張文浩，尹玲,2，胡文博

( 1. 上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院, 上海 201620；2. 中國(guó)地震局地質(zhì)研究所, 北京 100029；3. 上海大學(xué) 通信與信息工程學(xué)院, 上海 200444 )

0 引 言

隨著我國(guó)經(jīng)濟(jì)建設(shè)的發(fā)展，大型高層建筑、人口密集城市不斷增多，我國(guó)作為地震活動(dòng)最強(qiáng)烈的國(guó)家之一，地震造成的生命財(cái)產(chǎn)損失不計(jì)其數(shù)，如何減少地震造成的人員和財(cái)產(chǎn)損失，是目前迫切需要解決的問(wèn)題. 由于地震的復(fù)雜性，當(dāng)前的技術(shù)水平難以實(shí)現(xiàn)對(duì)地震的精準(zhǔn)預(yù)測(cè)，而地震預(yù)警則是目前國(guó)際上公認(rèn)的能夠減輕地震災(zāi)害的有效手段之一[1]. 傳統(tǒng)地震儀方法雖然比較成熟，能在地震發(fā)生后短時(shí)間內(nèi)確定震級(jí)和震源，但對(duì)強(qiáng)震震級(jí)進(jìn)行估算時(shí)會(huì)出現(xiàn)超出量程、積分結(jié)果帶有誤差等現(xiàn)象，導(dǎo)致震級(jí)飽和[2].2011年3月11日，日本東北部發(fā)生Mw9.0級(jí)地震，日本氣象廳預(yù)警系統(tǒng)發(fā)布警報(bào)，但該預(yù)警系統(tǒng)的地震級(jí)別為Mw8.1，預(yù)測(cè)準(zhǔn)確度有很大差距，同時(shí)確保正確預(yù)警并防止來(lái)自系統(tǒng)的誤報(bào)也是不小的挑戰(zhàn).2016年8月1日，日本地震預(yù)警系統(tǒng)發(fā)出Mw9.1級(jí)地震警報(bào)，預(yù)估日本大面積地區(qū)將達(dá)到烈度7度，該誤報(bào)造成了小田急電鐵和首都圈大部分地鐵緊急停運(yùn)，一些重大工程緊急關(guān)停. 一旦發(fā)生誤報(bào)，會(huì)引起民眾恐慌，降低政府的信譽(yù)，造成不必要的損失.

地震預(yù)警系統(tǒng)(EEWs)基本可分為區(qū)域預(yù)警和單站預(yù)警[3]. 區(qū)域預(yù)警是基于密集的臺(tái)站檢測(cè)網(wǎng)絡(luò)，收集并分析來(lái)自多個(gè)臺(tái)站的數(shù)據(jù)估算相關(guān)源參數(shù)，用于遠(yuǎn)距離地點(diǎn)提供早期預(yù)警. 單站預(yù)警則是由震源區(qū)域附近的單個(gè)傳感器組成，在某些系統(tǒng)中，為估計(jì)臺(tái)站區(qū)域的震動(dòng)強(qiáng)度，還需確定震級(jí)和震源[4]. 單站預(yù)警通常比區(qū)域預(yù)警更快，但容易發(fā)生誤報(bào)，精確度較低[5-6]. 最合適的方式應(yīng)該是既保留區(qū)域預(yù)警的準(zhǔn)確度，又盡可能實(shí)現(xiàn)單站快速預(yù)警.

現(xiàn)有的EEWs多是基于實(shí)時(shí)強(qiáng)震網(wǎng)絡(luò)框架建立的，系統(tǒng)中的強(qiáng)震儀以觸發(fā)模式進(jìn)行工作，當(dāng)達(dá)到一定強(qiáng)度后記錄數(shù)據(jù)并通過(guò)積分獲得位移結(jié)果. 但強(qiáng)震儀有基線偏差、量程有限等問(wèn)題，而現(xiàn)代預(yù)警技術(shù)將高頻GPS技術(shù)引入地表位移監(jiān)控中. 它既可觀測(cè)靜態(tài)位移也可記錄由地震造成的動(dòng)態(tài)位移，具有不限制量程，不積累誤差，能直接獲取位移數(shù)據(jù)等優(yōu)點(diǎn). 文獻(xiàn)[7]闡述了高頻GPS技術(shù)在地震學(xué)中的應(yīng)用方法、實(shí)際意義及目前存在的問(wèn)題. 文獻(xiàn)[8]利用高頻GPS數(shù)據(jù)使用最速下降法和OKADA模型進(jìn)行反演，探討了高頻GPS的峰值地面加速度(PGA)、峰值地面速度(PGV)、峰值地面位移(PGD)計(jì)算地震烈度的可能性.

