邵永謙 彭 釗 王成睿 畢 波 周冬瑞

1 上海市地震局,上海市蘭溪路87號,200062

2 上海佘山地球物理國家野外科學觀測研究站,上海市蘭溪路87號,200062

3 天津市地震局,天津市友誼路19號,300201

4 安徽省地震局,合肥市長江西路558號,230031

人工智能技術引入防震減災領域后,在增強地震學大數據分析方面顯示出強大的適用性,極大地提高了地震減災的準確性和效率,并開始引領防震減災科技的發(fā)展[1]。傳統(tǒng)地震檢測和震相拾取主要依靠人工識別和STA/LTA方法[2]。隨著人工智能技術的快速發(fā)展,卷積神經網絡CNN已被成功應用于地震檢測及震相拾取等領域,并在檢測精度、自動化程度等方面大幅超越了傳統(tǒng)算法。其中具有代表性的模型有目標地震檢測和定位的卷積神經網絡ConvNetQuake[3]、廣義相位檢測GPD[4]、目標震相識別和到時拾取的卷積神經網絡PhaseNet[5]、基于光譜圖像的卷積神經網絡SRSpec-CNN[6]、基于高度優(yōu)化卷積的遞歸神經網絡DeepPhasePick[7]和Earthquake Transformer[8]。國內學者也提出基于U型卷積神經網絡的震相識別與到時拾取模型Unet_cea[9]、基于標準時頻變換的地震事件自動識別和震相拾取方法NTFT-CNN[10-11]等,并進行了許多研究,得出很多有益結論[12-16]。

隨著城市化建設的持續(xù)發(fā)展,人類活動帶來的干擾不斷增強,給弱震區(qū)的地震活動自動監(jiān)測、大震后余震的自動識別和震情跟蹤、預警自動化快速產出和地形、斷層構造特征研究等帶來挑戰(zhàn)。而準確、快速地從較大干擾背景中檢測出地震事件并識別出相應微震震相,及時構建完整的微震目錄,是地震科技創(chuàng)新工程的重要組成部分,也是防震減災工作的迫切需求。本文使用以美國斯坦福地震數據集(STEAD)[17]中中國及周邊地區(qū)地震數據進行模型訓練的全新深度學習模型CWT-CNN Few-Shot Earthquake(CCFE),對安徽霍山地區(qū)地震數據進行地震檢測和震相識別,構建該地區(qū)微震目錄,并將得到的結果與其他深度學習方法結果進行比對分析,驗證其準確性和實用性。

1 數據及模型

1.1 CCFE模型介紹

本文使用的CCFE模型[18]是在單站波形信號中檢測區(qū)域地震信號(震中距<150 km)并識別P波和S波。該模型使用相似的網絡結構同時進行地震檢測和相位識別,每個結構由連續(xù)小波變換器和輕量級卷積神經網絡組成。通過連續(xù)小波變換,將輸入的一維時序數據轉化為二維時頻矩陣數據,以突出地震信號的代表性特征,作為后續(xù)輕量級卷積神經網絡的輸入。CCFE模型與其他深度學習模型的顯著差異在于,其有1個層數較少的輕量化卷積神經網絡,包括3個卷積層和1個全連接層,并對單個卷積層進行重新設計。通過引入小波變換和使用層數較少的輕量化卷積神經網絡,使得CCFE模型可使用少量標記數據進行小樣本學習。

CCFE模型使用斯坦福地震數據集(STEAD)中中國及周邊地區(qū)地震數據進行訓練。STEAD是標記地震和非地震信號的大規(guī)模全球數據集,包含約1 200 000個標記數據,但僅有少量中國及周邊地區(qū)的標記數據。模型的訓練數據集包括震中距小于150 km的地震臺站記錄的約81 000個地震波形,這些波形與大約54 000次地震相關,來自93個不同的臺站,地震波形來自中國不同地理區(qū)域和構造環(huán)境,但不包含中國南部的地震。另外,為了使CCFE模型能更好地識別霍山地區(qū)的地震,增加1 116條霍山地區(qū)2009年編目地震數據作為其補充訓練數據集。

