基于多輸入卷積神經(jīng)網(wǎng)絡(luò)的天然地震和爆破事件識(shí)別

田宵, 汪明軍, 張雄, 王向騰, 盛書中, 呂堅(jiān)

1 東華理工大學(xué)地球物理與測(cè)控技術(shù)學(xué)院, 南昌 330013 2 江西省地震局， 南昌 330039

0 引言

近年來，由人類活動(dòng)引起的人工爆破的頻度逐年增加.例如，用于工業(yè)生產(chǎn)的化學(xué)爆破(Ma et al., 2021), 2006年至2017年六次朝鮮地下核試驗(yàn) (謝小碧和趙連鋒, 2018) 和事故性爆炸如2015年天津爆炸、2019年江蘇響水爆炸(江文彬等，2020)和2020年黎巴嫩爆炸等.如果不能及時(shí)地進(jìn)行識(shí)別分類，人工爆破事件可能被誤認(rèn)為天然地震，從而增加地震的誤觸發(fā)率，影響地震預(yù)警、地震速報(bào)以及地震應(yīng)急的時(shí)效性和準(zhǔn)確性(和雪松等，2006；Astiz et al., 2014).因此，發(fā)展天然地震與爆破事件的自動(dòng)識(shí)別方法對(duì)安全生產(chǎn)以及國(guó)家防震減災(zāi)事業(yè)具有重要意義.

天然地震與人工爆破的震源性質(zhì)不同，天然地震多發(fā)生在地殼深部，震源為非對(duì)稱剪切源；而人工爆破多發(fā)生在淺層地表附近，為對(duì)稱膨脹源(黃漢明等，2010).然而，天然地震和爆破事件引起的地面震動(dòng)，在臺(tái)站記錄上均顯示為波動(dòng)的曲線，需要一定的經(jīng)驗(yàn)才能將其區(qū)分開來.一直以來，地震臺(tái)網(wǎng)的工作人員主要是手動(dòng)識(shí)別天然地震和爆破事件，手動(dòng)識(shí)別事件性質(zhì)不僅需要持續(xù)的觀測(cè)和分析，識(shí)別效率較低，而且要求地震工作者具有豐富的經(jīng)驗(yàn)，否則容易造成事件性質(zhì)判斷不準(zhǔn)確，混淆地震目錄，對(duì)后續(xù)的科研和防震減災(zāi)工作造成較大的影響.

早在20世紀(jì)50年代初，國(guó)內(nèi)外很多地震學(xué)家便開始對(duì)天然地震和人工爆破的識(shí)別進(jìn)行了廣泛的研究.經(jīng)過近五十年的研究積累，地震學(xué)家基于地震波的輻射圖形、地震波譜分析和震相特征提出了多種識(shí)別天然地震和人工爆破的判斷依據(jù)，主要包括P波初動(dòng)符號(hào)(王婷婷和邊銀菊，2011；劉莎等，2012)、振幅比值(邊銀菊等，2010；Yavuz et al., 2019；Koper et al., 2016)、頻譜分布范圍(Kiszely，2001；Kekovalet al., 2012；靳玉貞等，2015)等分析方法.另外，小波算法、遺傳算法等也被廣泛用于天然地震和人工爆破事件的識(shí)別中.例如，和雪松等(2006)利用小波包識(shí)別天然地震和礦震，通過小波包對(duì)信號(hào)進(jìn)行變換，并利用奇異值分解提取不同的信號(hào)特征，從而進(jìn)行分類.黃漢明等(2010)利用波形記錄的小波特征對(duì)天然地震和人工爆破事件進(jìn)行識(shí)別；Beccar-Varela等(2016)運(yùn)用小波分析對(duì)采礦爆破監(jiān)測(cè)的地震波形與該區(qū)域的天然地震進(jìn)行識(shí)別.Orlic和Loncaric等(2010)利用遺傳算法進(jìn)行天然地震和爆破事件識(shí)別，分類精度為85%.這些方法在一定程度上能夠作為區(qū)分爆破事件和天然地震的依據(jù)，但大多數(shù)方法局限于使用單一的輸入?yún)?shù)，不僅識(shí)別速度較慢，而且準(zhǔn)確率相對(duì)較低.