隨著地震檢測(cè)儀器在全球范圍的大規(guī)模部署，數(shù)據(jù)規(guī)模增大，如何完成從大量的連續(xù)波形數(shù)據(jù)中實(shí)現(xiàn)到震拾取是一個(gè)棘手的問(wèn)題. 近年來(lái)人們發(fā)明了各種震相識(shí)別算法，比較典型的有：基于短時(shí)窗平均/長(zhǎng)時(shí)窗平均算法(STA/LTA)的方法[9]. 信號(hào)到達(dá)時(shí)，STA/LTA值會(huì)發(fā)生突變，當(dāng)比值大于某個(gè)閾值后，則判定事件發(fā)生，該方法應(yīng)用于信噪比(SNR)高的數(shù)據(jù)可達(dá)到較高準(zhǔn)確率，SNR低的數(shù)據(jù)容易發(fā)生遺漏. 赤池信息量準(zhǔn)則(AIC)方法[10]根據(jù)AIC尋求序列波形的極小點(diǎn)作為震相的到時(shí)點(diǎn)，該方法對(duì)震相和頻率的變化較敏感，常被用于震相到時(shí)的精確拾取，與STA/LTA類似，AIC的結(jié)果也強(qiáng)烈依賴于SNR以及檢測(cè)區(qū)間. 神經(jīng)網(wǎng)絡(luò)算法[11]可以利用神經(jīng)元捕捉輸入特征和輸出值之間的非線性關(guān)系. 文獻(xiàn)[12]利用神經(jīng)網(wǎng)絡(luò)對(duì)強(qiáng)震三分量數(shù)據(jù)進(jìn)行到時(shí)提取，并加入噪聲提高模型泛化能力，展現(xiàn)出神經(jīng)網(wǎng)絡(luò)在自動(dòng)化震相拾取方面的優(yōu)越性. 文獻(xiàn)[13]針對(duì)地震事件和噪音分類這一問(wèn)題訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，對(duì)序列片段進(jìn)行分類.

本文探索用深度學(xué)習(xí)的方法對(duì)高頻GPS數(shù)據(jù)進(jìn)行分析，將區(qū)域信息通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)[14]融合到單站預(yù)警中，盡可能降低誤報(bào)率同時(shí)保證快速反應(yīng). 分別使用融合區(qū)域特征的網(wǎng)絡(luò)模型、未融合區(qū)域特征的網(wǎng)絡(luò)模型、STA/LTA方法對(duì)新西蘭地區(qū)多個(gè)臺(tái)站無(wú)震高頻GPS序列進(jìn)行誤報(bào)檢測(cè)，比較每種方法的誤報(bào)次數(shù)，另外為檢測(cè)算法的有效性對(duì)新西蘭凱庫(kù)拉地震進(jìn)行檢出. 結(jié)果表明：融合區(qū)域特征后的模型不僅能夠?qū)Φ卣鹗录M(jìn)行檢出，而且對(duì)比未融合區(qū)域特征的網(wǎng)絡(luò)模型和STA/LTA能有效地減少誤報(bào)次數(shù)，在應(yīng)用于高頻GPS時(shí)有很好地表現(xiàn)，可對(duì)當(dāng)下的地震預(yù)警工作做出一定補(bǔ)充.

1 高頻GPS數(shù)據(jù)獲取與預(yù)處理

在選擇臺(tái)站時(shí)，盡可能選擇離震中距離均勻、記錄數(shù)據(jù)相對(duì)完整的臺(tái)站，然后進(jìn)行數(shù)據(jù)解算. 文章使用2016年11月13日凱庫(kù)拉Mw7.8級(jí)地震[15]作為檢出事件，由于臨近該地震區(qū)域無(wú)震數(shù)據(jù)較少，本文選擇周邊區(qū)域記錄大量無(wú)震數(shù)據(jù)的臺(tái)站，利用6 h的無(wú)震數(shù)據(jù)去微調(diào)網(wǎng)絡(luò)，達(dá)到模型遷移的效果.