1.2 數據來源

本文使用安徽霍山佛子嶺(FZL)臺2017-06～08連續(xù)波形記錄作為測試數據。FZL臺采用KS-2000M型地震計,采樣率為100 Hz,波形數據包含3個通道:HN為NS向、HE為EW向、HZ為UD向。

霍山地區(qū)位于安徽省中西部北大別山沉降南緣,由于揚子克拉通與華北克拉通的碰撞,該地區(qū)地質構造比較復雜,共發(fā)育3組斷裂,分別為磨子潭-曉天斷裂、落兒嶺-土地嶺斷裂和梅山-龍河口斷裂。霍山及周邊地區(qū)歷史上共發(fā)生9次5級以上地震,近代小震及微震活動也較活躍,且微震頻次與中等強度地震有很好的對應關系,因此形成著名的震情應力窗口,是研究安徽乃至華東地區(qū)地震活動性的重要指示。另外,研究霍山地區(qū)構造應力場特征、叢集地震事件精定位及發(fā)震斷面等,對分析與其毗鄰的3個Ⅱ級應力區(qū)間的相互作用、探討霍山地區(qū)活動地震斷面及中小地震的發(fā)震機制等有重要的參考意義[19-20]。

2 結果和分析

2.1 微震識別分析

2017-06～08霍山地區(qū)地震目錄共記錄到ML0.1～3.3地震事件76次,其中ML3.1～4.0地震1次,ML2.1～3.0地震0次,ML1.1～2.0地震10次,ML0.1～1.0地震65次。本文使用步長為1 s的滑動窗口,分別從連續(xù)波形中截取24 s和4 s數據用于地震檢測和震相識別。當模型檢測到地震或識別到P波和S波震相時,自動進行標記。結果顯示,CCFE模型共檢測出164次地震,比地震目錄中的數量多88個,其中ML3.1～4.0地震1次,ML2.1～3.0地震0次,ML1.1～2.0地震10次,ML0.1～1.0地震65次,ML-0.9～0.0地震51次,ML-1.9～-1.0地震37次。CCFE模型識別出了全部88次遺漏地震的P波和S波震相,使用與人工編目一致的單純形法對遺漏地震進行定位,編目地震及檢測出的遺漏地震分布情況如圖1所示,部分遺漏地震目錄及震相情況如表1所示?？梢钥闯?遺漏地震的震級分布在ML-1.7～0.0,且基本在ML-1.0左右。

表1 部分遺漏地震目錄及震相情況

圖1 編目地震及檢測出的遺漏地震分布

為驗證檢測出的地震是否準確,利用小波變換對檢測出的地震波形和編目地震波形進行處理,并對得到的時頻分布進行分析。小波基選擇complex Morlet小波。具體結果如圖2所示。

圖2 編目地震與遺漏地震時頻分布對比

由圖2可以看出,遺漏地震的時域波形在形態(tài)上與編目地震相似度較高,且頻率域的地震能量信號主要集中在10 Hz附近。值得注意的是,遺漏地震的時頻譜顯示出的能量信號相對于編目地震在頻率域的分布更窄,大致在5～10 Hz。產生此現(xiàn)象的原因可能是檢測出的遺漏地震包含的能量更小(震級分布在ML-1.0左右),且震中距更近(約為2 km)。

2.2 檢測結果分析

對于地震目錄中已有的76次地震,將CCFE模型拾取的P波和S波震相到時與人工拾取到時進行比對,結果如圖3所示?？梢钥闯?CCFE模型拾取的震相到時與人工拾取的結果基本一致,到時差基本在0.03 s左右,最大到時差為0.09 s,說明CCFE模型可以較精準地拾取霍山地區(qū)地震的震相到時。

