王祿軍 尹戰(zhàn)軍 翟 浩 倪 銘 張 帆 劉 芳

1 內(nèi)蒙古自治區(qū)地震局，呼和浩特市哲里木路80號(hào)，010010

測(cè)震臺(tái)網(wǎng)記錄的事件中包含很多非天然地震事件，如爆破、塌陷等[1]。這些非天然地震事件會(huì)造成地震臺(tái)網(wǎng)失誤觸發(fā)識(shí)別報(bào)警，影響地震速報(bào)的時(shí)效性和準(zhǔn)確性[2]。因此，識(shí)別天然地震與非天然地震事件對(duì)地震速報(bào)有重要意義。

20世紀(jì)50年代以來(lái)，天然地震與人工爆破的識(shí)別取得一定的研究成果。劉強(qiáng)希等[3]利用小波變換能量線性度方法識(shí)別天然地震與爆破、塌方事件；邊銀菊[4]將遺傳算法(GA)和反向傳播算法(BP算法)相結(jié)合，建立遺傳BP神經(jīng)網(wǎng)絡(luò)；沈萍等[5]基于非穩(wěn)態(tài)WD理論，利用地下核爆和天然地震的瞬態(tài)譜、瞬時(shí)頻率隨時(shí)間的變化等特征來(lái)識(shí)別天然地震與地下核爆事件；楊選輝等[6]利用小波變換理論，以小波包分量比作為識(shí)別天然地震與核爆的判據(jù)；和雪松[7]利用小波包識(shí)別地震和礦震；安鎮(zhèn)文等[8]總結(jié)了核爆炸與地震識(shí)別的研究進(jìn)展。

天然地震與人工爆破事件最本質(zhì)的不同在于震源性質(zhì)：天然地震震源較深，為非對(duì)稱剪切源；人工爆破大多發(fā)生于地表，為膨脹源。天然地震發(fā)震持續(xù)時(shí)間較長(zhǎng)，能量衰減較慢，各地震臺(tái)測(cè)震臺(tái)網(wǎng)記錄到的地震波頻率復(fù)雜；而人工爆破持續(xù)時(shí)間較短，能量衰減較快，各地震臺(tái)測(cè)震臺(tái)網(wǎng)記錄到的地震波高頻成分較多。由于兩者產(chǎn)生波形的物理性質(zhì)存在差異，相對(duì)應(yīng)的震幅大小、頻譜成分、能量高低也不同，導(dǎo)致提取的能量比、香農(nóng)熵、能量熵等均會(huì)存在較大偏差，支持向量機(jī)方法可利用兩者的差異對(duì)天然地震和人工爆破事件進(jìn)行分類。利用小波分析原理提取天然地震與人工爆破的特征向量，對(duì)其進(jìn)行軟件自動(dòng)識(shí)別，通過(guò)實(shí)驗(yàn)分析和研究對(duì)比，確定影響分類準(zhǔn)確度的因素，從而獲得可靠的識(shí)別特征參數(shù)，實(shí)現(xiàn)對(duì)天然地震和人工爆破事件的自動(dòng)識(shí)別。

1 研究方法

1.1 小波變換

小波變換是一種分析信號(hào)時(shí)間-頻率的算法，具有多分辨率的特點(diǎn)，在時(shí)域和頻域上均能較好地表現(xiàn)信號(hào)的局部特征。小波變換在信號(hào)低頻部分具有高頻率分辨率和低時(shí)間分辨率，在高頻部分具有高時(shí)間分辨率和低頻率分辨率，因此被稱為信號(hào)分析的顯微鏡[9]。小波變換分為一維小波變換、二維小波變換等，可根據(jù)實(shí)際問(wèn)題選擇不同的變換類型。

1) 離散小波(DWT)變換可表示為：

WTf(m,k)==

(1)

2) 靜態(tài)小波變換(SWT)是程序設(shè)計(jì)語(yǔ)言Matlab中用來(lái)實(shí)現(xiàn)ε-采樣離散小波變換的算法[10]。與離散小波變換不同的是，靜態(tài)小波變換不對(duì)信號(hào)進(jìn)行下采樣，因此用SWT變換得到的近似系數(shù)和細(xì)節(jié)系數(shù)的長(zhǎng)度與原始信號(hào)長(zhǎng)度一致。