1.1 實(shí)驗(yàn)數(shù)據(jù)

本文所使用的1 Hz高頻GPS數(shù)據(jù)來(lái)源于新西蘭地震信息網(wǎng)(Geonet)，該網(wǎng)絡(luò)包括Strong motion sensor、檢測(cè)區(qū)域形變的GPS sensor等臺(tái)站，剔除掉部分觀測(cè)數(shù)據(jù)質(zhì)量較差和數(shù)據(jù)缺失嚴(yán)重的臺(tái)站，選擇2016年2月中數(shù)據(jù)較為完整的3個(gè)臺(tái)站數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，處理時(shí)間范圍為00:00:00—23:45:00 (UTC).選擇臨近地震區(qū)域3個(gè)臺(tái)站數(shù)據(jù)用于遷移學(xué)習(xí)，處理時(shí)間為2016-11-13 T 00:00:00—06:00:00 (UTC)，為了驗(yàn)證本文所提出的方法在實(shí)際地震檢出應(yīng)用中的效果和可行性，本文對(duì)受凱庫(kù)拉Mw7.8級(jí)地震影響的多個(gè)臺(tái)站進(jìn)行到震檢出，該地震發(fā)生于2016-11-13 T 11:02:59 (UTC)的新西蘭南島中部地區(qū)，震中位置位于(173.064 7°E，42.724 5°S)，震源深度為15.0 km. 選取2016-11-13 T 06:00:00—09:00:00 (UTC)的多個(gè)臺(tái)站無(wú)震時(shí)間序列作為測(cè)試數(shù)據(jù). 表1列出了用于遷移學(xué)習(xí)的3個(gè)臺(tái)站信息.

表 1 高頻GPS臺(tái)站信息表

1.2 數(shù)據(jù)處理方法

文章使用GAMIT track模塊對(duì)新西蘭南部地區(qū)1 Hz GPS數(shù)據(jù)進(jìn)行解算，該模塊采用差分定位模式，實(shí)際獲取到的是目標(biāo)站對(duì)于參考站的相對(duì)位置，所以參考站的選取會(huì)影響實(shí)際結(jié)果[15]. 對(duì)于震時(shí)數(shù)據(jù)的解算，如果基線距離過(guò)小，地震對(duì)參考站的影響會(huì)疊加在流動(dòng)站位移序列上. 為盡可能避免同震干擾，選擇距震中較遠(yuǎn)且觀測(cè)質(zhì)量較好的觀測(cè)站作為參考站，并檢查數(shù)據(jù)質(zhì)量，準(zhǔn)備精密星歷文件，進(jìn)行解算可得到所需臺(tái)站的時(shí)間序列數(shù)據(jù).

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)模型

LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)主要是解決長(zhǎng)序列訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題[16]，在長(zhǎng)序列中有更好地表現(xiàn).

2.1 LSTM神經(jīng)網(wǎng)絡(luò)原理

LSTM與RNN相比不再是單一 t anh 層，而是多個(gè)門結(jié)構(gòu)，分別是遺忘門、輸入門、輸出門，LSTM單元結(jié)構(gòu)如圖1所示.

圖 1 LSTM單元結(jié)構(gòu)圖

2.1.1 遺忘門

遺忘門會(huì)使用當(dāng)前時(shí)刻的輸入xt和上一時(shí)刻的輸出ht-1通 過(guò)σ函數(shù)計(jì)算上一時(shí)刻細(xì)胞狀態(tài)Ct-1中信息保留的比重，0表示不保留，1表示保留. 其中Wf表示遺忘門的權(quán)重，bf為偏置項(xiàng).

2.1.2 輸入門

輸入門可以利用當(dāng)前時(shí)刻的輸入xt和上一時(shí)刻的輸出ht-1通 過(guò)σ函數(shù)決定更新哪些信息. 再利用xt和ht-1通 過(guò) t anh 層得到臨時(shí)細(xì)胞狀態(tài)Wi表示輸入門的權(quán)重，bi為偏置項(xiàng)，Wc表示細(xì)胞單元的權(quán)重，bc為偏置項(xiàng).

