基于卷积神经网络的地震震源深度识别方法及系统

本发明涉及地震预警识别的，尤其涉及一种基于卷积神经网络的地震震源深度识别方法及系统。

背景技术：

1、地震震源深度是评估地震灾害风险、发布早期预警以及开展余震趋势研判的关键参数。随着深度学习技术的发展，基于卷积神经网络的地震震源深度识别方法逐渐被应用。

2、目前，基于深度学习的地震震源深度识别方法普遍采用静态模型架构。无论输入地震事件发震位置的地质构造背景如何，模型内部的数据处理策略和决策机制在处理不同事件时保持不变，难以适应不同地震事件在识别难度上的客观差异。

3、在实际地震监测中，地震事件的识别难易程度与其发震位置所处的地质构造环境密切相关。发生于构造稳定区域的地震事件，其波形传播路径相对简单，震相特征清晰，识别难度较低；而发生于构造过渡带区域，例如板块俯冲带边界、板内与板缘交界等震源机制复杂地区的事件，波形因受复杂介质结构影响，震相模糊且易与噪声混淆，识别难度显著增大。静态模型无法感知并区分上述差异，导致在处理不同构造区域的事件时，难以同时保障识别的时效性。

技术实现思路

1、本发明提供了基于卷积神经网络的地震震源深度识别方法及系统，可以有效地解决背景技术中的问题。

2、为了达到上述目的，本发明所采用的技术方案是：

3、基于卷积神经网络的地震震源深度识别方法，包括：

4、获取原始地震波形数据以及初始物理参数，提取对应的目标波形片段；

5、基于初始物理参数，计算当前地震事件的事件识别难度系数，事件识别难度系数用于量化该事件在震源深度分类上的识别难易程度；

6、分别从目标波形片段和初始物理参数中提取波形特征与物理约束特征；

7、依据事件识别难度系数，确定与识别难易程度匹配的特征融合基准权重，同时动态调整置信度累积决策机制的累积时间窗口上限；

8、应用基准权重对波形特征与物理约束特征进行加权融合得到融合特征，将融合特征输入分类器，通过置信度累积决策机制输出震源深度类别及综合置信度。

9、进一步地，初始物理参数包括震级初估值、震中距初估值、震中经纬度、台站高程以及p波初至振幅比。

10、进一步地，目标波形片段为p波初至时间窗口波形片段，p波初至时间窗口波形片段为自p波到达时刻起至到达后预设时长内的连续波形数据。

11、进一步地，事件识别难度系数为构造过渡带模糊度系数；计算事件识别难度系数，包括：

12、根据初始物理参数中的震中经纬度匹配预设的全球构造分区数据库，确定当前事件所属的构造单元类型及过渡带边界信息；

13、基于初始物理参数中的震中距初估值、震级初估值以及过渡带边界信息，通过核函数计算构造过渡带模糊度系数。

14、进一步地，全球构造分区数据库预先存储全球范围内每个经纬度网格点对应的构造单元类型编码及过渡带边界信息，构造单元类型包括克拉通、造山带、俯冲带、洋中脊、沉积盆地及上述类型的过渡带边界，过渡带边界信息包括边界线位置坐标及边界宽度。

15、进一步地，采用双分支网络提取波形特征与物理约束特征；双分支网络包括多尺度时序卷积分支和多物理场约束分支；

16、多尺度时序卷积分支用于从目标波形片段中提取波形特征；

17、多物理场约束分支用于对初始物理参数进行编码得到物理约束特征。

18、进一步地，多尺度时序卷积分支由多个并行卷积分支组成，各并行卷积分支采用不同尺度的卷积核，用于分别捕捉目标波形片段中短周期波形突变、中等时间跨度波形趋势及长周期整体波形特征，每个并行卷积分支经卷积、批量归一化、激活及全局最大池化处理后，输出特征向量并沿通道维度拼接得到波形特征。

