高永國(guó) 尹欣欣 李少華

1 甘肅省地震局，蘭州市東崗西路450號(hào)，730000 2 中國(guó)地震局蘭州巖土地震研究所，蘭州市東崗西路450號(hào)，730000

在日常地震監(jiān)測(cè)工作中，由于爆破、塌陷等事件記錄的波形與天然地震類似，傳統(tǒng)的地震類型判別方法需要花費(fèi)大量時(shí)間進(jìn)行人工識(shí)別與排除，并且高度依賴震相分析人員的經(jīng)驗(yàn)與理論水平，分類識(shí)別結(jié)果具有主觀性。傳統(tǒng)區(qū)分非天然地震的方法一般主要依據(jù)爆破事件的波形震相特征、初動(dòng)方向、振幅比、尾波衰減特征等進(jìn)行綜合判斷，表1為不同類型事件的初動(dòng)方向、P/S譜比值、Pm/Pc、Pm/Sm、Pc/Sm、Pm/Tc、Sm/Tc(Pm、Pc、Sm、Tc分別表示P波最大振幅、P波初動(dòng)、S波最大振幅、尾波持續(xù)時(shí)間)等典型判別指標(biāo)，其中滑坡和塌陷的部分判別指標(biāo)尚不明確[1-3]。

表1 不同地震類型的相關(guān)參數(shù)判別指標(biāo)

為解決人工識(shí)別效率低、誤差較大、主觀性強(qiáng)的問(wèn)題，近年來(lái)眾多學(xué)者對(duì)天然地震與爆破、塌陷等非天然地震事件的波形特征展開深入研究[4-8]。深度學(xué)習(xí)技術(shù)在地震震相分類、識(shí)別及定位方面的應(yīng)用發(fā)展迅速。Perol等[9]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型ConvNetQuake對(duì)美國(guó)俄克拉荷馬地區(qū)的連續(xù)記錄波形進(jìn)行識(shí)別與定位，檢測(cè)到的地震事件數(shù)量明顯比已記錄的地震事件數(shù)量多，且算法計(jì)算速度更快；Ross等[10]基于美國(guó)南加州地區(qū)大量人工標(biāo)記P 波到時(shí)和極性的地震圖訓(xùn)練CNN模型，從而實(shí)現(xiàn)P 波震相到時(shí)和初動(dòng)極性的自動(dòng)化識(shí)別。趙明等[11]對(duì)選自中國(guó)地震臺(tái)網(wǎng)的441個(gè)臺(tái)站8 d的連續(xù)波形數(shù)據(jù)進(jìn)行識(shí)別和到時(shí)拾取，同時(shí)與參考地震目錄進(jìn)行關(guān)聯(lián)，證明CNN網(wǎng)絡(luò)對(duì)于不同類型的地震和噪聲樣本具有較好的泛化能力。劉芳等[12]結(jié)合臺(tái)陣策略設(shè)計(jì)單獨(dú)識(shí)別P波和S波的長(zhǎng)時(shí)窗震相拾取深度學(xué)習(xí)模型PP(phase picker)及其訓(xùn)練方式，且將該方法運(yùn)用到中國(guó)內(nèi)蒙古地區(qū)臺(tái)網(wǎng)的觀測(cè)數(shù)據(jù)中，可檢測(cè)到人工目錄中98.1%的地震, 地震拾取總數(shù)為人工目錄數(shù)量的30倍。

深度學(xué)習(xí)強(qiáng)調(diào)模型的深度和訓(xùn)練的重要性，利用大數(shù)據(jù)訓(xùn)練來(lái)學(xué)習(xí)特征，具有更好的表達(dá)豐富信息特征的能力[13]。由于地震事件的復(fù)雜性，不同地區(qū)的地層構(gòu)造、儀器類型參數(shù)、背景噪聲等存在差異，記錄的事件波形特征可能呈現(xiàn)多種形態(tài)。收集制作不同地震事件類型(如天然地震、爆破、塌陷、滑坡等)樣本數(shù)量充足的數(shù)據(jù)集，利用卷積神經(jīng)網(wǎng)絡(luò)的特征提取及自學(xué)習(xí)能力，學(xué)習(xí)天然地震、爆破等波形的深度特征，建立能識(shí)別非天然地震事件的神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用到地震監(jiān)測(cè)、地震災(zāi)害防治及公共服務(wù)領(lǐng)域，可進(jìn)一步提高工作效率，及時(shí)回應(yīng)社會(huì)關(guān)切，減輕災(zāi)害損失[14]。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來(lái)源