圖3 震相到時差比對結果

CCFE模型的地震震級計算方法與編目地震相同,因此其檢測出的地震震級與地震目錄結果一致。另外,安徽省地震局對于霍山地區(qū)地震的編目震級要求為ML0.1以上,而遺漏地震震級分布在ML-1.7～0.0范圍內,這使得地震目錄在該范圍內的完整性有較明顯的改善。

2.3 微震識別效果分析

霍山地區(qū)微震活動比較活躍,常有震群發(fā)生,臺站記錄到的數據中會出現(xiàn)2個地震波形距離很近、甚至首尾相接的現(xiàn)象。由于CCFE模型所用的數據需進行窗口化,導致同一窗口內可能有多個地震波形,給此類地震事件的識別帶來困難。本文使用目前比較常見的深度學習模型CRED、EQT和GPD,與CCFE一起對同樣的連續(xù)微震事件進行識別,以進行對比分析。CRED是一種基于CNN-RNN的地震檢測模型,訓練數據集為北加州地區(qū)約44萬次地震;EQT(EQTransformer)是一種基于CNN-RNN-Attention的地震檢測和震相拾取模型,訓練數據集為STEAD中110萬次地震;GPD是一種基于CNN的震相拾取模型,訓練集為南加州地區(qū)約340萬次地震。各模型對微震事件的識別情況如圖4所示。

圖4 各模型微震事件檢測和震相識別情況

由圖4第1列可以看出,對于2個地震波形距離較遠的情況,CCFE模型可準確識別2次地震及相應的震相位置,并且通過將地震檢測和震相識別組合使用的策略,可有效應對僅識別出震相或地震位置的情況,不會將其誤認為是地震事件;CRED模型雖然檢測出2次地震事件,但存在較多誤識別;EQT模型準確識別出2次地震的震相位置,且不存在誤識別現(xiàn)象;GPD模型雖然識別出2次地震相應的震相位置,但也存在較多震相誤識別。對于2個地震波波形距離較近,尤其較大地震前震級相對小很多的地震波形(圖4第2列),CCFE模型依然可以準確識別2次地震及相應的震相位置,雖然檢測到的地震所在區(qū)域連為一體,但識別出的2組震相表明區(qū)域內存在2次地震事件;CRED模型的識別結果沒有太大變化,雖能識別出2次地震事件,但依然存在較多誤識別;EQT模型不存在誤識別現(xiàn)象,但沒有識別出前面較小的地震事件及震相;GPD模型能識別出2次地震的震相位置,但仍存在較多誤識別。

對比2種場景下各模型的識別情況可以看出,CCFE和EQT模型的表現(xiàn)優(yōu)于CRED和GPD模型,說明將地震檢測和震相識別組合使用可有效提高地震序列中微震事件及其震相識別的準確性;EQT模型雖整體表現(xiàn)優(yōu)異,但無法識別出2個波形距離較近的較小地震事件。綜合可知,對于震級較小的地震波形,CCFE模型相對于其他深度學習模型具有較高的識別成功率。

3 結 語

本文利用一種全新的深度學習模型CCFE對安徽霍山地區(qū)地震數據進行遺漏地震檢測和震相識別。檢測發(fā)現(xiàn)了88次遺漏地震,并給出震中位置和震級估計結果。通過對檢測識別出的地震事件及震相特征進行時頻分析,并同編目結果進行比對,證明了CCFE模型的檢測結果準確可靠。

相對于其他深度學習模型,CCFE模型對于震級較小和2個波形距離較近,尤其是較大地震前震級相對小很多的地震波形的檢測和震相識別具有較高的成功率。后續(xù)將在本文研究基礎上,結合地震精定位和震源機制,更全面、深入地研究中國東部弱震、少震地區(qū)的發(fā)震構造。

致謝：感謝安徽地震臺提供地震波形數據。