3) 小波包變換(WPT)可對(duì)頻帶部分進(jìn)行多層次劃分，對(duì)多分辨率未細(xì)分的高頻部分進(jìn)一步分解，而且能夠根據(jù)被分析信號(hào)的特征自動(dòng)選擇相應(yīng)的頻帶，與信號(hào)頻譜相匹配，由此提高視頻分辨率。

1.2 特征參數(shù)

1.2.1 能量比(Ewt)

設(shè)S為原始信號(hào)，長(zhǎng)度為l，Sj為S分解后的第j個(gè)小波系數(shù)，經(jīng)過(guò)DWT、SWT分析變換后將近似系數(shù)、細(xì)節(jié)系數(shù)按順序排列。對(duì)于WPT分解，將最后一層分解后的系數(shù)按小波樹節(jié)點(diǎn)順序排列，其長(zhǎng)度為c，則能量比(Ewt)可表示為:

(2)

1.2.2 香農(nóng)熵(Eshannon)和能量熵(Elg)

假設(shè)S為原始信號(hào)，Si為信號(hào)S分解后的第i個(gè)小波系數(shù)，其長(zhǎng)度為c，則小波系數(shù)的香農(nóng)熵和能量熵可表示為:

(3)

(4)

1.3 支持向量機(jī)方法

支持向量機(jī)(SVM)是一種對(duì)不同類別已知樣本的特征值進(jìn)行訓(xùn)練，來(lái)預(yù)測(cè)未知樣本類別的機(jī)器學(xué)習(xí)方法[11]。SVM在解決高維、小樣本、非線性問(wèn)題的模式識(shí)別上具有很大優(yōu)勢(shì)[3]。對(duì)于非線性情形，SVM利用核函數(shù)將多維空間向量映射到高維空間上，從而把問(wèn)題轉(zhuǎn)換為高維空間下的線性可分類問(wèn)題。支持向量機(jī)分類算法C-SVC是指使用一個(gè)常數(shù)C來(lái)調(diào)節(jié)模型復(fù)雜程度與訓(xùn)練樣本誤差大小之間的平衡[12]。由于該常數(shù)受人為因素影響較大，研究人員通過(guò)引入一個(gè)0～1的參數(shù)υ來(lái)調(diào)節(jié)算法誤差，即υ-SVC算法。在支持向量機(jī)的分類方法中，核函數(shù)的選擇具有重要意義，合適的核函數(shù)可以將二維空間中線性不可分問(wèn)題轉(zhuǎn)化為高維空間中線性可分問(wèn)題，因此只需要在低維空間對(duì)核函數(shù)進(jìn)行運(yùn)算即可進(jìn)行分類。常用的核函數(shù)有線性核、多項(xiàng)式核、徑向基核、Sigmoid核。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)選取

選取2016～2021年內(nèi)蒙古地區(qū)測(cè)震臺(tái)網(wǎng)人工記錄的內(nèi)蒙古境內(nèi)及其周邊(96°～126°E, 36°～54°N)信噪比較高、記錄清晰的BHZ分量地震事件(M≥1.5)和爆破事件(M≥1.0)共計(jì)200次，其中地震事件100次，爆破事件100次。從中隨機(jī)選取各80次事件數(shù)據(jù)作為訓(xùn)練樣本，其余20次事件數(shù)據(jù)作為測(cè)試樣本。

2.2 小波變換對(duì)事件進(jìn)行分解

利用小波變換對(duì)事件進(jìn)行分解的步驟為：1)使用msdp軟件將seed格式事件轉(zhuǎn)換成ASCⅡ碼格式；2)利用小波變換分解程序，實(shí)現(xiàn)對(duì)天然地震事件和爆破事件DWT、SWT、WPT的4層小波分解。圖1為DWT對(duì)爆破和地震事件的5個(gè)分解系數(shù)結(jié)果，圖2為SWT對(duì)爆破和地震事件的8個(gè)分解系數(shù)結(jié)果，圖3為WPT對(duì)爆破和地震事件的16個(gè)分解系數(shù)結(jié)果。

圖1 DWT對(duì)爆破和天然地震事件的分解(db4)Fig.1 Decomposition of blasting and natural earthquake events by DWT (db4)

圖2 SWT對(duì)爆破和天然地震事件的分解(db4)Fig.2 Decomposition of blasting and natural earthquake events by SWT (db4)

圖3 WPT對(duì)爆破和天然地震事件的分解(db4)Fig.3 Decomposition of blasting and natural earthquake events by WPT (db4)