近年來，隨著計(jì)算機(jī)領(lǐng)域人工智能的發(fā)展，深度學(xué)習(xí)相關(guān)技術(shù)在計(jì)算機(jī)視覺、自然語(yǔ)言處理等多個(gè)領(lǐng)域取得了巨大的成功(Hinton et al., 2012).深度學(xué)習(xí)算法也被廣泛地應(yīng)用在地震學(xué)領(lǐng)域，包括地震信號(hào)的檢測(cè)與拾取(Zhu and Beroza, 2019；于子葉等，2018；趙明等，2019; Duan and Zhang, 2020；Zheng et al., 2020; Wong et al., 2021; Zhou et al., 2021)、震源定位(Perol et al., 2018; Zhang et al., 2020)等.人工智能的發(fā)展也為天然地震和爆破事件的自動(dòng)識(shí)別提供了新的研究思路.王軍(2018)利用支持向量機(jī)對(duì)上海周邊區(qū)域的天然地震和人工爆破進(jìn)行識(shí)別，識(shí)別精度高達(dá)85%.陳潤(rùn)航等(2018)利用梅爾頻率倒譜系數(shù)圖作為樣本，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行天然地震和爆破事件分類，正確識(shí)別率約為97.1%; 任濤等(2019)利用Bagging機(jī)器學(xué)習(xí)算法對(duì)天然地震和非天然地震的事件性質(zhì)進(jìn)行區(qū)分，測(cè)試數(shù)據(jù)的準(zhǔn)確度可達(dá)85%以上.Linville等(2019)分別使用卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)對(duì)美國(guó)猶他州近五年的采石場(chǎng)爆破事件和天然地震事件識(shí)別，使用時(shí)頻圖作為輸入數(shù)據(jù)的準(zhǔn)確度高達(dá)98%.隗永剛等(2019)利用殘差網(wǎng)絡(luò)模型對(duì)河北三河采石場(chǎng)的爆破事件和天然地震進(jìn)行分類.Kim等(2020)使用波形信息作為輸入樣本，并利用支持向量機(jī)進(jìn)行爆破和天然地震事件識(shí)別.毛世榕等(2020)結(jié)合RBF 神經(jīng)網(wǎng)絡(luò)技術(shù)，利用天然地震震源和人工爆破震源之間信號(hào)能量分布的差異進(jìn)行分類，識(shí)別率高達(dá)88.1%.

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，簡(jiǎn)稱CNN)是一種非常著名的深度學(xué)習(xí)方法，具有強(qiáng)大的圖像識(shí)別能力(Krizhevsky et al., 2012).相比于傳統(tǒng)的天然地震和爆破事件檢測(cè)方法，CNN不需要提前給出定性化的指標(biāo)或特征，而是通過大量已標(biāo)定事件性質(zhì)樣本的訓(xùn)練，使計(jì)算機(jī)從輸入的樣本中自動(dòng)學(xué)習(xí)爆破和天然地震特征，從而實(shí)現(xiàn)對(duì)新的輸入樣本進(jìn)行預(yù)測(cè).目前，已有的基于深度學(xué)習(xí)的事件屬性識(shí)別網(wǎng)絡(luò)大都采用單一的樣本信息，即輸入樣本多為單個(gè)臺(tái)站記錄的波形(Kim et al., 2020)或時(shí)頻數(shù)據(jù)(Linville et al., 2019).Tian等(2020)利用多道數(shù)據(jù)的P波初至信息進(jìn)行地面微地震極性預(yù)測(cè)，相比單道數(shù)據(jù)精度顯著增加.因此，我們提出使用混合數(shù)據(jù)作為訓(xùn)練樣本的多輸入卷積神經(jīng)網(wǎng)絡(luò)模型.混合樣本包括單道波形的時(shí)頻數(shù)據(jù)和同一事件多個(gè)臺(tái)站的波形記錄，使神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到天然地震和爆破事件的時(shí)頻、波形和極性特征.本文的研究數(shù)據(jù)為猶他州的天然地震和采石場(chǎng)爆炸事件，先使用2012年的數(shù)據(jù)作為樣本訓(xùn)練網(wǎng)絡(luò)模型，然后將該區(qū)域2013—2016年的監(jiān)測(cè)數(shù)據(jù)用于網(wǎng)絡(luò)模型驗(yàn)證.