將舊的細(xì)胞狀態(tài)Ct-1更 新為新的細(xì)胞狀態(tài)Ct.

2.1.3 輸出門

輸出門可以利用當(dāng)前時(shí)刻的輸入xt和上一時(shí)刻的輸出ht-1通過(guò)σ函數(shù)判斷輸出細(xì)胞的哪些特征，并通過(guò)與 t anh 層的細(xì)胞狀態(tài)Ct相乘得到單元輸出ht.Wo表示輸出門的權(quán)重，bo為偏置項(xiàng).

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

一個(gè)LSTM網(wǎng)絡(luò)包含多個(gè)隱藏層，每個(gè)隱藏層由大量LSTM神經(jīng)元組成，展開后等效于在不同層之間傳遞參數(shù)的前反饋神經(jīng)網(wǎng)絡(luò). 每一層的輸出作用于下一層的輸入，所以它可以處理時(shí)間序列數(shù)據(jù)并提取特征，LSTM預(yù)測(cè)模型整體框架如圖2所示. 為適應(yīng)地震檢出任務(wù)使用單層LSTM，使得網(wǎng)絡(luò)能夠?qū)W習(xí)高層次的時(shí)域特征，輸入層為多個(gè)臺(tái)站三分量數(shù)據(jù)，輸出為單臺(tái)站下一秒預(yù)測(cè)值.

圖 2 LSTM時(shí)間序列預(yù)測(cè)框架

2.3 模型計(jì)算流程

在網(wǎng)絡(luò)訓(xùn)練前需要對(duì)數(shù)據(jù)進(jìn)行處理，主要包括劃分?jǐn)?shù)據(jù)集、將高頻GPS數(shù)據(jù)轉(zhuǎn)換成可以輸入LSTM神經(jīng)網(wǎng)絡(luò)的格式，即樣本、時(shí)間步、特征的三維數(shù)據(jù).對(duì)輸入的多臺(tái)站數(shù)據(jù)進(jìn)行歸一化處理，將高頻GPS時(shí)間序列轉(zhuǎn)換化成監(jiān)督學(xué)習(xí)數(shù)據(jù)，每個(gè)時(shí)間步前t時(shí)刻的數(shù)據(jù)作為訓(xùn)練樣本x，當(dāng)前t時(shí)刻的數(shù)據(jù)作為輸出值y. 數(shù)據(jù)處理完畢后，由輸入層輸入處理好的多臺(tái)站地震信號(hào)數(shù)據(jù)，隱藏層LSTM單元實(shí)現(xiàn)對(duì)地震信號(hào)進(jìn)行時(shí)域分析，通過(guò)Dropout層避免過(guò)擬合，全連接層對(duì)每個(gè)時(shí)間步的特征進(jìn)行全連接，再將每個(gè)時(shí)間步的輸出結(jié)果經(jīng)過(guò)激活函數(shù)后，由輸出層及反歸一化操作輸出預(yù)測(cè)值，期間數(shù)據(jù)不斷迭代，以降低損失函數(shù)值為目標(biāo)直至收斂. 最后根據(jù)預(yù)測(cè)值動(dòng)態(tài)生成閾值，通過(guò)真實(shí)值與閾值相比較，判斷是否發(fā)生地震事件，算法流程如圖3所示.