2.3 特征參數(shù)提取

特征參數(shù)的提取是指在DWT、SWT、WPT采用db7、rbio1.5、sym6小波基分析的基礎(chǔ)上對(duì)事件進(jìn)行4層分解，得到小波低頻系數(shù)和高頻系數(shù)，然后分別計(jì)算其能量比、香濃熵、能量熵，最后采用不同的核函數(shù)和支持向量機(jī)按照隨機(jī)組合的方式作為特征參數(shù)進(jìn)行實(shí)驗(yàn)。

2.4 波形分類及檢驗(yàn)效果

為研究經(jīng)過(guò)小波變換后提取的特征向量對(duì)天然地震和人工爆破的影響，設(shè)定具體實(shí)驗(yàn)參數(shù)如下：1)小波基函數(shù)為db7小波、sym6小波、rbio1.5小波；2)支持向量機(jī)類型為C-SVC和υ-SVC；3)核函數(shù)為線性核、多項(xiàng)式核、徑向基核、Sigmoid核。

利用不同的小波分解方式、小波基函數(shù)提取特征參數(shù)能量比、香農(nóng)熵、能量熵，采用2種支持向量機(jī)和4種核函數(shù)的隨機(jī)組合，共進(jìn)行288組識(shí)別實(shí)驗(yàn)，表1為4種最優(yōu)識(shí)別結(jié)果。結(jié)果表明，“DWT+υ-SVC+db7+線性核+能量比+香農(nóng)熵+能量熵”識(shí)別率最高為95%，圖4為該組合的效果圖。

表1 最優(yōu)識(shí)別結(jié)果

圖4 識(shí)別效果Fig.4 Identification effect

3 結(jié) 語(yǔ)

采用支持向量機(jī)方法對(duì)內(nèi)蒙古地區(qū)天然地震和爆破事件進(jìn)行識(shí)別，得到以下結(jié)論：

1)將特征參數(shù)能量比、香農(nóng)熵、能量熵與小波分解方式、小波基類型、支持向量機(jī)類型、核函數(shù)類型進(jìn)行隨機(jī)組合，識(shí)別結(jié)果表明，“DWT+υ-SVC+db7+線性核+能量比+香農(nóng)熵+能量熵”識(shí)別率最高為95%，表明該方法更適合內(nèi)蒙古地區(qū)。

2)內(nèi)蒙古地區(qū)非天然地震數(shù)據(jù)量較少，無(wú)法達(dá)到數(shù)據(jù)訓(xùn)練與測(cè)試的要求，故只對(duì)天然地震和爆破事件進(jìn)行自動(dòng)識(shí)別。盡管“DWT+υ-SVC+db7+線性核+能量比+香農(nóng)熵+能量熵”識(shí)別率高達(dá)95%，但還需要繼續(xù)使用其他機(jī)器學(xué)習(xí)算法，不斷提高事件類型的識(shí)別率，為日常地震臺(tái)網(wǎng)工作提供輔助決策支持。

3)內(nèi)蒙古地區(qū)測(cè)震臺(tái)網(wǎng)可以監(jiān)測(cè)記錄到境內(nèi)及周邊省份一定范圍內(nèi)的所有爆破事件，如山西省朔州市和陜西省榆林市爆破。距離較近的臺(tái)網(wǎng)記錄到的爆破事件地表面波特征較為明顯，但隨著震中距的增加，爆破事件面波的波形會(huì)趨向于天然地震事件記錄波形，從而造成地震與爆破事件的誤識(shí)別。因此，需要盡量選擇離震中位置最近的臺(tái)站。

4)天然地震與爆破事件的識(shí)別原則上屬于二分類問(wèn)題，從表1可以看出，線性核能更好地對(duì)兩類事件進(jìn)行識(shí)別，識(shí)別率均在80%以上。

5)目前自動(dòng)編目軟件還未將天然地震與非天然地震事件進(jìn)行有效區(qū)分，部分無(wú)需處理的非天然事件還需進(jìn)行人工核實(shí)，必然會(huì)增加編目的工作量。在后續(xù)研究中，可將本文支持向量機(jī)方法與自動(dòng)編目軟件進(jìn)行對(duì)接，將天然地震和非天然地震事件進(jìn)行區(qū)分，以便更好地服務(wù)測(cè)震臺(tái)網(wǎng)編目工作。