虎啸 陈立琼 辛愿 汤洋 沈昌峰

摘  要：随着人工智能和大数据的快速发展，深度学习体系应用于广阔的领域，同时地震数据呈指数级增长，为地震资料自动分析和处理提供了数据支撑。如何利用卷积神经网络提高震相拾取的精准度，是地震科研和防震减灾工作迫切需要解决的问题。该文主要针对卷积神经网络在震相拾取中的应用情况展开分析，进一步明确目前卷积神经网络在震相拾取中的应用效果和影响因素，期望通过此次研究，为地震监测和预警应用领域提供一些可供参考的资料。

关键词：深度学习  卷积神经网络  震相  地震监测

Abstract： With the rapid development of artificial intelligence and big data， deep learning system is applied to a wide range of fields. At the same time， seismic data increases exponentially， providing data support for automatic analysis and processing of seismic data. How to use convolutional neural network to improve the accuracy of seismic phase acquisition is an urgent problem to be solved in earthquake scientific research and earthquake prevention and disaster reduction. This paper mainly analyzes the application of convolutional neural networks in seismic phase acquisition， and further clarifying the application effect and influencing factors of convolutional neural networks in seismic phase acquisition， and expects to provide some reference materials for the application of seismic monitoring and early warning through this study.

Key Words： Deep learning; Convolutional neural networks; Seismic phase; Earthquake monitoring

近些年來，随着我国对防震减灾工作的持续投入，地震部门不断完善地震监测台网，大力推进地震预警台网的建设，地震数据呈指数级增长，大数据和人工智能的快速发展，为地震资料自动分析和处理提供了技术支撑。在地震数据自动分析处理中，震相拾取的准确性是地震速报和地震预警的关键环节之一，如何找到自动准确高效拾取震相值得深入研究。深度学习广泛应用于计算机视觉方面，引起了地震学研究者的重视，特别是将卷积神经网络（CNN）学习方法应用于震相拾取中，取得了一定的认识，对地震科研、防震减灾等工作具有重要意义。

1 卷积神经网络介绍

卷积神经网络（CNN）是一种将信号输入到栈式卷积池化层的神经网络，最后一层为全连接层，通过softmax层进行输出。卷积神经网络通常用于计算机视觉的任务处理中，使用较多的CNN架构主要有LeNet、AlexNet、GoogLeNet、inception模块和VGGNet。卷积神经网络主要由以下方面组成：

（1）输入层：多维数组数据经过输入层处理后传输到卷积层。

（2）隐含层：隐含层主要由卷积层、池化层和全连接层组成。其中卷积层中的卷积运算通常需要进行滤波处理，提取数据特征后，将特征图传输到池化层;池化层分为最大池化和平均池化两种，池化层对特征图进行采样，缩小特征图的尺寸; 全连接层起到分类器作用，整合经过卷积层和池化层筛选的特征图，参数量多可能使全连接层被其他层所代替。

（3）输出层：输出层使用逻辑函数或Softmax函数输出分类的图像[1]。

（4）激活函数：卷积神经网络中常用的激活函数有Sigmoid、ReLU、TanH和Softmax函数。

2 卷积神经网络在震相拾取中的应用

2.1地震数据的处理

地震监测数据通常主要包括前兆台网数据和测震台网数据，组成地震发生后，测震台站记录到从震中向四周扩散的地震波数据，该文所处理的地震数据均为SEED格式的测震数据，研究中处理数据所使用的工具为Obspy。Obspy作为地震领域专业处理数据的python库，全面的对地震数据进行处理，常用功能主要是对地震数据进行滤波、下采样、切片、合并、FK分析、绘制频谱图等。

