甘肃快三一定牛预测
 
贵阳分部广州分部
网站地图联系我们所长信箱建议留言内部网English中国科学院
 
 
首页概况简介机构设置研究队伍科研成果实验观测合作交流研究生教育学会学报图书馆党群工作创新文化科学传播信息公开
  新闻动态
  您现在的位置:首页 > 新闻动态 > 研究亮点
王建等-JGR: 基于深度学习的地震震相自动拾取
2019-07-22 | 作者: | 【 】【打印】【关闭

  地震震相数据是研究地球内部结构的重要资料。随着近些年来地震观测的不断增多,地震记录的数量飞速增长,通过人工的方式已经无法及时高效地从这些海量数据中提取震相走时信息。尽管研究人员提出了许多经典的自动拾取算法,然而这些方法往往对噪声组成复杂的数据适应性差,且拾取精度无法达到人工拾取水平。因此,在进行层析?#19978;?#31561;研究工作中,研究人员仍需通过人工或半自动的方式拾取大量的震相,这限制了相关研究工作的效率和数据的利用程度。如何?#38498;?#37327;地震数据进行快速、高精度的自动拾取,是影响地震学家对地球深部精细结构进行研究的重要问题。 

  针对上述问题,中国科学院地质与地球物理研究所地球与行星物理院重点实验室王建副研究员团队与中国科学院大学电子与通信工程学院刘畅博士合作,以计算机视觉边界检测领域前沿的深度学习算法为基础,提出了基于深度学习的端到端地震震相自动拾取算法,命名为PickNet(图1)。它将归一化的原始波形记录作为数据,输出一个类脉冲序列,序列的最大值对应的时刻即为震相的到时(图2)。此前,震相拾取问题被看做回归问题或者是语义分割问题,基于深度学习算法的PickNet算法将将之看做边界检测问题,将地震波形序列?#25104;?#20026;尖锐的到时脉冲序列,具有更高的拾取精度?#22836;?#21270;能力。 

1  PickNet算法网络结构图。其中三角形表示上采样,圆圈与十字的组合表示残差单元

2  PickNet输入输出示意图。(ab), P波、S波对应台站记录(输入);(cd), 震相到时脉冲序列(理想输出); ef), PickNet输出(实际输出)

  他们在日本Hi-net台网的实际地震数据上检验了PickNet算法并与人工拾取结果进行比较。从拾取精度方面看,在PickNet和人类专家共同拾取的震相中,73.91%85.41%)的初至P波偏差在0.05秒(0.10秒)之内,60.75%77.47%)的初至S波偏差在0.10秒(0.20秒)之内(图3)。从拾取数目方面看,PickNet获得了约8倍于台网中心提供的地震震相,对地震数据的利用更加充分。为了进一步验证PickNet方法可?#26434;行?#26381;务于地球深部结构研究,他们将PickNet拾取的震相直接用于层析?#19978;?#30740;究,仅使用了299个地震获得的?#19978;?#32467;果与此前使用数千个地震得到的速度结构结较一致(图4)。研究人员还利用该算法对中国地震局台网、美国地震台网记录的数据进行了测试,均取得了良好的效果。 

3  PickNet300个日本区域地震对应的Hi-net台网波形记录上的拾取结果与JMA提供的人工拾取震相?#21592;取#?/span>a)潜在震相数目(即地震数目乘以台站数目)、PickNet自动拾取数目、JMA人工拾取数目的?#21592;取?#24403;波形中的初至难以拾取时,PickNet输出会全部为零,?#21019;?#26102;对该波形记录做拒识处理,这?#21592;?#35777;所拾取震相的质量十分重要;(b)同时被PickNet和人类专家拾取的震相的到时偏差?#21592;?/span>

4  PickNet拾取的震相数据直接用于层析?#19978;?#21453;演得到的日本俯冲带地区P波(左),S波(右)速度异常。?#19978;?#32467;果揭示了菲律宾海板块俯冲形态的变化、火山下方的低速体及其与低频地震分布之间的联系等,这些结果与前人层析?#19978;?#32467;果有很好的一致性

  PickNet方法具有以下优点: 

  1)准:拾取精度接近人工拾取结果,拾取后的震相数据能直接用于研究地球内部结构; 

  2快:用一块Nvidia Geforce GTX 1080Ti  GPU4分钟能拾取20多万条地震波形记录; 

  3)多:拾取的走时数量是台网中心提供的数量的?#21103;叮?/span> 

  4)广:理论上可适用于拾取其它后续震相。 

  该研究表明深度学习可以从海量的地震波?#38382;?#25454;中自动高效地挖掘震相数据,为地震学家提供了?#34892;?#30340;工具,能加速人们对地球内部结构的了解。 

  研究成果发表于JGR: Solid Earth。(Wang J, Xiao Z, Liu C, et al. DeepLearning for Picking Seismic Arrival Times[J]. Journal of Geophysical Research: Solid Earth, 2019. DOI: 10.1029/2019JB017536)(原文链接)(PickNet方法已开源,见链接 

 
地址:?#26412;?#24066;朝阳区北土城西路19号 邮 编:100029 电话:010-82998001 传真:010-62010846
版权所有© 2009- 中国科学院地质与地球物理研究所 京ICP备05029136号 京公网安备110402500032号
甘肃快三一定牛预测
pc蛋蛋28怎么玩稳赢 体彩电子投注单2019年停用 北京pk赛车是国彩吗 最新时时彩杀号公式 那种彩票稳赚 有哪些幸运飞艇app计划软件好 福彩3d大小玩法介绍 管家婆论坛三肖六码 11选5技巧稳赚方法 重庆时时彩龙虎和心得