通 知 更多>>
聯系方式
  • 秘書:路朋羅
  • 電話:010-8299 8208
  • 郵箱:[email protected]
  • 地址:北京市朝陽區北土城西路19號
科研成果
基于深度學習的地震震相自動拾取
發布日期:2019-07-05

  王建 肖卓偉 劉暢 

  地震震相數據是研究地球內部結構的重要資料。隨著近些年來地震觀測的不斷增多,地震記錄的數量飛速增長,通過人工的方式已經無法及時高效地從這些海量數據中提取震相走時信息。盡管研究人員提出了許多經典的自動拾取算法,這些方法往往對噪聲組成復雜的數據適應性差,且拾取精度無法達到人工拾取水平。因此,在進行層析成像等研究工作中,研究人員仍需通過人工或半自動的方式拾取大量的震相,這限制了相關研究工作的效率和數據的利用程度。如何對海量地震數據進行快速、高精度的自動拾取,是影響地震學家對地球深部精細結構進行研究的重要問題。 

  針對上述問題,中國科學院地質與地球物理研究所地球與行星物理院重點實驗室王建副研究員團隊與中國科學院大學電子與通信工程學院劉暢博士合作,以計算機視覺邊界檢測領域前沿的深度學習算法為基礎,提出了基于深度學習的端到端地震震相自動拾取算法,命名為PickNet(圖1)。它將歸一化的原始波形記錄作為數據,輸出一個類脈沖序列,序列的最大值對應的時刻即為震相的到時(圖2)。相較于此前將震相拾取問題看做回歸問題或者是語義分割問題的深度學習算法而言,PickNet算法將震相拾取問題看做邊界檢測問題,將地震波形序列映射為尖銳的到時脈沖序列,具有更高的拾取精度和泛化能力。該研究團隊在日本Hi-net臺網的實際地震數據上檢驗了PickNet算法,并與人工拾取結果進行比較。從拾取精度方面看,在PickNet和人類專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)之內,60.75%77.47%)的初至S波偏差在0.10秒(0.20秒)之內(圖3)。從拾取數目方面看,PickNet獲得了約8倍于臺網中心提供的地震震相,對地震數據的利用更加充分。為了進一步驗證PickNet方法可以有效服務于地球深部結構研究,該研究團隊將PickNet拾取的震相直接用于層析成像研究,僅使用了299個地震獲得的成像結果與此前使用數千個地震得到的速度結構結較一致(圖4)。研究人員還利用該算法對中國地震局臺網,美國地震臺網記錄的數據進行了測試,均取得了良好的效果。

  PickNet方法具有以下優點:(1)準,拾取精度接近人工拾取結果,拾取后的震相數據能直接用于研究地球內部結構;(2 快,用一塊Nvidia Geforce GTX 1080Ti GPU4分鐘能拾取20多萬條地震波形記錄;(3)多,拾取的走時數量是臺網中心提供的數量的幾倍;(4)廣,理論上可適用于拾取其它后續震相。該研究表明深度學習可以從海量的地震波形數據中自動高效地挖掘震相數據,為地震學家提供了有效的工具,能加速人們對地球內部結構的了解。 

     

   1. PickNet算法網絡結構圖。其中三角形表示上采樣,圓圈與十字的組合表示殘差單元。 


新快3遗漏