2021, Vol. 64
2. 中国地震局厦门海洋地震研究所, 厦门 381000;
3. 中国地震局地球物理研究所, 北京 100081;
4. 中国地震局震源物理重点实验室, 北京 100081;
5. 防灾科技学院, 河北三河 065201;
6. 云南省地震局, 昆明 650224
, ZHANG HongCai1,2, FAN LiPing3,4, LI BoRen3, HUANG LingZhu1, FANG LiHua3,4,5
, QIN Min6
2. Xiamen Institute of Marine Seismology, China Earthquake Administration, Xiamen 381000, China;
3. Institute of Geophysics, China Earthquake Administration, Beijing 100081, China;
4. Key Laboratory of Earthquake Source Physics, China Earthquake Administration, Beijing 100081, China;
5. Institute of Disaster Prevention, Sanhe Hebei 065201, China;
6. Yunnan Earthquake Agency, Kunming 650224, China
我国地震台网观测数据的处理流程主要包括事件检测、震相到时拾取、地震定位和震级测定等环节，目前主要依靠人工完成.随着地震台网的不断加密，以及大规模流动地震台阵和短周期超密集台阵的发展，监测到的地震数量将成倍增加.如目前正在实施的“国家地震烈度速报与预警工程”，将在全国建设15000多个地震台站(李山有, 2018)，地震台站数量将增加10倍多.现有的人工处理模式难以为继，迫切需要发展自动处理方法来解决海量数据的快速处理问题.
对于中国地震台网而言，地震预警、速报和编目是其三个重要功能.地震预警和速报主要是处理ML3.0以上的较大地震.据中国地震台网中心统计，区域台网记录到的ML3.0以下地震的数量占比超过92.5%(代光辉等，2019).地震编目是对地震观测资料进行解释、分析、处理并产出地震目录和地震观测报告的过程(中国地震局，2017)，产出内容包括地震目录(发震时刻、震源位置、震级大小、地震类型等)、震相到时、震相类型、初动极性、振幅和周期等信息.汇总形成的观测报告是地震台网最重要的产品之一，在地震活动性分析、地震预测预报和地球内部结构研究等领域发挥着重要作用，被广泛用于地震精定位和体波走时层析成像研究(Zhang and Thurber, 2003；Thurber et al., 2004；吴建平等，2013；易桂喜等，2013；蒋长胜等，2015；房立华等，2018；Wang et al., 2018；Li et al., 2019).中强地震发生后，在短时间内通常会伴随着成千上万个余震.快速处理这些余震序列，可以为地震应急救援、地震序列类型研判、余震序列精定位、震源机制解节面确定、地震破裂过程反演和ShakeMap计算，以及发震构造等研究提供重要参考信息(易桂喜等，2013；Fang et al., 2013；张勇等，2015).
我国目前共有1200多个测震台站，每月编目地震数达数万条(代光辉等，2019).现在的地震编目主要依靠人工完成.一方面，受专业素养、经验积累、操作习惯等因素的影响，对于同一次地震事件，尤其是信噪比较低的地震波形，由于到时拾取标准不一致，不同编目人员会给出不同的分析结果.另一方面，当中强地震或地震序列发生时，在短时间内需要处理成千上万个地震，人工分析时效性差，且经常会遗漏一些震级较小的地震，导致地震序列目录不完整.此外，随着我国地震监测台站数量和规模的不断扩大，台网监测能力不断提升，可编目的地震数量和记录台站数将越来越多，依靠现有人工处理完成地震编目的工作模式将面临重大挑战.
为解决地震数据自动处理的问题，国内外很多学者和研究机构开发了多个处理系统.自2008年起，我国研发了多个基于实时观测数据的实用化地震自动处理系统(金星等，2007；梁建宏，2009；黄文辉等，2016b)，这些系统均以ML3.0以上地震自动速报为目标，尚不具备自动处理微小地震的能力.目前，即便是国际上已经得到广泛应用的Earthworm(Johnson et al., 1995)与SeisComP3(Hanka et al., 2010)等系统也不具备自动处理微小地震的能力.只有解决这些数量众多的微震的自动检测，才能充分发挥密集台网的观测优势.Tamaribuchi(2018)基于特征函数率检测方法(characteristic function ratio)和震相组合正向搜索法(The Phase combination Forward search)发展了一套自动处理系统，该系统在日本东北地区检测出的地震数量增加了近1倍.Yeck等(2019)发展了GLASS3震相关联方法，实现了本地、区域和全球范围内地震的实时监测.Scafidi等(2019)和Spallarossa等(2020)发展了CASP系统，该系统检测到地震的数量比人工目录多数倍.这些系统大都应用传统的震相自动拾取算法，部分具有处理微小地震的能力.我国的地震台网分布范围广，台站密度和背景噪声水平差异较大，且地壳速度结构变化较剧烈，这些系统难以满足我国地震编目工作的需求.例如，即使是在台网较为稀疏的地区，通常只要有3个台站记录到5个震相到时就要产出地震目录，而国外的这些系统的触发阈值均需超过4个以上台站.