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)收集和預(yù)處理

以美國(guó)猶他州及其周邊地區(qū)為研究區(qū)域(114°W—109°W，37°N—42°N)，本文根據(jù)Linville等(2019)提供的地震目錄，從IRIS上下載了2012—2016年猶他州大學(xué)地震臺(tái)站(University of Utah Seismograph Stations，簡(jiǎn)稱UUSS)記錄的1471個(gè)局部的天然地震事件(Local earthquake，簡(jiǎn)稱le)和1426個(gè)采石場(chǎng)爆破(Quarry blast，簡(jiǎn)稱qb)事件.震級(jí)范圍為ML-0.8～3.7，震中距范圍為0.1～432 km，信噪比范圍為0.2～6.研究區(qū)域有167個(gè)監(jiān)測(cè)臺(tái)站，最后得到11756個(gè)天然地震震相和11714個(gè)爆破事件震相.圖1為研究區(qū)域的地震臺(tái)站、天然地震和爆破事件的分布圖.其中，三角形為臺(tái)站，紅色點(diǎn)為爆破事件，藍(lán)色點(diǎn)為天然地震事件.利用地震目錄中拾取的P波到時(shí)，截取P波到時(shí)的前10 s和后70 s的波形為研究數(shù)據(jù).首先對(duì)原始波形進(jìn)行100 Hz重采樣、去儀器響應(yīng)和均值傾向，然后對(duì)數(shù)據(jù)進(jìn)行1～20 Hz帶通濾波.

圖1 臺(tái)站(黑色三角形)、天然地震(藍(lán)色點(diǎn))與 爆破事件(紅色點(diǎn))分布Fig.1 Map of stations (black triangles), earthquakes (blue dots), and quarry blasts (red dots)

1.2 數(shù)據(jù)特征

由于震源性質(zhì)不同，時(shí)域波形和頻譜是常用的區(qū)分天然地震和爆破事件的有效工具.考慮到頻域分析只適用于穩(wěn)態(tài)數(shù)據(jù)，不能反映頻率隨時(shí)間的變化.而地震數(shù)據(jù)屬于非穩(wěn)態(tài)數(shù)據(jù)，因此時(shí)頻分析能夠更好地分析地震信號(hào)的時(shí)頻特性.Linville等(2019)利用時(shí)頻數(shù)據(jù)作為輸入樣本進(jìn)行爆破事件和天然地震事件識(shí)別.根據(jù)地震目錄中給出的標(biāo)定結(jié)果，圖2畫出了一個(gè)天然地震事件的波形數(shù)據(jù)和時(shí)頻圖，波形數(shù)據(jù)長(zhǎng)度為80s，每個(gè)臺(tái)站的波形均歸一化到[0,1]區(qū)間.時(shí)頻圖的橫坐標(biāo)是時(shí)間，縱坐標(biāo)為頻率，時(shí)頻數(shù)據(jù)也歸一化到[0,1]區(qū)間.

波形圖和時(shí)頻圖包含了天然地震和爆破事件的震相能量、頻率分布等絕大多數(shù)信息，但是P波初至極性特征(爆破事件的P波初動(dòng)方向一般向上，而天然地震的P波初動(dòng)方向?yàn)樗南笙薹植?很難在單臺(tái)站記錄中體現(xiàn).例如，當(dāng)單臺(tái)的P波初至向上時(shí)，無法通過極性判斷天然地震還是爆破事件.本文提出采用多臺(tái)站波形作為輸入樣本，不僅有助于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到天然地震和爆破事件的極性特征，相鄰臺(tái)站的記錄組合更有利于特征提取.圖3給出了2012—2016年的天然地震和爆破事件的臺(tái)站記錄個(gè)數(shù)直方圖.據(jù)統(tǒng)計(jì)，接近90%的事件同時(shí)被4個(gè)以上的臺(tái)站記錄到.因此，本文采用某臺(tái)站和其相鄰的三個(gè)臺(tái)站的波形作為輸入樣本，如圖4所示.測(cè)試結(jié)果表明，多臺(tái)站波形只使用30s的波形數(shù)據(jù)便可以得到較好的精度，同時(shí)可縮短訓(xùn)練時(shí)間.