圖 3 LSTM模型計(jì)算流程圖

2.4 模型訓(xùn)練

訓(xùn)練預(yù)測(cè)模型的目的是讓模型學(xué)習(xí)無(wú)震時(shí)的數(shù)據(jù)特征，并且用來(lái)預(yù)測(cè)未來(lái)時(shí)刻無(wú)震的數(shù)據(jù)值，通過(guò)預(yù)測(cè)值與觀測(cè)值相比較來(lái)檢出異常. 使用2016年2月中篩選的無(wú)震時(shí)間序列片段，最終選擇使用YALD、VWMR、VBRM 3個(gè)臺(tái)站數(shù)據(jù)構(gòu)造數(shù)據(jù)集，選取85%的數(shù)據(jù)作為訓(xùn)練集，15%的數(shù)據(jù)作為測(cè)試集，隱藏層使用單層LSTM網(wǎng)絡(luò)，并在每層之間加Dropout層，在訓(xùn)練時(shí)以抑制部分神經(jīng)元的輸出，避免在訓(xùn)練過(guò)程中過(guò)擬合. 最后一層是全連接層，使用線性激活函數(shù)，用于輸出模型下一秒的預(yù)測(cè)值. 網(wǎng)絡(luò)的優(yōu)化算法選取為自適應(yīng)運(yùn)動(dòng)估計(jì)算法(Adam)算法，該算法能使收斂過(guò)程更加平穩(wěn)，可以為不同的參數(shù)自適應(yīng)學(xué)習(xí)率. 使用均方根誤差(RMSE)作為衡量模型性能的指標(biāo)，度量真實(shí)值與預(yù)測(cè)值之間的相對(duì)偏差，其計(jì)算如式(8)所示. 其中yi(t) 是 在t時(shí)刻的實(shí)際觀測(cè)值，(t) 是在t時(shí)刻模型輸出的預(yù)測(cè)值，n是數(shù)據(jù)樣本的總數(shù).

訓(xùn)練所用硬件為AMD Ryzen 3900x 3.8 GHz CPU、16 GB內(nèi)存、NVIDIA GeForce GTX2080ti 11 GB顯存. 在選取batch size參數(shù)的過(guò)程中，batch size過(guò)小會(huì)導(dǎo)致隨機(jī)性更大，難以達(dá)到收斂，但是能使模型學(xué)到一定噪聲，提高模型的泛化能力. 過(guò)大的 batch size會(huì)增加迭代過(guò)程中的計(jì)算量，內(nèi)存消耗大. batch size選擇的影響如表2所示.

表 2 不同batch size對(duì)結(jié)果的影響

batch size大小對(duì)模型學(xué)習(xí)有很大影響，當(dāng)batch size足夠大時(shí)才可以對(duì)整個(gè)數(shù)據(jù)的梯度進(jìn)行穩(wěn)定的計(jì)算，但過(guò)大的batch size會(huì)在迭代的過(guò)程中增加計(jì)算消耗. 過(guò)小的batch size能學(xué)習(xí)到一定噪聲，可以避免局部最優(yōu)，但可能會(huì)由于樣本不足，網(wǎng)絡(luò)權(quán)重突然波動(dòng)而導(dǎo)致收斂緩慢甚至不收斂，從而對(duì)計(jì)算造成負(fù)面影響. 由表2可以看出，在batch size小的情況下單次迭代時(shí)間長(zhǎng)，batch size大的情況雖能加快計(jì)算，但是考慮到精度，選擇batch size為64.

網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的Loss圖像如圖4所示，實(shí)線為訓(xùn)練集Loss值變化，虛線為驗(yàn)證集Loss值變化.訓(xùn)練Loss曲線從0.009開始減少，初始時(shí)收斂較快，經(jīng)過(guò)約15次迭代后收斂速度降低，最終收斂于0.000 6.

圖5為模型應(yīng)用于測(cè)試數(shù)據(jù)集得出的YALD站預(yù)測(cè)圖，計(jì)算得出RMSE為0.003 429，可以看到LSTM神經(jīng)網(wǎng)絡(luò)可以對(duì)臺(tái)站時(shí)間序列進(jìn)行有效預(yù)測(cè)，可以充分挖掘區(qū)域各個(gè)臺(tái)站之間的相關(guān)性.

得到滿足預(yù)測(cè)精度的模型后，用地震周邊區(qū)域臺(tái)站無(wú)震數(shù)據(jù)微調(diào)模型. 選擇臨近地震區(qū)域MRBL、WITH、WEST 3個(gè)臺(tái)站6 h數(shù)據(jù)構(gòu)建數(shù)據(jù)集用于遷移學(xué)習(xí). 應(yīng)用于測(cè)試集的預(yù)測(cè)結(jié)果如圖6所示，實(shí)線為真實(shí)觀測(cè)數(shù)據(jù)，虛線為來(lái)自預(yù)測(cè)模型的預(yù)測(cè)結(jié)果.由圖可知預(yù)測(cè)模型可以準(zhǔn)確預(yù)測(cè)到觀測(cè)數(shù)據(jù)的變化趨勢(shì)，最終測(cè)試集的RMSE為0.002 989.