2.2卷积神经网络在震相拾取中的应用

Ross等[2]提出了基于卷积神经网络（CNN）的分类器，训练数据主要采用美国南加州地区480多万已经被人工标记震相的地震数据，训练后的模型实现了震相中p波的高精度自动测量。该方法有效避免了创建模型和提取复杂特征等，因此该方法为将地震图直接输入网络提供了可能性。于子叶等[3]优化并训练了一个Inception模型，将其用于震相的拾取工作中。在训练过程中，考虑了对卷积层输出结果进行正则化、dropout运算和增加噪声步进等方面，结果表明此神经网络的泛化能力得到提高，该模型能直接输出震相的到时信息，并减少了噪声的影响。Zhou等[4]将一个卷积神经网络（CNN）和循环卷积网络（RNN）进行串联组成新的模型构架，该模型通过一个8层的CNN模型在连续波形中对噪声样本和震相进行识别，将识别的震相输入到一个两层RNN模型中，通过RNN对震相的P波和S波进行提取，精度的误差均值分别仅有–0.03±0.48s和0.03±0.56s。赵明等[5]发展了U网络算法，能自动识别和到时拾取Pg、Sg震相，U形网络能够较好地识别Pg、Sg震相类型和拾取到时，正确率分别为81%和79.1%，与人工标注的均方根误差分别为0.41s和0.54s。蔡振宇等[6]以卷积神经网络为基础， 基于地震数据的特点等对CNN模型结构做了一定的修改，创建了时间域波形数据模型和小波时频谱模型，实现了高准确率拾取地震P波初至，并节省了模型运行时间。刘芳等[7]结合台阵策略，优化了一种U-Net模型，能高效精准地在连续波形中识别提取震相，规避典型噪声的影响。

2.3 基于卷积神经网络拾取震相的影响因素

（1）地震数据的处理：使用Obspy可以将地震波行数据切割成不同的时间窗片段，研究者使用不同时间窗的数据集在构建的模型中训练，得到不同的学习曲线，造成了震相拾取准确率高低参差不齐。笔者认为可以考虑把不同片段波进行拼接合成、降低数据中的噪声干扰等，作为训练的数据集进而尝试提高拾取的精准度。

（2）地震数据类型和数量：部分研究者由于地震数据类型和数量的受限，创建的模型没有充分的数据进行训练测试，导致在自动拾取震相中精度和效率的局限性。笔者认为将不同地区的测震数据整理后作为训练的数据集，能进一步提升卷积神经网络的性能，从而提高震相拾取精度和准确率的上限。

3  结语

卷积神经网络在震相拾取中的应用取得了一定的成果，由于受到算法、地震数据等可用性的影响，在精准拾取和实用中还存在局限性。笔者通过研究发现，可以从地震波形数据的处理、基于卷积神经网络模型的进一步优化等方面进行探究，提高震相拾取的精准率，提升卷积神经网络在震相拾取中的实用性，为满足海量复杂的地震数据震相拾取需求提供技术支撑。随着地震数据的快速积累与计算机硬件的提升，卷积神经网络未来在防震减灾工作和地震科研中会有更为广阔的发展前景。

参考文献

[1]王李管，陈斯佳，贾明滔，等.基于深度学习的黑钨矿图像识别选矿方法[J].中国有色金属学报，2020，30（5）：1192-1201.

[2]ROSS Z E， MEIER M A， HAUKSSON E.P Wave Arrival Picking and First-Motion Polarity Determination with Deep Learning[J].Journal of Geophysical Research：Solid Earth， 2018，123（6）：5120-5129.

[3]于子叶，储日升，盛敏汉.深度神经网络拾取地震P和S波到时[J].地球物理学报，2018，61（12）：4873-4886.

[4]ZHOU Y，YUE H，KONG Q，et al.Hybrid Event Detection and Phase㏄icking Algorithm Using Convolutional and Recurrent Neural Networks[J].Seismological Research Letters，2019，90（3）：1079-1087.

[5]赵明，陈石，房立华，等.基于U形卷积神经网络的震相识别与到时拾取方法研究[J].地球物理学报，2019，62（8）：3034-3042.

[6]蔡振宇，盖增喜.人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J].北京大学学报：自然科学版，2019，55（3）：451-460.

[7]刘芳，蒋一然，宁杰远，等.结合台阵策略的震相拾取深度學习方法[J].科学通报，2020，65（11）：1016-1026.