波形數(shù)據(jù)、時(shí)頻數(shù)據(jù)和多臺(tái)站波形數(shù)據(jù)均可作為訓(xùn)練樣本，并采用相同的標(biāo)簽：天然地震樣本標(biāo)定為0，爆破事件樣本標(biāo)定為1.本文采用UUSS在2012年記錄的數(shù)據(jù)進(jìn)行模型訓(xùn)練，共有5529個(gè)天然地震震相和4358個(gè)爆破事件震相.將所有樣本分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練樣本集和測(cè)試樣本集分別占3/4和1/4，兩個(gè)樣本集的樣本互不重疊.

圖2 天然地震的(a)波形圖和(b)時(shí)頻圖Fig.2 The waveform (a) and spectrogram (b) of an earthquake

圖3 天然地震和爆破事件的記錄臺(tái)站數(shù)直方圖Fig.3 Histogram of the number of recorded stations for natural earthquakes and quarry blasts

2 方法

CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò).CNN每個(gè)卷積層由一組濾波器組成，這些濾波器對(duì)前一層的輸出結(jié)果進(jìn)行卷積計(jì)算，以此來提取數(shù)據(jù)集的屬性特征從而用于天然地震和爆破事件識(shí)別.一般通過優(yōu)化學(xué)習(xí)過程和網(wǎng)絡(luò)結(jié)構(gòu)，微調(diào)整個(gè)網(wǎng)絡(luò)的權(quán)重和偏差可以最大限度地提取這些特征.本文基于Keras平臺(tái)分別設(shè)計(jì)了單輸入CNN模型和多輸入CNN模型進(jìn)行天然地震和爆破事件分類.

圖4 天然地震和爆破事件的多臺(tái)波形數(shù)據(jù)Fig.4 Multi-waveforms of earthquake and quarry blast

2.1 單輸入卷積神經(jīng)網(wǎng)絡(luò)

CNN的輸入層可以處理多維數(shù)據(jù)，可以是一維數(shù)組，也可以是二維或三維數(shù)組.根據(jù)單道波形、時(shí)頻圖和多道波形數(shù)組維度的區(qū)別，可分為以下三種CNN模型：

(1)基于波形的單輸入CNN模型(簡(jiǎn)稱CNN-waveform)：截取80s的波形記錄作為輸入樣本，大小為1×8000的向量，其中1代表道數(shù)，8000為時(shí)間域采樣點(diǎn)的個(gè)數(shù).

(2)基于時(shí)頻的單輸入CNN模型(簡(jiǎn)稱CNN-spectrogram)：對(duì)波形數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換，得到的時(shí)頻信息作為輸入樣本，大小為39×48.其中39為采樣時(shí)間個(gè)數(shù)，48為采樣頻率個(gè)數(shù).

(3)基于多道波形的單輸入CNN模型(簡(jiǎn)稱CNN-multi-waveform)利用同一事件在多個(gè)臺(tái)站的波形記錄作為輸入層，大小為4×3000，其中4個(gè)臺(tái)站個(gè)數(shù)，3000為時(shí)間域采樣點(diǎn)的個(gè)數(shù).