地震检测和到时拾取是地震数据自动处理的关键一步，后续处理还包括震相关联、地震定位、震级测定等步骤.2017年，中国地震局地球物理研究所与阿里云联合举办了“余震捕捉AI大赛”.此次比赛中，应用人工智能算法的参赛队伍取得了优异成绩，表明人工智能技术在微震检测领域具有良好的应用前景(Fang et al., 2017).2018年以来，以深度学习为代表的地震检测方法开始逐渐得到应用(Pero et al., 2018; Ross et al., 2018; Kong et al., 2019; 蒋一然和宁杰远, 2019; Zhu et al., 2019; Zhu and Beroza, 2019; Wang et al., 2019; 赵明等, 2019; 周本伟等, 2020; 于子叶等, 2020).特别是在震相拾取领域，多个地震检测模型得到了广泛关注，如基于卷积神经网络的GPD模型(Ross et al., 2018)，基于U-Net的PhaseNet模型(Zhu and Beroza, 2019)，基于LSTM网络的EQTransformer模型(Mousavi et al., 2020)及其改进版本S-EqT(Xiao et al., 2021)等.最近，处理连续波形数据得到高精度、完整的地震目录，逐渐成为新的研究趋势.Liu等(2020)应用PhaseNet模型和REAL震相关联算法(Zhang et al., 2019)对2019年美国Ridgecrest MW7.1地震序列进行处理，检测出的地震数量是人工目录的2倍多.Park等(2020)、Wang等(2020)和Tan等(2021)将类似的流程应用于诱发地震研究中.赵明等(2021)以长宁地震为例，应用迁移学习和震相关联，初步构建了从连续波形中产出地震目录的流程.但上述研究都是基于离线的连续波形数据，并未实现针对实时观测数据的在线处理.本文介绍了基于人工智能算法的实时地震处理系统(简称“实时处理系统”)的设计和研发情况，对系统的架构设计和核心功能模块进行重点介绍，并以2021年5月21日云南漾濞MS6.4地震序列为例，展示了该系统实时处理地震序列的效果.
1 实时处理系统介绍自2018年开始，中国地震局监测预报司开始推动实时处理系统的研发.研发团队当年完成了系统架构设计，并基于FilterPicker地震检测(Lomax et al., 2012)和NLLoc地震定位方法(Lomax et al., 2008)，初步实现了首都圈与福建地区ML1.5以上地震的自动处理.但对于ML1.5以下的地震，由于波形信噪比低，处理效果较差，误检和漏检比例较高.2019年，研发团队对处理系统的各模块进行优化，重点探索了不同地震检测算法的有效性，并完善了震相关联算法，使其可处理省级区域地震台网和全国地震台网的数据.2020年，研发团队将深度学习地震检测方法应用于实时数据处理，采用PhaseNet(Zhu and Beroza, 2019)和EQTransformer(Mousavi et al., 2020)两种模型进行数据处理，分别使用2013年四川芦山MS7.0地震、2019年四川长宁MS6.0地震和2018年四川石棉MS4.1地震序列的连续波形数据进行离线测试，并使用西昌台阵、福建地震台网和全国地震台网的数据进行在线测试.2021年，研发团队继续对系统进行优化，将事件触发最小阈值由7个震相降低至5个震相，初步解决了在台网稀疏地区漏检率较高的问题.
实时处理系统从我国地震编目工作的实际需求出发，针对省级台网中心负责本省行政区内地震的分析工作，国家台网中心综合产出全国统一地震目录的现有工作模式(代光辉等，2019)，以现有的地震编目数据处理流程和评价指标为基础，并考虑未来业务发展需求进行整体系统设计.实时处理系统采用分布式架构、模块化设计，模块可灵活定制，相关功能模块可分阶段、协作研发，处理效率高，对计算机配置要求低.
(1) 系统架构
实时处理系统的设计目标是实现实时快速产出地震目录、事件类型、震相报告等信息，快速产出地震精定位和震源机制解，分析人员可以在自动处理结果的基础上，进行快速复核与修订，产出正式地震目录与详细震相报告.
在参考目前国际上广泛采用的Earthworm(Johnson et al., 1995)、Hydra(Patton et al., 2016)、SeisComP3(Hanka et al., 2010)、JOPENS(黄文辉等，2016a)等地震数据处理系统架构的基础上，实时处理系统总体架构如图 1所示.该系统包括AI震相捡拾、关联与定位、震级测定、单台记录地震处理、事件类型判别、快速地震精定位、快速震源机制解等7个数据处理模块，包括波形共享、消息交换、人工编目接口、可视化界面等4个系统支撑模块，可处理的数据源包括测震、强震、烈度计等不同类型的实时波形数据.
|
图 1 实时智能地震处理系统总体架构示意图 青色方形代表数据处理模块, 蓝色方形代表系统支撑模块, 红色虚框表示正在研发的功能模块. Fig. 1 The architecture of the Real-time Intelligent Seismic Processing system The cyan square represents the data processing module. The blue square represents the system supporting module and the red dashed box represents the function module under development. |
(2) 数据处理流程
以全国地震编目工作为例，实时处理系统各个模块分布式部署在省级中心与国家中心(图 1)，其数据处理流程如图 2所示.
|
图 2 实时处理系统数据处理流程示意图 Fig. 2 Data processing flowchart of the real-time processing system |
AI震相捡拾模块从实时波形数据流服务器中获取本省各个站点的实时波形数据流，采用AI算法捡拾出单个台站的震相到时、震相类别、初动方向等单台捡拾信息，这些信息通过消息交换模块发送至部署在国家中心的关联与定位模块，进行震相组合、误触发剔除及震源位置测定.关联失败的单台捡拾信息，发送给单台记录地震处理模块，依据波形相似性产出单台定位结果，或者直接产出不含震源位置信息的单台记录地震目录.对于关联成功的地震事件，自动截取事件波形记录，并通过波形共享模块为其他数据处理模块提供事件波形共享服务.震级测定模块完成各类型震级的计算，事件类型判别模块利用AI技术实现天然地震与非天然地震的区分.经过以上数据处理流程，可以实时产出全国统一自动地震目录.
省内的自动处理信息通过人工编目接口发送至人工地震编目系统，地震分析人员在自动处理结果的基础上，对震相到时、震相类型、初动方向等进行快速确认与修订，进而产出全国统一正式目录.对于震级较大的地震，还可通过地震精定位模块产出精定位后的震源位置分布图，通过快速震源机制模块产出震源机制解或矩张量解.
(3) 模块功能设计
实时处理系统包含7个数据处理模块与4个支撑模块(图 1).其中AI震相拾取、关联与定位、震级测定等3个数据处理模块与4个支撑模块已实现在线运行.单台记录地震处理、事件类型判别、地震精定位和震源机制解反演4个数据处理模块正在测试.
