基于Ale xNe t卷積神經(jīng)網(wǎng)絡(luò)模型的寧夏天然地震和非天然地震識別研究

任家琪，周少輝，余思汗，胡子琪，唐 浩

（1.寧夏回族自治區(qū)地震局，寧夏 銀川 750001；2.山東省地震局，山東 濟南 250014；3.寧夏土木工程防震減災(zāi)工程技術(shù)研究中心，寧夏 銀川 750021）

0 引言

寧夏回族自治區(qū)位于我國西北內(nèi)陸地區(qū)，與內(nèi)蒙古自治區(qū)、甘肅省、陜西省交界且被包絡(luò)其中。寧夏轄區(qū)范圍內(nèi)的地震帶和活斷層分布廣泛，復(fù)雜的地質(zhì)構(gòu)造和特殊的地理位置導(dǎo)致寧夏天然地震災(zāi)害頻發(fā)，據(jù)寧夏測震臺網(wǎng)統(tǒng)計，公元646年至今，寧夏破壞性地震（烈度Ⅶ度以上）多達50余次，例如：1739年銀川—平羅8級地震，此地震為中國大陸第一個首府城市直下型地震；1920年海原81/2級地震，此地震為20世紀中國大陸最大的地震。寧夏及周邊礦產(chǎn)資源豐富、工業(yè)園區(qū)眾多，僅相關(guān)部門備案的固定爆破區(qū)就有數(shù)十家，基本覆蓋了寧夏及鄰省各市縣，據(jù)不完全統(tǒng)計，2008年至今，寧夏ML3.0級以上爆破型非天然地震多達30余次。天然地震和非天然地震破壞力巨大且破壞機理不同，直接威脅到人民群眾的生命財產(chǎn)安全，此兩類地震如何有效識別和區(qū)分近年來被震災(zāi)救援部門和地震學(xué)者高度重視。

殷偉偉等[1]利用震源機制（gCAP法對山西地區(qū)的天然地震、塌陷型和爆破型非天然地震進行了識別研究，并提出適用于山西地區(qū)的天然地震和非天然地震的識別參數(shù)。周少輝等[2]采用VGG16、Goog Le Net等卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對山東地區(qū)的天然地震和非天然地震進行了學(xué)習訓(xùn)練，結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對天然和非天然地震的準確識別率達到90%以上。劉方斌等[3]利用BP神經(jīng)網(wǎng)絡(luò)算法對天然和非天然地震進行地震震相識別，研究表明P波初動方向和振幅比可以作為重要的識別參數(shù)。林偉等[4]指出非天然地震的振幅比AS/AP和持續(xù)時間τ值比天然地震小。陳潤航等[5]基于卷積神經(jīng)網(wǎng)絡(luò)對首都圈的天然和非天然地震進行了識別研究，結(jié)果表明長短視窗及地震波形信號可以作為參數(shù)識別天然和非天然地震。Ross等[6]指出原始地震波形中的震相特征可以作為卷積神經(jīng)網(wǎng)絡(luò)模型的重要參數(shù)對其進行地震信號識別。

天然地震和非天然地震的精確快速識別對地震機理研究、震后救援等意義重大，本文結(jié)合人工神經(jīng)網(wǎng)絡(luò)的機器深度學(xué)習技術(shù)（人工智能），運用AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對寧夏天然地震和非天然地震的原始波形進行模擬訓(xùn)練和深度學(xué)習，建立適用于寧夏天然地震和非天然地震的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型分類器，優(yōu)化識別參數(shù)，以達到精確快速識別寧夏天然地震和非天然地震的目的，為寧夏今后針對天然地震和非天然地震的快速識別提供理論參考依據(jù)。

1 Ale xNe t卷積神經(jīng)網(wǎng)絡(luò)模型

Hubel等[7]研究貓的視覺皮層細胞后提出感受野概念，F(xiàn)ukushima[8]提出卷積神經(jīng)網(wǎng)絡(luò)概念（神經(jīng)認知模型），經(jīng)過多年發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)逐步完善并首先運用于計算機視覺領(lǐng)域，其結(jié)構(gòu)一般為輸入層、卷積層、池化層、全連接層和輸出層。卷積層負責卷積計算，卷積層通過積分變換對輸入事件進行濾波并提取特征信號，卷積層的分辨率用卷積層數(shù)表示，卷積層數(shù)越大，輸入事件特征信號提取越精細；池化層的作用是將卷積層提取的事件特征信號進行降維處理，通過最大池化法或平均池化法將事件特征信號進行縮減，從而避免過擬合現(xiàn)象的發(fā)生；批量歸一化層是將數(shù)據(jù)進行批量歸一化處理，讓事件特征信號呈正態(tài)分布形式并呈現(xiàn)同一分布規(guī)律，批量歸一化層可以防止激活函數(shù)過早飽和且可以縮短訓(xùn)練時間、優(yōu)化訓(xùn)練結(jié)果；激活層通過激活函數(shù)使卷積神經(jīng)網(wǎng)絡(luò)具備非線性能力，常見的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)、ReLu函數(shù)、Softmax函數(shù)等；Dropput層的作用是減少每一層卷積神經(jīng)網(wǎng)絡(luò)的過擬合現(xiàn)象；全連接層用于對事件特征信號進行分類。以圖像為例，卷積神經(jīng)網(wǎng)絡(luò)模型的作用是從輸入層導(dǎo)入大量圖像數(shù)據(jù)，其模型將圖像中的像素點等重要參數(shù)進行復(fù)雜運算，通過記憶圖像中的關(guān)鍵辨別信息，經(jīng)過大量計算機人工智能訓(xùn)練以達到精確識別不同圖像的目的。卷積層的輸出特征公式如下：