輸入樣本經(jīng)過若干個(gè)相互交替的卷積層、池化層提取極性特征后，再經(jīng)過一個(gè)或一個(gè)以上的全連接層，最后由Softmax分類器輸出兩個(gè)值，分別對(duì)應(yīng)輸入樣本為天然地震和爆破事件的概率值，其中最大概率值所對(duì)應(yīng)的類別即為該網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果.分類問題一般采用交叉熵?fù)p失函數(shù)來優(yōu)化網(wǎng)絡(luò)參數(shù)，交叉熵通常用于衡量輸入(真實(shí))概率分布p和預(yù)測(cè)概率分布q之間的差異：

(1)

公式(1)中，N是訓(xùn)練數(shù)據(jù)集的大小.損失函數(shù)可使用隨機(jī)梯度下降算法迭代求解，每次迭代后，卷積核和權(quán)重將會(huì)被更新.在訓(xùn)練過程中，損失值(‘loss’)和準(zhǔn)確度(‘a(chǎn)ccuracy’)為判斷CNN模型的性能指標(biāo).

圖5 多輸入卷積神經(jīng)網(wǎng)絡(luò)框架示意圖. 該模型 具有兩個(gè)輸入分支，最終合并產(chǎn)生一個(gè)輸出Fig.5 Diagrammatic sketch of the multi-input convolutional neural network. This model has two input branches that ultimately merge and produce one output

2.2 多輸入卷積神經(jīng)網(wǎng)絡(luò)

以上三種單輸入CNN模型不能夠同時(shí)利用波形和頻率信息.多輸入CNN利用Keras的函數(shù)式API構(gòu)建，網(wǎng)絡(luò)框架示意圖如圖5所示.經(jīng)過測(cè)試，采用時(shí)頻數(shù)據(jù)和多道波形作為神經(jīng)網(wǎng)絡(luò)的輸入得到的模型精度較高.因此，多輸入CNN包括時(shí)頻和多道波形兩個(gè)輸入分支，先各自經(jīng)過卷積層、池化層、激活函數(shù)、全連接層的處理，分別提取天然地震和爆破事件的時(shí)頻特征和波形特征，然后進(jìn)行模型融合，再通過一個(gè)或一個(gè)以上的全連接層，最后由Softmax分類器輸出為天然地震和爆破事件的概率.

3 結(jié)果

3.1 訓(xùn)練過程

利用美國(guó)猶他州2012年監(jiān)測(cè)數(shù)據(jù)分別訓(xùn)練三個(gè)單輸入CNN模型和一個(gè)多輸入CNN模型.在喂入神經(jīng)網(wǎng)絡(luò)前，所有輸入樣本均進(jìn)行歸一化處理.四種網(wǎng)絡(luò)模型均使用四組卷積層，每組卷積層包含卷積層，最大池化層和Dropout層.其中卷積操作通過ReLu激活函數(shù)實(shí)現(xiàn)從輸入數(shù)據(jù)中提取特征.在卷積層之后緊跟著是最大池化層，主要功能為降維、對(duì)特征進(jìn)行壓縮、簡(jiǎn)化網(wǎng)絡(luò)復(fù)雜度等.Dropout層是指按照一定概率將神經(jīng)元從網(wǎng)絡(luò)中丟棄，從而降低模型的過擬合風(fēng)險(xiǎn).CNN的最后一層是全連接層，用于連接所有的輸出，并用Softmax激活函數(shù)計(jì)算分類概率.基于波形的CNN網(wǎng)絡(luò)在全連接層加入L2正則化以減小過擬合問題.三個(gè)單輸入CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1、表2和表3所示.多輸入CNN的兩個(gè)分支仍采用表2和表3的參數(shù)，只是在128通道的全連接層后進(jìn)行模型融合，然后利用Softmax實(shí)現(xiàn)分類.所有的CNN網(wǎng)絡(luò)均采用隨機(jī)梯度下降優(yōu)化方法進(jìn)行訓(xùn)練，學(xué)習(xí)率設(shè)定為0.01.基于波形數(shù)據(jù)的CNN模型的批量大小為8，迭代次數(shù)為200，另外三種CNN模型的批量大小為16，迭代次數(shù)為100.