4个支撑模块的主要功能包括：从实时波形流服务器中接收数据，为数据处理模块提供波形共享内存服务；以通用消息中间件软件为平台，为数据处理模块提供消息接收、解析、分发等服务，实现各个模块之间的协同工作；汇聚各个数据处理模块产出的自动处理结果，写入人工编目系统数据库，分析人员可在自动处理结果的基础上，对震相到时、震相类别、初动方向等进行快速确认与修订，产出正式地震编目信息；实时显示自动识别的震相、测定的地震参数和各模块状态，显示震中分布图、M-t图和地震频次统计等常用图件.
已实现在线运行的3个数据处理模块的功能如下：
(1) AI震相捡拾模块.基于PhaseNet和EQTransformer两种深度学习算法对实时波形数据进行检测，实现数据预处理、矩阵构建、模型调用、震相到时提取等功能，为其他模块提供高精度的震相到时和震相类别等信息.
(2) 关联与定位模块.震相关联采用基于组触发和等时差八叉树搜索相结合的方法(Lomax et al., 2008；Tamaribuchi，2018)，事件触发阈值最低可达5个震相，可满足小孔径台网、省级区域台网和全国台网的震相关联需求.可利用一维或三维速度模型，采用Hypo2000(Klein，2002)、HypoSAT(Schweitzer, 2001)和NLLoc(Lomax et al., 2008)等多种方法进行地震定位.
(3) 震级自动量算模块.利用波形共享模块中的事件波形数据，按照我国现行的震级国家标准(GB 17740-2017)，对波形记录进行预处理，然后进行振幅与周期的自动量取，计算ML、mB(BB)和MS(BB)等多个震级.
2 漾濞地震序列自动处理2021年5月21日21时48分云南漾濞发生MS6.4地震，此次地震是一个典型的前—主—余震型地震序列(苏金波等，2021；Yang et al., 2021).漾濞地震距北东侧的乔后—巍山(维西—乔后)断裂约3~10 km.地震序列受一个发育程度不高、含多级雁列构造的北西向为主、北东向为次的共轭走滑断层系统所控制.余震区长轴呈NW-SE向展布，长约22 km，震源深度主要分布在4~8 km.余震分布呈北西窄、南东宽的特征(雷兴林等，2021；龙峰等，2021；Yang et al., 2021).
5月28日研发团队在云南省地震局部署实时处理系统，下午17时开始在线运行.该系统从实时波形流服务器中接入云南及周边地区105个地震台站(图 3)的波形数据，接入的台站与人工分析使用的台站完全一致，以便于和人工分析结果进行对比.地震检测和震相拾取采用PhaseNet方法，检测窗长为30 s，重叠20 s，滑动时窗10 s.震相关联采用基于组触发和等时差八叉树搜索相结合的方法，地震定位采用NLLoc方法，关联和定位时使用的速度模型为AK135(Kennett, 2005)，事件定位成功阈值设为P与S震相数之和不少于6个.震级按照我国现行的震级国家标准，将波形记录实时仿真为DD-1型地震记录(Kanamori et al., 1999；金星等，2004)，计算ML震级.
|
图 3 漾濞地震序列震中分布图(2021年5月18日至6月24日) 五角星为MS6.4地震震中, 黑色实线为断裂, 倒三角为台站位置, 左下角插图为本研究中使用的105个地震台站的分布图. Fig. 3 Epicenter distribution of Yangbi earthquake sequence (from May 18 to June 24, 2021) The star shows the epicenter of the MS6.4 earthquake. The black solid line represents the fault. The inverted triangle indicates the seismic station. The inset in the lower left corner is the distribution map of 105 seismic stations used in this study. |
5月28日17时至6月27日12时，在漾濞余震区(25.4°N—25.8°N，99.7°E—100.2°E)，云南地震台网人工分析2752条余震目录(简称“人工目录”)，实时处理系统处理产出6667条余震目录(简称“自动目录”).为定量比较两个目录的差异，我们按照以下规则判定两个目录中的地震事件是否匹配：若两个地震事件的发震时刻差异小于5 s且震中位置差异小于10 km，即认为两个地震事件是匹配的.若存在多个匹配事件，则以发震时刻差值为依据优先选择匹配事件；若人工目录中的事件无法从自动目录中找到匹配的结果，则认为实时处理系统漏检测事件，反之则认为实时处理系统多检测事件.
统计表明，在该时间段内，自动目录与人工目录匹配事件为2635个，匹配率为95.75%；漏检测117个，漏检率4.25%；多检测4032个，自动处理的地震数量是人工目录的2.42倍.图 4展示了自动和人工目录在震中和震源深度分布方面的差异(图 4).两个目录在水平和深度方向都具有较好的一致性，且实时处理系统产出的震中位置条带状分布特征十分明显，震源深度分布也较为合理.
|
图 4 自动目录和人工目录震源位置对比 (a) 自动目录；(b) 人工目录. 红色圆点为匹配事件, 蓝色圆点为自动系统多检测出的地震事件，绿色圆点为漏检测的事件, 倒三角为台站位置. Fig. 4 Comparison of epicenters and focal depths between automatic and manual catalogs (a) shows the automatic catalog; (b) shows the manual catalog. The red dot shows the matched event. The blue dot represents the earthquake detected by the automatic system while missed by manual catalog. The green dot represents the missed detection by automatic catalog. The inverted triangle is the seismic station. |
图 5为自动目录和人工目录匹配成功2635个事件的发震时刻、震中位置、震源深度和震级偏差统计图.自动目录与人工目录的发震时刻偏差为0.102±0.495 s，偏差小于±0.5 s的事件占73.6%；震中位置偏差为1.5±1.3 km，偏差小于3km的事件占90.2%；震源深度偏差为-1.3±2.8 km，偏差小于5 km的事件占96.7%；震级偏差为0.15±0.23，偏差小于±0.3级的事件占80.7%.图 6中分别展示了自动目录与人工目录匹配的Pg、Sg到时拾取差异统计情况，对于匹配事件且震相类型一致的震相计算到时偏差.统计表明，自动拾取的震相中有16329个Pg震相和14222个Sg震相与人工拾取震相匹配，分别占人工拾取震相数量的84.98%和88.08%.Pg震相平均到时差异为0.097 s±0.71 s，Pg震相拾取偏差小于±0.1 s占85.8%，小于±0.2 s占93.0%，小于±0.5 s占97.9%.Sg震相平均到时差异为0.150 s±0.78 s，Sg震相拾取偏差小于±0.1 s占67.3%，小于±0.2 s占84.2%，小于±0.5 s占96.3%.