本文以甘肅省及周邊地區(qū)為研究區(qū)域(92°～108°E, 32°～42°N)，以2009-01-01～2016-12-31甘肅測(cè)震臺(tái)網(wǎng)記錄的80個(gè)地震事件和20個(gè)爆破事件作為研究數(shù)據(jù)。其中，天然地震震級(jí)為M2.0～6.0，爆破事件震級(jí)為M1.0～3.5，天然地震和爆破事件主要分布在甘肅省內(nèi)及周邊鄰近地區(qū)。

1.2 波形選取及數(shù)據(jù)集生成

本文所使用的數(shù)據(jù)來(lái)自甘肅測(cè)震臺(tái)網(wǎng)，臺(tái)站總數(shù)84個(gè)，包含47個(gè)甘肅省內(nèi)測(cè)震臺(tái)和37個(gè)周邊省份測(cè)震臺(tái)。在獲取2009-01-01～2016-12-31甘肅測(cè)震臺(tái)網(wǎng)的震相數(shù)據(jù)和原始波形數(shù)據(jù)后，首先依據(jù)甘肅測(cè)震臺(tái)網(wǎng)記錄的該時(shí)間段編目報(bào)告(包括發(fā)震時(shí)刻、震中經(jīng)緯度、震源深度、震級(jí)、地震類型等)人工選擇地震事件，然后利用地震數(shù)據(jù)處理程序CNNdatamake，根據(jù)震相到時(shí)截取每條記錄60 s垂直分量波形數(shù)據(jù)，進(jìn)行濾波和歸一化等預(yù)處理，生成地震事件波形數(shù)據(jù)。由于地震信號(hào)的采樣率為100，因此選擇6 000個(gè)采樣點(diǎn)為最大地震波形截取長(zhǎng)度。為盡可能減小波形事件程序篩選產(chǎn)生的誤差，提高數(shù)據(jù)集質(zhì)量，采用人工方法對(duì)事件原始波形及圖片進(jìn)行辨別分析，既通過(guò)波形震相特征、初動(dòng)方向等進(jìn)行分析判斷，同時(shí)以天然地震時(shí)頻表示圖(圖1(a))及爆破事件時(shí)頻表示圖(圖1(b))作為輔助參考因素選擇數(shù)據(jù)集原始事件條目。時(shí)頻圖顯示天然地震P波的高能量密度區(qū)頻率比爆破事件高；天然地震的高能量密度區(qū)分布較為離散，而爆破事件則較為集中。去除噪聲過(guò)多及事件重疊的波形數(shù)據(jù)，最終選取5 000條地震波形(垂直分量)，其中天然地震事件地震波形4 000 條，爆破事件地震波形1 000條；同時(shí)人工標(biāo)注每條記錄相應(yīng)的標(biāo)簽，生成一個(gè)10分類的標(biāo)簽文件。然后從有效波形文件中選取前4 500條記錄作為訓(xùn)練波形數(shù)據(jù)集，后500條記錄作為測(cè)試波形數(shù)據(jù)集。爆破事件的震源深度通常為0 km，為避免爆破與天然地震之間的模糊性，本文僅選取甘肅測(cè)震臺(tái)網(wǎng)地震目錄中震源深度小于10 km 的非天然地震。

圖1 不同類型地震波形時(shí)頻表示圖

1.3 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在機(jī)器學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋人工神經(jīng)網(wǎng)絡(luò)，廣泛應(yīng)用于圖像識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、池化層、全連接層以及Softmax 層，卷積過(guò)程可表示為：

(1)