表1 CNN-waveform網(wǎng)絡(luò)參數(shù)Table 1 The architecture parameters of CNN-waveform

表2 CNN-spectrogram網(wǎng)絡(luò)參數(shù)Table 2 The architecture parameters of CNN-spectrogram

表3 CNN-multi-waveform網(wǎng)絡(luò)參數(shù)Table 3 The architecture parameters of CNN-multi-waveform

四個(gè)CNN模型訓(xùn)練都是在英偉達(dá)(NVlDIA)GTX1080圖像處理單元上進(jìn)行的.基于波形、時(shí)頻和多道波形的CNN模型的訓(xùn)練時(shí)間分別為0.57、0.24和0.45 h，多輸入CNN模型的訓(xùn)練時(shí)間為0.52 h.四個(gè)CNN模型的準(zhǔn)確度-損失曲線如圖6所示.經(jīng)過多次迭代，訓(xùn)練集和測(cè)試集的準(zhǔn)確度-損失曲線均得到收斂.四個(gè)模型的訓(xùn)練數(shù)據(jù)集準(zhǔn)確度均接近99%.基于波形、時(shí)頻和多道波形的CNN模型的測(cè)試集準(zhǔn)確度分別為90.07%、94.13%和97.08%；基于時(shí)頻和多道波形的多輸入CNN模型的測(cè)試集準(zhǔn)確度為97.41%.

圖6 四種網(wǎng)絡(luò)訓(xùn)練過程的準(zhǔn)確度和損失曲線Fig.6 The training accuracy and cross-entropy loss function curves for four CNNs

3.2 卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)比

支持向量機(jī)(Support Vector Machine, SVM)是機(jī)器學(xué)習(xí)領(lǐng)域中常見的分類算法，也被廣泛用于爆破事件和天然地震識(shí)別.相比于SVM，CNN的優(yōu)勢(shì)在于能夠直接從已標(biāo)定樣本中自動(dòng)學(xué)習(xí)特征，不需要提前提取爆破事件和天然地震的數(shù)據(jù)特征.表4分別對(duì)比了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)基于波形、時(shí)頻和多道波形數(shù)據(jù)作為訓(xùn)練樣本的測(cè)試集準(zhǔn)確度.結(jié)果表明，當(dāng)SVM直接采用波形數(shù)據(jù)(單道波形或多道波形)作為樣本特征時(shí)，SVM的準(zhǔn)確度遠(yuǎn)遠(yuǎn)低于CNN.而當(dāng)SVM使用時(shí)頻數(shù)據(jù)作為訓(xùn)練樣本時(shí)，即采用頻譜作為數(shù)據(jù)特征，此時(shí)的測(cè)試集準(zhǔn)確度高達(dá)90%，但仍低于CNN模型的準(zhǔn)確度(94%).由此可以看出，CNN在沒有預(yù)先提取數(shù)據(jù)特征的情況下，具有較高的準(zhǔn)確度.

表4 卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的測(cè)試集準(zhǔn)確度對(duì)比Table 4 Comparison of test accuracy between CNN and SVM

3.3 猶他州2013—2016年的數(shù)據(jù)驗(yàn)證

將訓(xùn)練好的四個(gè)CNN模型對(duì)猶他州2013—2016年發(fā)生的天然地震和爆破事件進(jìn)行分類.本文選用的事件分為：2013年的217個(gè)天然地震、2014年544個(gè)天然地震、2013年283個(gè)爆破事件、2014年158個(gè)爆破事件、2015年224個(gè)爆破事件以及2016年363個(gè)爆破事件.首先，對(duì)預(yù)測(cè)數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，分別產(chǎn)生波形數(shù)據(jù)、時(shí)頻數(shù)據(jù)和多道波形數(shù)據(jù).然后，根據(jù)預(yù)測(cè)結(jié)果與地震目錄中標(biāo)簽的差異評(píng)價(jià)網(wǎng)絡(luò)模型的準(zhǔn)確度.