|
图 5 自动目录中与人工目录差异统计图 (a), (d), (g), (j) 分别为发震时刻、震中位置、震源深度和震级偏差. 左列为散点分布图，中间为偏差分布直方图，右列为绝对偏差分布直方图(黄色)和累积分布直方图(红色). Fig. 5 Statistics of differences between automatic and manual catalogs (a), (d), (g) and (j) are the deviations of origin time, epicenter, focal depth and magnitude, respectively. The left column is the scatter distribution diagram, the middle is the deviation distribution histogram, and the right column is the absolute deviation distribution histogram (yellow) and cumulative distribution histogram (red). |
|
图 6 自动目录与人工目录匹配的Pg、Sg到时拾取差异统计图 Fig. 6 Histogram of Pg and Sg arrival time differences between automatic and manual catalogs |
我们对比了自动目录和人工目录的事件数量(图 7a)和震级分布(图 7b).实时处理系统在线运行后，每天检测出的地震事件数量明显多于人工分析结果，产出的事件数量是人工分析事件的2~3倍.由图 7b可见，多检测事件的震级多数为ML＜1.0，这些事件由于震相到时信噪比较低，因而人工分析中往往有所遗漏.而实时处理系统采用的AI震相拾取算法同时使用三分量波形进行判断，灵敏度更高，因此可以较好地识别这类低信噪比的事件.由图 7c可见，自动目录的微小地震数量更多，完整性震级更低，因此有助于计算得到更准确的b值.由自动目录和人工目录计算得到的b值分别为0.89和0.74.
|
图 7 自动目录与人工目录事件数量对比 (a) 每天地震数量对比；(b) 不同震级段的地震数量对比；(c) 两个目录的G-R关系图. 蓝色表示自动处理，灰色表示人工处理. Fig. 7 Comparison of events number between automatic and manual catalogs (a) Comparison of the number of earthquakes per day; (b) Comparison of the number of earthquakes in different magnitude bins; (c) G-R diagram of the two catalogs. The blue and gray color show automatic and manual catalogs, respectively. |
实时处理系统在线运行期间，不仅处理了漾濞地震序列，还处理了云南全省及周边地区的地震.一个月内，系统共产出10263条地震目录，震级分布范围为ML-1.0~ML5.2，其中包括6月10日云南双柏MS5.1地震序列和6月12日云南盈江MS5.0地震序列(图 8).运行结果表明，实时处理系统可在震后2~4 min内自动产出云南全省的地震目录.
|
图 8 实时处理系统运行状态监视界面 Fig. 8 The monitoring interface of the real time processing system |
2018年以来，基于深度学习的地震检测方法取得了很大进展，在地震检测能力、到时拾取精度和处理效率等方面较其他方法都有明显提升.但目前的研究，多数仍聚焦在地震检测和到时拾取方面，将人工智能算法应用于实时波形处理中的研究和应用仍比较少，极大的制约了人工智能在实时地震学方面的应用.
根据我国地震活动特点、台站分布和地震业务发展需求，我们研发了一套基于人工智能的实时地震处理系统，实现了地震自动检测、震相拾取、震相关联、地震定位和震级测定等功能，具备实时、高灵敏度、高精度的地震目录产出能力.在系统研发测试阶段，我们分别使用2013年四川芦山MS7.0地震、2019年四川长宁MS6.0地震和2018年四川石棉ML4.1地震序列的连续波形数据，对系统性能进行离线测试，并使用西昌地震台阵、福建地震台网和全国地震台网的数据进行实时在线测试.漾濞地震发生后，我们于5月28日在云南省地震局部署了实时处理系统，该系统实时处理了漾濞MS6.4、双柏MS5.1和盈江MS5.0等地震序列.系统可在震后2~4 min内产出地震目录，具备处理密集地震序列的能力，检测出的地震数量是人工处理的2~3倍，定位精度与人工处理结果相当，震级测量误差小，震级处理下限可达ML0.0级左右.离线测试与在线运行结果表明，实时处理系统不仅可应用于省级地震台网的数据自动处理，在水库、矿山、火山等小型区域台网中也将具有广泛的应用前景.
对于实时处理系统，误检测和漏检测的平衡是一个难点，检测出的地震数量与触发阈值设定有很大关系.设定较低的触发阈值，可检测出的震相数量和地震数量会增加数倍，但误检测率会随之提高.反之，会导致漏检较多.在前期大量离线测试和对人工编目数据分析的基础上，本研究设定事件定位成功阈值为P与S震相数之和不少于6个，在控制漏检测率和误检测率上基本取得平衡.对漾濞地震序列的统计表明，自动处理的地震数量是人工目录的2.42倍，两个目录的匹配率为95.75%.