圖 4 LSTM網(wǎng)絡(luò)模型Loss值變化曲線

圖 5 YALD臺(tái)站預(yù)測(cè)圖

圖 6 MRBL臺(tái)站預(yù)測(cè)圖

圖 7 MRBL臺(tái)站地震檢出

圖 8 WITH臺(tái)站地震檢出

圖 9 WEST臺(tái)站地震檢出

3 模型應(yīng)用

利用本文設(shè)計(jì)的地震檢測(cè)模型可以對(duì)包含地震事件的GPS時(shí)間序列進(jìn)行檢出，并對(duì)多條無(wú)震長(zhǎng)序列進(jìn)行檢測(cè)統(tǒng)計(jì)誤報(bào)次數(shù).

3.1 方法有效性和準(zhǔn)確性

為驗(yàn)證本文模型可對(duì)異常事件進(jìn)行檢出，對(duì)包含凱庫(kù)拉地震事件的時(shí)間序列進(jìn)行檢測(cè)，模型學(xué)到的特征為無(wú)震時(shí)的區(qū)域特征，而發(fā)生地震后序列會(huì)產(chǎn)生突變，突變?nèi)暨B續(xù)超出置信區(qū)間，則此次突變可作為異常實(shí)現(xiàn)檢出. 在對(duì)多個(gè)受地震影響的臺(tái)站進(jìn)行檢出，MRBL臺(tái)站序列檢出結(jié)果如圖7所示，在第203時(shí)間步時(shí)觀測(cè)值發(fā)生明顯變化且超出置信區(qū)間，判定為異常實(shí)現(xiàn)地震事件，WITH臺(tái)站序列檢出結(jié)果如圖8所示，在第141時(shí)間步時(shí)觀測(cè)值發(fā)生異常，后續(xù)序列波動(dòng)明顯且多次超出置信區(qū)間，實(shí)現(xiàn)到震檢出. WEST臺(tái)站序列檢出結(jié)果如圖9所示，在第202時(shí)間步觀測(cè)值異常變化超出置信區(qū)間，此時(shí)模型生成的閾值也跟隨觀測(cè)值發(fā)生一定突變，但模型結(jié)合區(qū)域之前的地表位移特征，使閾值變化不如實(shí)際值大，當(dāng)實(shí)際值超出閾值時(shí)實(shí)現(xiàn)到震檢出.

對(duì)無(wú)震時(shí)序進(jìn)行誤報(bào)檢測(cè)時(shí)，正常情況下觀測(cè)值不超出置信區(qū)間，若超出置信區(qū)間則判定為一次誤報(bào)，文章對(duì)多個(gè)臺(tái)站時(shí)間序列進(jìn)行誤報(bào)檢測(cè). 使用本文方法對(duì)MRBL臺(tái)站10 800 s無(wú)震序列進(jìn)行檢測(cè)，檢測(cè)所用時(shí)間為31.74 ms，最終未見(jiàn)誤報(bào)；對(duì)WITH臺(tái)站10 800 s無(wú)震序列進(jìn)行檢測(cè)，未見(jiàn)誤報(bào)；對(duì)WEST臺(tái)站10 800 s無(wú)震序列進(jìn)行檢測(cè)，出現(xiàn)1次誤報(bào). 另使用本文模型嘗試對(duì)周邊其他臺(tái)站3 h無(wú)震序列進(jìn)行檢測(cè)，結(jié)果HANM、KAIK、LKTA臺(tái)站均未發(fā)生誤報(bào)，檢測(cè)圖如圖10所示.

基于雙軌跡構(gòu)圖可知本題有兩解，解法1漏解.構(gòu)造△ADB的外接圓圓心E，點(diǎn)E可在AB下方如圖4；也可在AB上方，如圖5；因此有必要思考圓心E還可在AB邊上，如圖6.