首先，以每個(gè)測(cè)試樣本(臺(tái)站記錄)識(shí)別的正確率作為衡量標(biāo)準(zhǔn)，簡(jiǎn)稱為基于臺(tái)站的識(shí)別率.圖7和表5為基于波形、時(shí)頻以及多道波形樣本的單輸入CNN模型以及多輸入CNN模型對(duì)猶他州2013—2016年記錄數(shù)據(jù)的預(yù)測(cè)結(jié)果與地震目錄標(biāo)簽的差異.對(duì)比不同的CNN模型可以發(fā)現(xiàn)，基于波形的CNN模型的識(shí)別率最低，而基于多道波形數(shù)據(jù)的CNN模型的識(shí)別率在大多數(shù)情況下優(yōu)于基于時(shí)頻數(shù)據(jù)的CNN模型.此外，對(duì)比圖7的三角形和正方形線段，可以發(fā)現(xiàn)采用時(shí)頻數(shù)據(jù)和多道波形數(shù)據(jù)作為訓(xùn)練樣本時(shí)，能夠有效提高爆破事件的識(shí)別率.從數(shù)據(jù)類型上來看，天然地震(le2013，le2014)的識(shí)別率要普遍高于爆破事件(qb2013，qb2014，qb2015，qb2016).

圖7 基于臺(tái)站的識(shí)別率對(duì)比Fig.7 Comparison of station-based discrimination rate

表5 基于臺(tái)站的識(shí)別率對(duì)比Table 5 The comparison of discrimination accuracy based on station records

然后，以每個(gè)事件被識(shí)別的正確率作為衡量標(biāo)準(zhǔn)，簡(jiǎn)稱為基于事件的識(shí)別率.圖8為基于波形(圖8a)、時(shí)頻(圖8b)、多道波形的單輸入CNN模型(圖8c)以及多輸入CNN模型(圖8d)對(duì)猶他州2013—2016年記錄事件的識(shí)別率.圖8中的橫坐標(biāo)為事件被所記錄臺(tái)站識(shí)別的正確率，0代表所有臺(tái)站記錄均識(shí)別錯(cuò)誤，1代表所有臺(tái)站記錄均識(shí)別正確.從圖8中能夠明顯看出，采用多道波形作為輸入樣本(圖8c和圖8d)，事件的臺(tái)站識(shí)別率得到了大幅度的增加.表6和表7分別給出了四種網(wǎng)絡(luò)基于50%記錄被正確判別的識(shí)別率和基于90%記錄被正確判別的識(shí)別率.通過對(duì)比基于50%記錄被正確判別的識(shí)別率可以發(fā)現(xiàn)，使用多道波形數(shù)據(jù)樣本并沒有優(yōu)勢(shì)，但是基于90%的臺(tái)站記錄的識(shí)別率得到了很大的提高.結(jié)合圖8分析可知，利用多道波形數(shù)據(jù)作為輸入樣本，使CNN能夠結(jié)合多個(gè)臺(tái)站記錄一起判斷事件屬性，提高識(shí)別率.

圖8 基于事件的識(shí)別率對(duì)比 (a) 基于波形樣本的CNN; (b) 基于時(shí)頻樣本的CNN; (c) 基于多道波形樣本的CNN; (d) 基于時(shí)頻數(shù)據(jù)和多道波形數(shù)據(jù)的多輸入CNN.Fig.8 Comparison of event-based discrimination rate (a) CNN-waveform; (b) CNN-spectrogram; (c) CNN-multi-waveform; (d) CNN-mixed.

表6 4種網(wǎng)絡(luò)基于事件的50%識(shí)別率對(duì)比Table 6 Comparison of the four networks with 50% event-based discrimination accuracy

表7 4種網(wǎng)絡(luò)基于事件的90%識(shí)別率對(duì)比Table 7 Comparison of the four networks with 90% event-based discrimination accuracy