为评估实时处理系统多检测事件的可信度.本文对实时处理系统1个月内多检测的4032事件(不包含与人工处理匹配的2635个地震事件)，绘制了震中分布图(图 9a)，由图可见，多检测事件震中位置绝大多数位于漾濞余震区，具有较高的可信度.本文对余震数量最多的5月29日多检测出的374个事件进行分析，人工逐一浏览事件波形，确定其中364个为漾濞序列地震(97.3%)，10个为误检测事件(2.7%)，误检测事件震级均小于ML0.6.我们还从多检测事件中选择2个偏离余震区较远和2个定位残差较大的事件(震级分布范围ML-0.7~ML1.0)，绘制了波形图，并标注了自动检测的震相到时(图 9b~e).由图可见，近台波形相对清晰，但远台信号衰减很快、信噪比较低，导致自动拾取的震相到时可靠性降低，这些震相参与定位有可能造成较大的定位误差.如图 9c、e所展示的波形，系统存在将不同事件或干扰误关联成同一事件的情况，表明现在采用的关联算法在处理此类情况时存在一定的缺陷，需要进一步优化.
|
图 9 自动目录多检测出的事件震中分布图和随机抽取的4个事件波形记录 (b)—(e)中红色实线为自动拾取到时位置，蓝色虚线为理论到时位置. Fig. 9 The epicenter distribution of more detected events in automatic catalog and waveforms of four randomly selected events In (b)—(e), the red solid line shows the automatic picking arrivals, and the blue dotted line shows the theoretical arrival time. |
为分析漏检测117个事件的原因，我们采用离线方式对云南地震台网的连续波形数据进行自动处理.事件定位成功震相数阈值设为最小值5个，放宽与人工目录的匹配条件，即将震中位置偏差由10 km放宽至22 km(余震区长度).117个漏检测事件中，有91个事件可以离线检测到，其中29个因实时数据流中断导致漏检测，62个在降低震相数阈值和放宽匹配条件后可以检测到.另有26个事件由于多震叠加和清晰震相数量较少等原因，导致离线处理也未能检测到，图 10展示了其中6个典型漏检测事件的波形图.为进一步降低漏检测率，需加强对多震叠加事件分离技术和单双台记录地震检测技术的研究，加强实时数据流状态的监控，做到出现异常及时处置.
|
图 10 典型漏检测事件的波形图 图中红色与蓝色实线分别为人工目录Pg震相与Sg震相到时. Fig. 10 Waveforms of typical missed detection events The red and blue solid lines show the arrival time of Pg phase and Sg, respectively. |
目前实时处理系统采用PhaseNet方法检测震相到时，尽管PhaseNet在不同地区展示出较好的泛化性能，但由于该模型训练时没有使用噪声数据，因此当处理连续波形时，尤其是当地震波特征与北加州有明显差异、台站间距较大、异常干扰较多时，该算法检测地震的能力会有明显下降.为进一步提高地震检出率和到时拾取精度，需要利用不同台网的地震波形重新训练模型，或者采用迁移学习技术提高模型性能(Zhu et al., 2019; Chai et al., 2020; 赵明等，2021).另外，目前用于检测地震的深度神经网络，如PhaseNet和EQTransformer主要使用了震中距150 km以内的地震波形数据进行训练，尽管可以较好的检测Pg、Sg震相，但当震中距较大，同时出现Pn、Pg、Sn、Sg等震相时，该方法无法同时拾取多种震相，容易导致震相类型判定错误，需结合高分辨率的三维速度模型，计算得到不同类型震相的理论走时，进一步提高震相类型的识别准确率.
对于震级较大，震中距较远的台站，除了记录到初至Pn与Sn震相外，还会记录到Pg、Sg、PmP、SmS等其他续至震相，这些续至震相有时会被错误关联为一个新的事件，即产生“事件分裂”现象.对于距离较近，时间间隔较短的多个地震事件，可能会发生漏检测与误检测.这些问题都需要通过进一步完善震相关联算法来解决.在后续研究中，将进一步提升现有模块的处理性能，继续完成单台记录地震处理、事件类型判别、快速地震精定位和震源机制解等功能模块的研发，全面提升实时处理系统的数据处理能力，丰富产出产品，为地震应急处置、地震预测预报等提供技术支撑和数据支持.
4 结论本文介绍了一套基于人工智能的实时地震处理系统，该系统可实时处理连续地震波形数据，具备地震检测、到时拾取、震相关联、地震定位和震级测定功能，实现了实时、高灵敏度、高精度的地震目录产出.以云南漾濞MS6.4地震序列为例，该系统可处理密集地震序列，在震后2~4 min内产出地震目录，检测出的地震数量是人工处理的2~3倍，定位精度与人工处理结果相当，震级测量误差小，震级处理下限可达ML0.0级左右.
本文研究显示，AI方法在地震实时处理中具有良好的应用前景.本系统不仅可应用于省级区域地震台网，在水库、矿山、火山等小型区域台网中也具有较好的应用前景.该系统不仅可以实时处理在线数据，也可处理历史上积累的离线数据.利用本系统对中国地震台网积累的连续波形数据进行处理，可获得完备性和一致性更高的地震目录，可为深入认识地震活动背景、确定地震空区和地震危险段落提供重要参考.
后续将进一步提升该系统的处理性能，并集成单台记录地震处理、初动符号拾取、事件类型判别、地震精定位和震源机制解等模块，将自动产出结果与我国现有的人工分析模式结合，实现地震事件的分级分类快速处理，优化我国地震编目的工作流程，提高地震目录产出的时效性和一致性，提升我国地震数据的实时智能化处理水平.基于系统产出的实时地震目录，可以快速计算b值变化，分析地震时空迁移特征，开展地震序列实时精定位，为地震应急救援、地震序列类型判定和地震预测预报等研究提供及时有效的数据支撑.
致谢 本研究使用的数据由云南省地震局提供.感谢苏有锦研究员、刘丽芳处长和钟玉盛主任在实时处理系统安装部署过程中给予的大力支持.在本文完成过程中，作者与陈绯雯高工进行了多次交流和讨论，审稿专家的宝贵意见和建议使本文臻于完善，部分图件使用GMT绘制(Wessel et al., 2019)，在此一并表示感谢.
