一种混合深度学习与多源台网融合的震相识别方法及系统与流程

摘要: 本发明涉及地震监测预警,具体涉及一种混合深度学习与多源台网融合的震相识别方法及系统。背景技术:1、震相到时的准确拾取与震相属性的判别,是地震定位、震源深度估计和...
一种混合深度学习与多源台网融合的震相识别方法及系统与流程

本发明涉及地震监测预警,具体涉及一种混合深度学习与多源台网融合的震相识别方法及系统。

背景技术:

1、震相到时的准确拾取与震相属性的判别,是地震定位、震源深度估计和地震预警参数解算的前置环节。近年来,以phasenet、eqtransformer为代表的深度学习拾取器在测震台网日常监测中逐步替代了人工读图,拾取效率与一致性均有提升。

2、然而,将这类拾取器直接应用于预警业务场景,存在以下三方面问题。第一,在仪器适配方面:现有深度学习拾取器大多采用测震计波形训练,面向小震级日常监测任务;发生破坏性大震时,测震计近场记录会出现限幅削波,波形顶部被截断,模型赖以识别到时的波形特征随之失效,而预警业务真正依赖的是强震仪与烈度计的记录。

3、第二,在数据差异方面:测震计、强震仪、烈度计三类仪器的幅值特性与仪器响应差异显著,同一模型在三类仪器数据之间迁移时精度明显下降,已有研究尝试采用迁移学习缓解该问题,但迁移学习方案要求为每类仪器单独准备标注数据并追加训练,实施成本较高。

4、第三,在输出内容方面:现有方案大多仅输出到时,不判别所拾取震相属于pg、pn还是sg,属性信息缺失会直接影响后续震源定位与深度估计的可靠性,震相属性误用将导致定位方程求解对象错误。

5、除此之外,传统统计类拾取手段,如长短时平均法,在低信噪比记录上表现乏力,p初至不明显或者p、s间隔极短的波形里容易漏拾、错拾。综上,现有技术的局限在于:以phasenet 为代表的深度学习拾取器仅面向测震计单一仪器、仅输出到时而不判别震相属性;跨仪器精度下降问题虽已被关注,但主流解决路径为迁移学习,需为每类仪器单独准备标注数据并追加训练,不适用于预警场景下强震仪、烈度计标注数据稀缺的条件;仪器响应仿真虽为公知预处理手段,但现有应用多限于离线数据对比,尚未作为深度学习拾取链路的入口侧实时归一化手段,以实现同一模型直接适配三类仪器、规避大震限幅并免逐仪器迁移训练。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术存在的不足,本发明提供了一种混合深度学习与多源台网融合的震相识别方法及系统,可以解决现有技术中测震计大震限幅时波形失效、三类仪器间跨仪器泛化需迁移学习成本高以及震相属性信息缺失影响后续定位可靠性三方面的问题。

3、(二)技术方案

4、为解决上述技术问题,本发明提供了一种混合深度学习与多源台网融合的震相识别方法,包括以下步骤:

5、s1,获取测震计台网、强震仪台网和烈度计台网记录的三分量波形数据;

6、s2,对所述三分量波形数据进行实时仿真滤波:以预设目标仪器的传递函数设计滤波器系数,经双线性变换离散化得到二阶递归滤波器,将三类台网的波形数据统一重采样至相同采样率后,由所述递归滤波器实时递推输出仿真为预设周期、预设阻尼比的预设目标仪器响应的加速度波形;

7、s3,对仿真滤波后的波形数据按预设滑动窗口逐段截取波形片段,并对各波形片段作最大值归一化;

8、s4,将归一化后的波形片段输入经训练的到时拾取模型,所述到时拾取模型采用u型网络架构,逐采样点输出p波、s波和噪声三类概率分布,取p波和s波概率分布的峰值所对应的采样点确定震相到时;

9、s5,以所述震相到时为中心截取目标波形片段,将所述目标波形片段输入经训练的属性判别模型,所述属性判别模型采用卷积网络架构,输出所述震相属于pg震相、pn震相或sg震相的属性判别结果;

