--An Attentive Deep-Learning Model for Simultaneous Earthquake Detection and Phase Picking[J]. Nature Communications, 2020, 11(1): 3 952 DOI:10.1038/s41467-020-17591-w
(0) |
[9] |
赵明, 陈石, 房立华, 等. 基于U型卷积神经网络的震相识别与到时拾取方法研究[J]. 地球物理学报, 2019, 62(8): 3 034-3 042 (Zhao Ming, Chen Shi, Fang Lihua, et al. Earthquake Phase Arrival Auto-Picking Based on U-Shaped Convolutional Neural Network[J]. Chinese Journal of Geophysics, 2019, 62(8): 3 034-3 042)
(0) |
[10] |
姚彦吉, 柳林涛, 王国成, 等. 地震事件自动识别的标准时频变换方法[J]. 武汉大学学报: 信息科学版, 2022, 47(5): 780-788 (Yao Yanji, Liu Lintao, Wang Guocheng, et al. A Normal Time-Frequency Transform Method for Automatic Recognition of Earthquake Event[J]. Geomatics and Information Science of Wuhan University, 2022, 47(5): 780-788)
(0) |
[11] |
姚彦吉, 柳林涛, 盛敏汉, 等. 利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时[J]. 地球物理学报, 2022, 65(1): 227-243 (Yao Yanji, Liu Lintao, Sheng Minhan, et al. Unbiased Picking Onset Time of P and S Phases by Normal Time-Frequency Transform Method under a Strong Noise Environment[J]. Chinese Journal of Geophysics, 2022, 65(1): 227-243)
(0) |
[12] |
谭毅培, 曹井泉, 刘文兵, 等. 2013年3月涿鹿微震群遗漏地震事件检测和发震构造分析[J]. 地球物理学报, 2014, 57(6): 1 847-1 856 (Tan Yipei, Cao Jingquan, Liu Wenbing, et al. Missing Earthquakes Detection and Seismogenic Structure Analysis of the Zhuolu Micro-Earthquake Swarm in March 2013[J]. Chinese Journal of Geophysics, 2014, 57(6): 1 847-1 856)
(0) |
[13] |
Mousavi S M, Zhu W Q, Sheng Y X, et al. CRED: A Deep Residual Network of Convolutional and Recurrent Units for Earthquake Signal Detection[J]. Scientific Reports, 2019, 9
(0) |
[14] |
Dokht R M H, Kao H, Visser R, et al. Seismic Event and Phase Detection Using Time-Frequency Representation and Convolutional Neural Networks[J]. Seismological Research Letters, 2019, 90(2A): 481-490 DOI:10.1785/0220180308
(0) |
[15] |
赵明, 唐淋, 陈石, 等. 基于深度学习到时拾取自动构建长宁地震前震目录[J]. 地球物理学报, 2021, 64(1): 54-66 (Zhao Ming, Tang Lin, Chen Shi, et al. Machine Learning Based Automatic Foreshock Catalog Building for the 2019 MS6.0 Changning, Sichuan Earthquake[J]. Chinese Journal of Geophysics, 2021, 64(1): 54-66)
(0) |
[16] |
苏金波, 刘敏, 张云鹏, 等. 基于深度学习构建2021年5月21日云南漾濞MS6.4地震序列高分辨率地震目录[J]. 地球物理学报, 2021, 64(8): 2 647-2 656 (Su Jinbo, Liu Min, Zhang Yunpeng, et al. High Resolution Earthquake Catalog Building for the 21 May 2021 Yangbi, Yunnan, MS6.4 Earthquake Sequence Using Deep-Learning Phase Picker[J]. Chinese Journal of Geophysics, 2021, 64(8): 2 647-2 656)
(0) |
[17] |
Mousavi S M, Sheng Y X, Zhu W Q, et al. Stanford Earthquake Dataset(STEAD): A Global Data Set of Seismic Signals for AI[J]. IEEE Access, 2019, 7: 179 464-179 476 DOI:10.1109/ACCESS.2019.2947848
(0) |
[18] |
Peng Z, Shao Y Q, Xia S A. CCFE: A Few-Shot Learning Model for Earthquake Detection and Phase Identification[J]. IEEE Access, 2022, 10: 124 629-124 636 DOI:10.1109/ACCESS.2022.3225171
(0) |
[19] |
许鑫, 万永革, 冯淦, 等. 安徽霍山地区丛集地震事件揭示的三条地震断面及其滑动性质研究[J]. 地球物理学报, 2022, 65(5): 1 688-1 700 (Xu Xin, Wan Yongge, Feng Gan, et al. Study on Three Seismic Fault Segments and Their Sliding Properties Revealed by Clustered Seismic Events in Huoshan Area, Anhui Province[J]. Chinese Journal of Geophysics, 2022, 65(5): 1 688-1 700)
(0) |
[20] |
崔腾发, 陈小斌, 詹艳, 等. 安徽霍山地震区深部电性结构和发震构造特征[J]. 地球物理学报, 2020, 63(1): 256-269 (Cui Tengfa, Chen Xiaobin, Zhan Yan, et al. Characteristics of Deep Electrical Structure and Seismogenic Structure beneath Anhui Huoshan Earthquake Area[J]. Chinese Journal of Geophysics, 2020, 63(1): 256-269)
(0) |
2. Shanghai Sheshan National Geophysical Observatory, 87 Lanxi Road, Shanghai 200062, China;
3. Tianjin Earthquake Agency, 19 Youyi Road, Tianjin 300201, China;
4. Anhui Earthquake Agency, 558 West-Changjiang Road, Hefei 230031, China