Chai C, Maceira M, H J Santos-Villalobos, et al. 2020. Using a Deep Neural Network and Transfer Learning to Bridge Scales for Seismic Phase Picking. Geophysical Research Letters, 47(16). DOI:10.1029/2020GL088651 |
China Earthquake Administration. 2017. DB/T 66-2016 Specification for earthquake cataloguing (in Chinese). Beijing: Standards Press of China.
|
Dai G H, Miao C L, Zhai L Y. 2019. Unified earthquake cataloging of China seismographic network. Earthquake Research in China (in Chinese), 35(1): 192-203. DOI:10.3969/j.issn.1001-4683.2019.01.018 |
Fang L H, Wu J P, Wang W L, et al. 2013. Relocation of the mainshock and aftershock sequences of MS7.0 Sichuan Lushan earthquake. Chinese Science Bulletin, 58(28-29): 3451-3459. DOI:10.1007/s11434-013-6000-2 |
Fang L H, Wu Z L, Song K. 2017. Seism Olympics. Seismological Research Letters, 88(6): 1429-1430. DOI:10.1785/0220170134 |
Fang L H, Wu J P, Su J R, et al. 2018. Relocation of mainshock and aftershock sequence of the MS7.0 Sichuan Jiuzhaigou earthquake. Chinese Science Bulletin (in Chinese), 63(7): 649-662. DOI:10.1360/N972017-01184 |
Hanka W, Saul J, Weber B, et al. 2010. Real-time earthquake monitoring for tsunami warning in the Indian Ocean and beyond. Natural Hazards and Earth System Sciences, 10(12): 2611-2622. DOI:10.5194/nhess-10-2611-2010 |
Huang W H, Kang Y, Su Z J, et al. 2016a. The design and implementation of unified national cataloging system. Seismological and Geomagnetic Observation and Research (in Chinese), 37(4): 170-175. DOI:10.3969/j.issn.1003-3246.2016.04.031 |
Huang W H, Shen Y S, Lv Z Y, et al. 2016b. Evaluating the results of the earthquake very fast report system. South China Journal of Seismology (in Chinese), 36(4): 1-7. DOI:10.13512/j.hndz.2016.04.001 |
Jiang C S, Wu Z L, Yin F L, et al. 2015. Stability of early-estimation sequence parameters for continuous forecast of the aftershock rate: A case study of the 2014 Ludian, Yunnan MS6.5 earthquake. Chinese Journal of Geophysics (in Chinese), 58(11): 4163-4173. DOI:10.6038/cjg20151123 |
Jiang Y R, Ning J Y. 2019. Automatic detection of seismic body-wave phases and determination of their arrival times based on support vector machine. Chinese Journal of Geophysics (in Chinese), 62(1): 361-373. DOI:10.6038/cjg2019M0442 |
Jin X, Ma Q, Li S Y. 2004. Real-time simulation of ground displacement and acceleration using digital velocity record. Earthquake Engineering and Engineering Vibration (in Chinese), 24(6): 9-14, 38. DOI:10.13197/j.eeev.2004.06.002 |
Jin X, Liao S R, Chen F W. 2007. The test running of real-time earthquake information system for province-level seismic network. Seismological and Geomagnetic Observation and Research (in Chinese), 28(1): 64-72. DOI:10.3969/j.issn.1003-3246.2007.01.011 |
Johnson C E, Bittenbinder A, Bogaert B, et al. 1995. Earthworm: A flexible approach to seismic network processing. IRIS Newsletter, 14(2): 1-4. |
Kanamori H, Maechling P, Hauksson E. 1999. Continuous monitoring of ground-motion parameters. Bulletin of the Seismological Society of America, 89(1): 311-316. DOI:10.1785/BSSA0890010311 |
Kennett B L N. 2005. Seismological tables: ak135. Canberra, Australia: Research School of Earth Sciences, Australian National University, 1-289.
|
Klein F. 2002. User's guide to HYPOINVERSE-2000, a Fortran program to solve for earthquake locations and magnitudes. US Geological Survey. Open-File Rept. 02-171, 123, doi: 10.13140/2.1.4859.3602.
|
Kong Q K, Trugman D T, Ross Z E, et al. 2019. Machine learning in seismology: Turning data into insights. Seismological Research Letters, 90(1): 3-14. DOI:10.1785/0220180259 |
Lei X L, Wang Z W, Ma S L, He C R. 2021. A preliminary study on the characteristics and mechanism of the May 2021 MS 6.4, Yangbi earthquake sequence, Yunnan, China. Acta Seismologica Sinica, 43(3): 1-24. DOI:10.11939/jass.20210100 |
Li S Y. 2018. Approaching the Earthquake Early Warning. Overview of Disaster Prevention, (2): 14-23. |
Li Y Q, Wang D, Xu S H, et al. 2019. Thrust and conjugate strike-slip faults in the 17 June 2018 MJMA 6.1 (Mw 5.5) Osaka, Japan, earthquake sequence. Seismological Research Letters, 90(6): 2132-2141. DOI:10.1785/0220190122 |
Liang J H. 2009. Research and application of methods for rapid processing of seismic data[Master's thesis] (in Chinese). Beijing: Institute of Geophysics, China Earthquake Administration.
|
Liu M, Zhang M, Zhu W Q, et al. 2020. Rapid characterization of the July 2019 Ridgecrest, California, earthquake sequence from raw seismic data using machine-learning phase picker. Geophysical Research Letters, 47(4): e2019GL086189. DOI:10.1029/2019GL086189 |
Lomax A, Michelini A, Curtis A. 2008. Earthquake Location, Direct, Global-Search Methods. Springer New York, doi: 10.1007/978-0-387-30440-3_150.
|
Lomax A, Satriano C, Vassallo M. 2012. Automatic picker developments and optimization: filter Picker-a robust, broadband picker for real-time seismic monitoring and earthquake early warning. Seismological Research Letters, 83(3): 531-540. DOI:10.1785/gssrl.83.3.531 |
Long F, Qi Y P, Yi G X, et al. 2021. Relocation of the MS6.4 Yangbi earthquake sequence on May 21, 2021 in Yunnan Province and its seismogenic structure analysis. Chinese Journal of Geophysics (in Chinese), 64(8): 2631-2646. DOI:10.6038/cjg2021O0526 |
Mousavi S M, Ellsworth W L, Zhu W Q, et al. 2020. Earthquake transformer-an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature Communications, 11(1): 3952. DOI:10.1038/s41467-020-17591-w |
Park Y, Mousavi S M, Zhu W, Ellsworth W L, &Beroza G C. 2020. Machine learning-based analysis of the Guy-Greenbrier, Arkansas earthquakes: A tale of two sequences. Geophysical Research Letters, 47: e2020GL087032. |
Patton J M, Guy M R, Benz H M, et al. 2016. Hydra-The National Earthquake Information Center's 24/7 seismic monitoring, analysis, catalog production, quality analysis, and special studies tool suite. Reston, VA: U.S. Geological Survey, doi: 10.3133/ofr20161128.