10、s6,输出所述震相到时和所述属性判别结果。

11、优选的,s4中所述到时拾取模型为经训练样本训练得到,所述训练样本的构建方式为:以震相编目到时为基准,截取编目到时前1秒至编目到时后3秒的波形片段,对截取的波形片段作最大值归一化,并生成以所述震相编目到时为中心的概率分布作为所述波形片段的标注。

12、优选的,所述到时拾取模型和所述属性判别模型均设置有批归一化层、丢弃层并施加l2正则化,两个模型的训练过程均采用早停策略,当验证集损失连续预设轮次未下降时终止训练。

13、优选的,所述到时拾取模型的u型网络架构包括编码器、解码器和跳跃连接,所述编码器包含4个下采样阶段,每个阶段由2个一维卷积层和1个步长为2的下采样层组成,通道数依次为32、64、128、256,对输入的波形片段逐层下采样提取波形特征;所述解码器对应包含4个上采样阶段,采用转置卷积逐层上采样恢复时间分辨率;所述跳跃连接将所述编码器与所述解码器中对应层级的特征在通道维度拼接。

14、优选的,所述属性判别模型包括多层卷积层和全连接分类层,所述属性判别模型的输入为以所述震相到时为中心的波形片段,所述全连接分类层输出pg震相、pn震相、sg震相三个类别的概率,取概率最大的类别作为所述属性判别结果。

15、为解决上述技术问题,本发明还提出一种混合深度学习与多源台网融合的震相识别系统,包括:

16、多源波形接入模块,用于获取测震计台网、强震仪台网和烈度计台网记录的三分量波形数据;

17、仿真滤波模块,用于对所述三分量波形数据进行实时仿真滤波:以预设目标仪器的传递函数设计滤波器系数,经双线性变换离散化得到二阶递归滤波器,将三类台网的波形数据统一重采样至相同采样率后,由所述递归滤波器实时递推输出仿真为预设周期、预设阻尼比的预设目标仪器响应的加速度波形;

18、样本处理模块,用于对仿真滤波后的波形数据按预设滑动窗口逐段截取波形片段,并对各波形片段作最大值归一化;

19、到时拾取模块,内置经训练的u型网络架构的到时拾取模型,用于对归一化后的波形片段逐采样点输出p波、s波和噪声三类概率分布,取p波和s波概率分布的峰值所对应的采样点确定震相到时;

20、属性判别模块,内置经训练的卷积网络架构的属性判别模型,用于以所述震相到时为中心截取目标波形片段,并对所述目标波形片段判别其属于pg震相、pn震相或sg震相,得到属性判别结果;

21、结果输出模块,用于输出所述震相到时和所述属性判别结果。

22、本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述的混合深度学习与多源台网融合的震相识别方法的步骤。

23、本发明还提出一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现前述的混合深度学习与多源台网融合的震相识别方法的步骤。

24、(三)有益的技术效果

25、与现有的技术相比,本发明的有益效果是:

26、1.三类台网波形先经实时仿真滤波统一仿真为周期1秒、阻尼比0.707的加速度波形,仪器之间的幅值特性与响应差异在数据入口侧被抹平,一套模型即可适配三类仪器,无需为每类仪器单独标注数据、单独迁移训练;测震计大震限幅问题也因转而采用强震仪与烈度计数据而得以规避。

27、2.到时拾取模型采用u型网络架构,逐采样点输出p波、s波概率分布并以峰值确定到时,拾取精度由整段波形的上下文特征支撑,在低信噪比、p初至不明显及p-s间隔极短的波形上仍能输出高置信度结果;相同测试集下,p波拾取精准率96.64%、召回率100%、f1值98.28%,到时残差均值0.081秒,s波f1值88.87%,明显优于长短时平均法的65.81%。

28、3.属性判别模型在拾取到时的基础上进一步判别pg、pn、sg属性,到时与属性一次作业同时产出,直接服务后续地震定位与深度估计,避免震相误用造成的定位偏差。