圖 10 引入?yún)^(qū)域信息模型無(wú)震序列誤報(bào)檢測(cè)

3.2 對(duì)比及分析

用STA/LTA方法和未引入?yún)^(qū)域特征的單站方法對(duì)多段無(wú)震時(shí)間序列進(jìn)行檢測(cè). STA/LTA方法對(duì)振幅變化敏感，但易受噪聲干擾，STA記錄的主要是振幅的瞬時(shí)變化，LTA的作用是衡量周圍噪聲的強(qiáng)度.當(dāng)?shù)卣鹗录l(fā)生時(shí)，STA/LTA值明顯發(fā)生變化，當(dāng)STA/LTA值超過(guò)閾值，則判斷此時(shí)刻為地震到時(shí). 如果閾值設(shè)定過(guò)大則會(huì)遺漏地震事件，若閾值設(shè)定過(guò)小，則會(huì)因?yàn)樵肼暬蚱渌虬l(fā)生誤報(bào)，閾值不易設(shè)定.

由于高頻GPS SNR較高，STA/LTA方法用于高頻GPS時(shí)間序列數(shù)據(jù)效果并不理想，對(duì)多個(gè)臺(tái)站時(shí)長(zhǎng)10 800 s的無(wú)震時(shí)序進(jìn)行檢測(cè)，檢測(cè)一次所用時(shí)間約為0.73 ms. 圖11為STA/LTA方法檢測(cè)圖，虛線為觸發(fā)檢測(cè)器標(biāo)記，由圖11可知STA/LTA方法在多個(gè)臺(tái)站上均誤報(bào)較多，具體誤報(bào)次數(shù)如表3所示.

未融入?yún)^(qū)域特征的單站模型數(shù)據(jù)復(fù)雜度較低，過(guò)深的LSTM網(wǎng)絡(luò)在訓(xùn)練時(shí)不易收斂. 在搭建網(wǎng)絡(luò)時(shí)減少每層網(wǎng)絡(luò)的神經(jīng)元數(shù)量，防止過(guò)擬合. 網(wǎng)絡(luò)架構(gòu)及相關(guān)參數(shù)如表4所示. 選取最優(yōu)模型對(duì)長(zhǎng)10 800 s的多個(gè)臺(tái)站無(wú)震時(shí)間序列進(jìn)行檢測(cè)，檢測(cè)一次所用時(shí)間約為23.59 ms，無(wú)震時(shí)間序列的檢測(cè)結(jié)果如圖12所示. 各個(gè)臺(tái)站的檢測(cè)結(jié)果均出現(xiàn)少量誤報(bào)，較STA/LTA方法有所減少，具體檢測(cè)結(jié)果如表3所示.

圖 11 STA/LTA檢出結(jié)果

圖 12 未引入?yún)^(qū)域信息模型無(wú)震序列誤報(bào)檢測(cè)

由表3可以看出，兩種神經(jīng)網(wǎng)絡(luò)方法在多個(gè)臺(tái)站的無(wú)震序列上均減少了誤報(bào)數(shù)量，而本文方法在引入?yún)^(qū)域特征后誤報(bào)數(shù)量再次減少，雖然相比于STA/LTA方法，神經(jīng)網(wǎng)絡(luò)模型計(jì)算所需時(shí)間變長(zhǎng)，考慮到神經(jīng)網(wǎng)絡(luò)的參數(shù)量，計(jì)算所需時(shí)間必然會(huì)增加.

表 3 不同方法檢測(cè)所用時(shí)間及誤報(bào)數(shù)

表 4 網(wǎng)絡(luò)架構(gòu)及參數(shù)表

4 結(jié)束語(yǔ)

近些年來(lái)越來(lái)越多的連續(xù)運(yùn)行的GPS接收器將記錄速率提升到1 Hz，高頻GPS在地震領(lǐng)域的應(yīng)用不斷發(fā)展，GPS數(shù)據(jù)不論是應(yīng)用于長(zhǎng)期位移觀測(cè)還是短期地殼瞬時(shí)形變都有不錯(cuò)的表現(xiàn)，在震級(jí)估算方面更為精確. 本文基于高頻GPS數(shù)據(jù)提出了一種包含區(qū)域信息的神經(jīng)網(wǎng)絡(luò)模型，在應(yīng)用于較高噪聲的GPS數(shù)據(jù)時(shí)能得到比傳統(tǒng)方法更好的效果.