|
Pero T, Gharbi M, Denolle M. 2018. Convolutional neural network for earthquake detection and location. Science Advances, 4(10): e1700578. DOI:10.1126/sciadv.1700578 |
Ross Z E, Meier M A, Hauksson E, et al. 2018. Generalized seismic phase detection with deep learning. Bulletin of the Seismological Society of America, 108(5A): 2894-2901. DOI:10.1785/0120180080 |
Scafidi D, Spallarossa D, Ferretti G, et al. 2019. A Complete Automatic Procedure to Compile Reliable Seismic Catalogs and Travel-Time and Strong-Motion Parameters Datasets. Seismological Research Letters, 90(3). DOI:10.1785/0220180257 |
Schweitzer J. 2001. HYPOSAT-An enhanced routine to locate seismic events. Pure and Applied Geophysics, 158(1): 277-289. DOI:10.1007/PL00001160 |
Spallarossa D, Cattaneo M, Scafidi D, et al. 2020. An automatically generated high-resolution earthquake catalogue for the 2016-2017 Central Italy seismic sequence, including P and S phase arrival times. Geophysical Journal International, 225: 555-571. DOI:10.1093/gji/ggaa604 |
Su J B, Liu M, Zhang Y P, et al. 2021. High resolution earthquake catalog building for the 21 May 2021 Yangbi, Yunnan, MS6.4 earthquake sequence using deep-learning phase picker. Chinese Journal of Geophysics (in Chinese), 64(8): 2647-2656. DOI:10.6038/cjg2021O0530 |
Tamaribuchi K. 2018. Evaluation of automatic hypocenter determination in the JMA unified catalog. Earth Planets and Space, 70(1). DOI:10.1186/s40623-018-0915-4 |
Tan Y J, Waldhauser F, Ellsworth W L, et al. 2021. Machine-learning-based high-resolution earthquake catalog reveals how complex fault structures were activated during the 2016-2017 central Italy sequence. The Seismic Record, 1(1): 11-19. DOI:10.1785/0320210001 |
Thurber C, Roecker S, Zhang H, et al. 2004. Fine-scale structure of the San Andreas fault zone and location of the SAFOD target earthquakes. Geophysical Research Letters, 31(12): L12S02. DOI:10.1029/2003GL019398 |
Wang D, Hutko A R. 2018. Relative relocations of the North Korean nuclear tests from 2006 to 2017 using the Hi-Net array in Japan. Geophysical Research Letters, 45(15): 7481-7487. DOI:10.1029/2018GL078653 |
Wang J, Xiao Z W, Liu C, et al. 2019. Deep learning for picking seismic arrival times. Journal of Geophysical Research: Solid Earth, 124(7): 6612-6624. DOI:10.1029/2019JB017536 |
Wang R J, Schmandt B, Zhang M, et al. 2020. Injection-Induced earthquakes on complex fault zones of the Raton basin illuminated by machine-learning phase picker and dense nodal array. Geophysical Research Letters, 47(14): e2020GL088168. DOI:10.1029/2020GL088168 |
Wessel P, Luis J F, Uieda L, et al. 2019. The generic mapping tools version 6. Geochemistry, Geophysics, Geosystems, 20(11): 5556-5564. DOI:10.1029/2019GC008515 |
Wu J P, Yang T, Wang W L, et al. 2013. Three dimensional P-wave velocity structure around Xiaojiang fault system and its tectonic implications. Chinese Journal of Geophysics (in Chinese), 56(7): 2257-2267. DOI:10.6038/cjg20130713 |
Xiao Z W, Wang J, Liu C, et al. 2021. Siamese earthquake transformer: a pair-input deep-learning model for earthquake detection and phase picking on a seismic array. Journal of Geophysical Research: Solid Earth, 126(5): e2020JB021444. DOI:10.1029/2020JB021444 |
Yang T, Li B R, Fang L H, Su Y J, Zhong Y S, Yang J Q, Qin M, Xu Y J. 2021. Relocation of the foreshocks and aftershocks of the 2021 MS6.4 Yangbi earthquake sequence, Yunnan, China. Journal of Earth Science. |
Yang Z G, Liu J, Zhang X M, Deng W Z, Du G B and Wu X Y. 2021. A preliminary report of the Yangbi, Yunnan, MS6.4 earthquake of May 21, 2021. Earth Planet. Phys., 5(4): 1-3. DOI:10.26464/epp2021036 |
Yeck W L, Patton J M, Johnson C E, et al. 2019. GLASS3: A Standalone Multiscale Seismic Detection Associator. Bulletin of the Seismological Society of America, 109(4). DOI:10.1785/0120180308 |