卷積是指神經(jīng)網(wǎng)絡(luò)對(duì)圖片中每一小塊像素區(qū)域(局部感受野)進(jìn)行加權(quán)，區(qū)域權(quán)值稱為卷積核。圖像經(jīng)過(guò)卷積運(yùn)算后加上偏置值，再通過(guò)激活函數(shù)可得到特征圖。卷積有助于找到特定的局部圖像特征(如邊緣)，從而可加深神經(jīng)網(wǎng)絡(luò)對(duì)圖片的理解。

原始圖像經(jīng)過(guò)池化層可實(shí)現(xiàn)特征降維，壓縮數(shù)據(jù)和參數(shù)數(shù)量，減少過(guò)擬合現(xiàn)象，同時(shí)可提高模型的容錯(cuò)性。池化過(guò)程可表示為：

(2)

式中，down()表示下采樣，可構(gòu)成新特征圖。池化操作通常分為最大池化與平均池化，最大池化可提取圖片紋理，平均池化可保留圖片背景。

Softmax 層在多分類過(guò)程中將多個(gè)神經(jīng)元的輸出映射到(0,1)區(qū)間內(nèi), 并且約束各節(jié)點(diǎn)輸出值之和為1，滿足概率性質(zhì)。Softmax 函數(shù)可表示為：

(3)

式中，Sj表示第j個(gè)神經(jīng)元的輸出，輸出向量為各個(gè)分類的概率。

為提高本文中學(xué)習(xí)模型的識(shí)別率，并比較其與目前經(jīng)典訓(xùn)練模型計(jì)算效率及泛化能力的差異，利用GoogLeNET神經(jīng)網(wǎng)絡(luò)模型Inception V1進(jìn)行訓(xùn)練，同時(shí)采用自主設(shè)計(jì)的seismic phase classification CNN訓(xùn)練模型進(jìn)行計(jì)算與對(duì)比分析，兩種模型中Softmax 層均設(shè)計(jì)為10分類輸出。

1.3.1 Inception V1

增加模型的深度(層數(shù))或?qū)挾瓤色@得高質(zhì)量模型，但這種設(shè)計(jì)思路會(huì)導(dǎo)致參與計(jì)算的參數(shù)過(guò)多，容易引起過(guò)擬合和網(wǎng)絡(luò)退化問(wèn)題。Inception是 GoogLeNET團(tuán)隊(duì)提出的經(jīng)典CNN分類模型之一[15]，該模型通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在有效保留圖像特征的同時(shí)減少計(jì)算量。Inception V1模型在同一層網(wǎng)絡(luò)中使用不同尺寸的卷積核，可提取不同尺寸特征，通過(guò)設(shè)定少于輸入特征圖深度的1×1卷積核個(gè)數(shù)，減少輸出特征圖深度和參數(shù)量，從而提高模型感知力。本文中Inception V1訓(xùn)練模型為10層，ReLu 函數(shù)作為激活函數(shù)，交叉熵作為損失函數(shù)，優(yōu)化器算法選擇Adam。

1.3.2 Seismic phase classification CNN

模型2為5層CNN網(wǎng)絡(luò)結(jié)構(gòu)，命名為震相分類神經(jīng)網(wǎng)絡(luò)(seismic phase classification CNN, 簡(jiǎn)稱SPCCNN)。該模型由4個(gè)卷積層C和3個(gè)池化層M交替組成，然后再連接1個(gè)全連接層，最后一層作為卷積神經(jīng)網(wǎng)絡(luò)的輸出層。該網(wǎng)絡(luò)使用5×5像素的內(nèi)核進(jìn)行卷積，以2為步長(zhǎng)進(jìn)行下采樣。使用交叉熵作為損失函數(shù)，優(yōu)化器算法選擇Adam。每個(gè)卷積層均利用Batch Normalization(BN)操作實(shí)現(xiàn)正則化以防止過(guò)擬合。最后經(jīng)過(guò)全連接層，使用Softmax激活函數(shù)計(jì)算分類概率，將不同類型地震波形特征對(duì)應(yīng)的輸出向量與該類型地震波形的標(biāo)簽進(jìn)行比較，確定其地震類型。