19、进一步地，特征融合基准权重满足：

20、波形特征的基准权重随事件识别难度系数的增大而减小；

21、物理约束特征的基准权重随事件识别难度系数的增大而增大。

22、进一步地，置信度累积决策机制的处理过程包括：

23、在波形采集过程中，依次提取不同时间节点的中间处理结果，按与时间节点早晚正相关的权重对各节点的置信度进行加权平均，得到综合置信度；

24、当综合置信度达到预设阈值时，提前输出当前的识别结果。

25、另一方面，本发明还提供了基于卷积神经网络的地震震源深度识别系统，包括：

26、数据获取模块，用于获取原始地震波形数据以及初始物理参数，提取对应的目标波形片段；

27、系数计算模块，用于基于初始物理参数，计算当前地震事件的事件识别难度系数，事件识别难度系数用于量化该事件在震源深度分类上的识别难易程度；

28、特征提取模块，用于分别从目标波形片段和初始物理参数中提取波形特征与物理约束特征；

29、参数调整模块，用于依据事件识别难度系数，确定与识别难易程度匹配的特征融合基准权重，同时动态调整置信度累积决策机制的累积时间窗口上限；

30、震源深度分类模块，用于应用基准权重对波形特征与物理约束特征进行加权融合得到融合特征，将融合特征输入分类器，通过置信度累积决策机制输出震源深度类别及综合置信度。

31、通过本发明的技术方案，可实现以下技术效果：

32、通过引入构造过渡带模糊度系数作为事件识别难度系数，并将该系数用于动态调整波形特征与物理约束特征的融合基准权重，使得模型在构造稳定区域时以波形特征为主导，充分利用波形的高信噪比与清晰震相实现快速准确分类，在构造过渡带区域时切换为以物理约束特征为主导，避免畸变波形对分类结果的干扰，从而在不增加人工干预的前提下实现不同构造区域事件的自适应识别；通过依据同一难度系数动态调整置信度累积决策机制的累积时间窗口上限，使得简单事件在早期时间节点即可达到置信度阈值并提前输出，降低响应延迟，复杂事件则获得更长的波形采集窗口以保证综合置信度收敛至阈值以上，从而同时满足地震预警对识别准确性与时效性的要求。

33、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

1.一种基于卷积神经网络的地震震源深度识别方法，其特征在于，包括：

2.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述初始物理参数包括震级初估值、震中距初估值、震中经纬度、台站高程以及p波初至振幅比。

3.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述目标波形片段为p波初至时间窗口波形片段，所述p波初至时间窗口波形片段为自p波到达时刻起至到达后预设时长内的连续波形数据。

4.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述事件识别难度系数为构造过渡带模糊度系数；计算所述事件识别难度系数，包括：

5.根据权利要求4所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述全球构造分区数据库预先存储全球范围内每个经纬度网格点对应的构造单元类型编码及过渡带边界信息，所述构造单元类型包括克拉通、造山带、俯冲带、洋中脊、沉积盆地及上述类型的过渡带边界，所述过渡带边界信息包括边界线位置坐标及边界宽度。

6.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，采用双分支网络提取所述波形特征与所述物理约束特征；所述双分支网络包括多尺度时序卷积分支和多物理场约束分支；

7.根据权利要求6所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述多尺度时序卷积分支由多个并行卷积分支组成，各并行卷积分支采用不同尺度的卷积核，用于分别捕捉目标波形片段中短周期波形突变、中等时间跨度波形趋势及长周期整体波形特征，每个并行卷积分支经卷积、批量归一化、激活及全局最大池化处理后，输出特征向量并沿通道维度拼接得到波形特征。

8.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述特征融合基准权重满足：

9.根据权利要求1所述的基于卷积神经网络的地震震源深度识别方法，其特征在于，所述置信度累积决策机制的处理过程包括：

10.一种基于卷积神经网络的地震震源深度识别系统，其特征在于，包括：