Yi G X, Wen X Z, Xin H, et al. 2013. Stress state and major-earthquake risk on the southern segment of the Longmen Shan fault zone. Chinese Journal of Geophysics (in Chinese), 56(4): 1112-1120. DOI:10.6038/cjg20130407 |
Yu Z Y, Chu R S, Sheng M H, et al. 2020. A new deep neural network for phase picking with balanced speed and accuracy. Acta Seismologica Sinica (in Chinese), 42(3): 269-282. DOI:10.11939/jass.20190154 |
Zhang H J, Thurber C H. 2003. Double-difference tomography: the method and its application to the Hayward fault, California. Bulletin of the Seismological Society of America, 93(5): 1875-1889. DOI:10.1785/0120020190 |
Zhang M, Ellsworth W L, Beroza G C. 2019. Rapid earthquake association and location. Seismological Research Letters, 90(6): 2276-2284. DOI:10.1785/0220190052 |
Zhang Y, Xu L S, Chen Y T. 2015. Rupture process of the 2015 Nepal MW7.9 earthquake: Fast inversion and preliminary joint inversion. Chinese Journal of Geophysics (in Chinese), 58(5): 1804-1811. DOI:10.6038/cjg20150530 |
Zhao M, Chen S, Fang L H, et al. 2019. Earthquake phase arrival auto-picking based on U-shaped convolutional neural network. Chinese Journal of Geophysics (in Chinese), 62(8): 3034-3042. DOI:10.6038/cjg2019M0495 |
Zhao M, Tang L, Chen S, et al. 2021. Machine learning based automatic foreshock catalog building for the 2019MS6.0 Changning, Sichuan earthquake. Chinese Journal of Geophysics (in Chinese), 64(1): 54-66. DOI:10.6038/cjg2021O0271 |
Zhou B W, Fan L P, Zhang L, et al. 2020. Earthquake detection using convolutional neural network and its optimization. Acta Seismologica Sinica (in Chinese), 42(6): 669-683. DOI:10.11939/jass.20200045 |
Zhu L J, Peng Z G, Mcclellan J, et al. 2019. Deep learning for seismic phase detection and picking in the aftershock zone of 2008 MW7.9 Wenchuan earthquake. Physics of the Earth and Planetary Interiors, 293: 106261. DOI:10.1016/j.pepi.2019.05.004 |
Zhu W Q, Beroza G C. 2019. PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261-273. DOI:10.1093/gji/ggy423 |
代光辉, 苗春兰, 翟璐媛. 2019. 中国测震台网统一地震编目. 中国地震, 35(1): 192-203. DOI:10.3969/j.issn.1001-4683.2019.01.018 |
房立华, 吴建平, 苏金蓉, 等. 2018. 四川九寨沟MS7.0地震主震及其余震序列精定位. 科学通报, 63(7): 649-662. DOI:10.1360/N972017-01184 |
黄文辉, 康英, 苏柱金, 等. 2016a. 全国统一编目系统设计与实现. 地震地磁观测与研究, 37(4): 170-175. DOI:10.3969/j.issn.1003-3246.2016.04.031 |
黄文辉, 沈玉松, 吕作勇, 等. 2016b. 地震超快速报系统试运行结果评估. 华南地震, 36(4): 1-7. DOI:10.13512/j.hndz.2016.04.001 |
蒋长胜, 吴忠良, 尹凤玲, 等. 2015. 余震的序列参数稳定性和余震短期发生率预测效能的连续评估以2014年云南鲁甸6.5级地震为例. 地球物理学报, 58(11): 4163-4173. DOI:10.6038/cjg20151123 |
蒋一然, 宁杰远. 2019. 基于支持向量机的地震体波震相自动识别及到时自动拾取. 地球物理学报, 62(1): 361-373. DOI:10.6038/cjg2019M0442 |
金星, 马强, 李山有. 2004. 利用数字化速度记录实时仿真位移与加速度时程. 地震工程与工程振动, 24(6): 9-14, 38. DOI:10.13197/j.eeev.2004.06.002 |
金星, 廖诗荣, 陈绯雯. 2007. 区域数字地震台网实时速报系统研究. 地震地磁观测与研究, 28(1): 64-72. DOI:10.3969/j.issn.1003-3246.2007.01.011 |
雷兴林, 王志伟, 马胜利, 等. 2021. 关于2021年5月滇西漾濞MS6.4地震序列特征及成因的初步研究. 地震学报, 43(3): 1-24. DOI:10.11939/jass.20210100 |
李山有. 2018. 走近地震预警. 防灾博览, (2): 14-23. |
梁建宏. 2009. 地震快速处理方法研究与应用[硕士论文]. 北京: 中国地震局地球物理研究所, 37-42.
|
龙锋, 祁玉萍, 易桂喜, 等. 2021. 2021年5月21日云南漾濞MS6.4地震序列重新定位与发震构造分析. 地球物理学报, 64(8): 2631-2646. DOI:10.6038/cjg2021O0526 |
苏金波, 刘敏, 张云鹏, 等. 2021. 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. 地球物理学报, 64(8): 2647-2646. DOI:10.6038/cjg2021O0530 |
吴建平, 杨婷, 王未来, 等. 2013. 小江断裂带周边地区三维P波速度结构及其构造意义. 地球物理学报, 56(7): 2257-2267. DOI:10.6038/cjg20130713 |
易桂喜, 闻学泽, 辛华, 等. 2013. 龙门山断裂带南段应力状态与强震危险性研究. 地球物理学报, 56(4): 1112-1120. DOI:10.6038/cjg20130407 |
于子叶, 储日升, 盛敏汉, 等. 2020. 兼顾速度和精度的深度神经网络震相拾取. 地震学报, 42(3): 269-282. DOI:10.11939/jass.20190154 |
张勇, 许力生, 陈运泰. 2015. 2015年尼泊尔MW7.9地震破裂过程: 快速反演与初步联合反演. 地球物理学报, 58(5): 1804-1811. DOI:10.6038/cjg20150530 |
赵明, 陈石, 房立华, 等. 2019. 基于U形卷积神经网络的震相识别与到时拾取方法研究. 地球物理学报, 62(8): 3034-3042. DOI:10.6038/cjg2019M0495 |
赵明, 唐淋, 陈石, 等. 2021. 基于深度学习到时拾取自动构建长宁地震前震目录. 地球物理学报, 64(1): 54-66. DOI:10.6038/cjg2021O0271 |
中国地震局. 2017. DB/T 66-2016地震编目规范. 北京: 中国标准出版社.
|
周本伟, 范莉苹, 张龙, 等. 2020. 利用卷积神经网络检测地震的方法与优化. 地震学报, 42(6): 669-683. DOI:10.11939/jass.20200045 |