2 分類識(shí)別模型訓(xùn)練和測(cè)試結(jié)果

利用5 000條地震波形(垂直分量)構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集，分為訓(xùn)練集和測(cè)試集，包括天然地震、爆破等目標(biāo)樣本。利用基于CNN 的Inception V1模型和SPCCNN模型分別對(duì)訓(xùn)練集中的波形圖像特征進(jìn)行抽象與學(xué)習(xí)，得到優(yōu)化后的網(wǎng)絡(luò)模型，然后利用測(cè)試數(shù)據(jù)集得到目標(biāo)測(cè)試結(jié)果。兩種模型訓(xùn)練過(guò)程的準(zhǔn)確度和損失函數(shù)曲線分別見圖2(a)和2(b)，表2為最終訓(xùn)練模型的損失率與準(zhǔn)確率結(jié)果。

從圖2和表2可以看出，隨著迭代次數(shù)的增加，訓(xùn)練集準(zhǔn)確率保持在96%左右，測(cè)試集準(zhǔn)確率超過(guò)90%，表明兩種模型的收斂性良好，泛化能力較好。

表2 兩種訓(xùn)練模型損失率與準(zhǔn)確率結(jié)果

3 結(jié) 語(yǔ)

本文利用Inception V1模型和SPCCNN模型將天然地震事件和爆破事件等目標(biāo)樣本進(jìn)行自動(dòng)分類。從訓(xùn)練結(jié)果來(lái)看，不同訓(xùn)練模型在識(shí)別效果上具有一定差異，隨著訓(xùn)練時(shí)長(zhǎng)的增加，不同模型對(duì)數(shù)據(jù)的泛化能力大致趨同。分析兩種模型的計(jì)算過(guò)程發(fā)現(xiàn)，Inception V1模型耗時(shí)略大，識(shí)別率更高；SPCCNN模型耗時(shí)較少，識(shí)別率相對(duì)略低。結(jié)果表明，Inception V1模型作為同時(shí)具有深度和寬度的神經(jīng)網(wǎng)絡(luò)，其效果更優(yōu)，能更好地克服地震波形特征的復(fù)雜性，該模型對(duì)于地震波形分類具有較好的應(yīng)用前景，可以考慮在此基礎(chǔ)上改造和應(yīng)用最新的Inception V4等模型，開發(fā)更優(yōu)的地震事件分類模型。

實(shí)驗(yàn)結(jié)果表明，兩種分類模型均能從訓(xùn)練集中學(xué)習(xí)不同地震波形的深度特征，Inception V1模型和SPCCNN模型總體識(shí)別率分別為92.3%和90.1%，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)具有較好的分類識(shí)別能力。同時(shí)由于爆破類地震事件樣本數(shù)較少，訓(xùn)練數(shù)據(jù)不夠，存在過(guò)擬合問(wèn)題。對(duì)于爆破等非天然地震事件，建立樣本數(shù)量充足的大型數(shù)據(jù)集難度較大，需要持續(xù)收集來(lái)自不同區(qū)域、不同構(gòu)造的真實(shí)非天然地震事件樣本，才有可能使卷積神經(jīng)網(wǎng)絡(luò)模型具備更強(qiáng)的泛化能力和更高的分類識(shí)別準(zhǔn)確率。由于訓(xùn)練過(guò)程中數(shù)據(jù)計(jì)算量較大，本研究?jī)H使用每條記錄的垂直分量波形，且在訓(xùn)練輸入神經(jīng)網(wǎng)絡(luò)時(shí)對(duì)60 s時(shí)長(zhǎng)的6 000個(gè)采樣點(diǎn)數(shù)據(jù)以6為步長(zhǎng)間隔進(jìn)行降采樣，后續(xù)研究中可考慮同時(shí)使用地震事件的三分量波形且使用全量數(shù)據(jù)，從而不斷提高訓(xùn)練模型的分類識(shí)別能力。

致謝：感謝甘肅數(shù)字地震臺(tái)網(wǎng)提供地震觀測(cè)數(shù)據(jù)以及甘肅地震臺(tái)提供地震數(shù)據(jù)處理程序CNNdatamake。