最后，分析了事件的震級(jí)和信噪比對(duì)多輸入CNN模型的準(zhǔn)確度的影響.圖9a為波形信噪比與識(shí)別準(zhǔn)確度的關(guān)系，可以看出當(dāng)信噪比較低時(shí)(0.2～0.6)，多輸入CNN模型的準(zhǔn)確度只有72%.隨著信噪比的增加，準(zhǔn)確度逐漸增加到90%左右，當(dāng)信噪比大于1時(shí)，準(zhǔn)確度趨于穩(wěn)定.由此可以看出，多輸入CNN模型具有較強(qiáng)的抗噪能力.圖9b為不同的震級(jí)對(duì)應(yīng)的事件100%識(shí)別率，圖中可以明顯看出，隨著震級(jí)的增加，地震事件和爆破事件的識(shí)別率線性增加，當(dāng)震級(jí)大于2時(shí)，識(shí)別率基本上穩(wěn)定在74%左右.卷積神經(jīng)網(wǎng)絡(luò)是基于數(shù)據(jù)驅(qū)動(dòng)的算法，樣本標(biāo)簽的準(zhǔn)確度會(huì)直接影響模型的檢測(cè)能力.當(dāng)數(shù)據(jù)信噪比較低、震級(jí)較小時(shí)，人工給定的數(shù)據(jù)標(biāo)簽的正確率也會(huì)降低，從而導(dǎo)致事件誤識(shí)別率增加.

圖9 波形數(shù)據(jù)的信噪比(a)和事件震級(jí)(b)對(duì)多輸入CNN模型準(zhǔn)確度的影響 Fig.9 The effect of the signal-to-noise ratio (a) and event magnitude (b) of the recorded data on the discrimination accuracy of the multi-input CNN

4 結(jié)論

本文將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到美國(guó)猶他州的天然地震和爆破事件識(shí)別中.不同于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，卷積神經(jīng)網(wǎng)絡(luò)不需要手動(dòng)提取特征數(shù)據(jù)，而是直接從輸入樣本中自動(dòng)提取天然地震和爆破事件的特征.因此，輸入樣本所包含的特征信息對(duì)卷積神經(jīng)網(wǎng)絡(luò)算法至關(guān)重要.通過比較天然地震和爆破事件屬性識(shí)別的四種CNN分類網(wǎng)絡(luò)：基于波形、時(shí)頻數(shù)據(jù)、多道波形的單輸入網(wǎng)絡(luò)和基于時(shí)頻數(shù)據(jù)和多道波形的多輸入網(wǎng)絡(luò)，我們發(fā)現(xiàn)以時(shí)頻數(shù)據(jù)作為訓(xùn)練樣本的單輸入CNN模型精度遠(yuǎn)高于以波形數(shù)據(jù)為樣本的模型.多輸入CNN模型不僅能夠?qū)W習(xí)到波形、時(shí)頻和極性信息，還可以通過多臺(tái)站的相互約束提高網(wǎng)絡(luò)模型的精度.根據(jù)美國(guó)猶他州2012年已知事件屬性標(biāo)簽的地震資料，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將此模型應(yīng)用于2013—2016年間的數(shù)據(jù)，驗(yàn)證了多輸入CNN模型的有效性.

本文訓(xùn)練的多輸入CNN模型的不足之處在于限制了事件的臺(tái)站數(shù)，只有臺(tái)站數(shù)大于等于4的事件才能夠利用該模型進(jìn)行屬性識(shí)別.在實(shí)際應(yīng)用中，可根據(jù)研究區(qū)域的臺(tái)站分布訓(xùn)練出不同臺(tái)站數(shù)的多輸入CNN模型，當(dāng)事件的臺(tái)站數(shù)不滿足模型要求時(shí)，可使用基于時(shí)頻數(shù)據(jù)的單輸入CNN模型進(jìn)行預(yù)測(cè).此外，文中訓(xùn)練的多輸入CNN模型能夠用于美國(guó)猶他州未來的天然地震和爆破事件識(shí)別，但對(duì)其泛化能力還有待測(cè)試研究.本文提出的基于時(shí)頻數(shù)據(jù)和多道波形的多輸入CNN網(wǎng)絡(luò)算法對(duì)于其他區(qū)域的事件屬性識(shí)別，包括天然地震、爆破和塌陷事件的分類具有一定的參考意義.

致謝感謝IRIS網(wǎng)站提供的地震數(shù)據(jù)(https:∥www.iris.edu)以及審稿人提出的寶貴意見.