式中，M為上層特征子集，l為層數(shù)，為

j第l層的第j個特征圖，b表示偏置，k表示卷積核，f表示激活函數(shù)。

當前人工智能領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)模型主要有AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型、VGG卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型、GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型等，上述模型基本原理相同，但是具體算法等略有差異。

AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型是當今計算機人工智能深度學(xué)習的重要技術(shù)方式之一，已被廣泛運用于圖像、視頻、語音、語言等領(lǐng)域。AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型具有多層級結(jié)構(gòu)，具體包含有輸入層1個、卷積層5個、全連接層3個，并且全連接層進行了最大池化。AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型中：第一層為輸入層；第二層至第六層為卷積層，每層包含不同數(shù)量的卷積核，卷積運算后使用ReLu激活函數(shù)對其結(jié)果進行激活運算，激活運算結(jié)果經(jīng)過最大池化處理后進行局部響應(yīng)歸一化處理；第七層至第九層為全連接層，每層包含不同數(shù)量的神經(jīng)元，全連接層對上層的池化結(jié)果進行全連接處理，然后使用ReLu激活函數(shù)對其進行激活運算，接著對激活結(jié)果進行Dropout處理，最終得到Dropout結(jié)果。

AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型中，采用了矯正線性非飽和激活函數(shù)ReLu（ReLu（X）=max（0，X））進行激活處理，相較于飽和函數(shù)（Sigmoid和Tanh），其訓(xùn)練時間更快且非線性表達能力更強；AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型采用雙GPU進行數(shù)據(jù)訓(xùn)練，以此來彌補CPU計算能力不足的問題；為增強模型性能，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對部分層級進行了局部響應(yīng)歸一化處理，具體計算公式如下：

式中，N是卷積面（池化面）的總數(shù)，n是相鄰面的個數(shù)，k、α、β是可調(diào)參數(shù)。

2 寧夏天然地震和非天然地震的特性與差異

天然地震是地球內(nèi)部結(jié)構(gòu)錯動和破裂后快速釋放能量的一種自然現(xiàn)象，以彈性波的形式向四周傳播導(dǎo)致地面振動。非天然地震包含爆破、塌陷、核試驗等形式，通常發(fā)生在地表或地下淺層區(qū)域，以彈性波的形式向四周傳播導(dǎo)致地面振動。天然地震和非天然地震一般包含有縱波、橫波和面波，三者由于傳播速度不同，縱波會先于橫波到達地震臺站，面波最后到達；縱波周期較小，面波周期最大，橫波周期介于兩者之間；三種地震波的振幅特性與其周期特性相似。據(jù)寧夏測震臺網(wǎng)不完全統(tǒng)計，寧夏當?shù)氐姆翘烊坏卣鹣噍^于天然地震，其P波初動一般全部向上，PG波尖銳且初動大；淺層非天然地震總體呈現(xiàn)為大周期，面波發(fā)育充分；較深非天然地震初動方向分布不規(guī)律，周期相對較??；由于非天然地震多由人為因素引起，所以寧夏非天然地震的發(fā)震時間多存在規(guī)律性；非天然地震在震級相同情況下，其持續(xù)時間相較于天然地震明顯偏小；非天然地震的橫波和縱波最大振幅比通常大于2；非天然地震的拐角頻率小于天然地震（頻譜分析）。鑒于天然地震和非天然地震的特性與差異，目前成熟的識別方法有：P波初動、震源深度（非天然地震一般為0）、P波的初動位置和最大位置振幅比、P波和S波振幅比、P波和勒夫波譜振幅比、尾波持續(xù)時間等。

3 資料選取

本文從寧夏測震臺網(wǎng)選取寧夏境內(nèi)及周邊地震事件共計130個，時間范圍為2008年1月1日—2021年1月1日，所有地震事件均含有1個或多個地震臺站波形記錄，每個地震臺站波形記錄均為三分向（東西向、南北向和垂直向），所有地震事件均進行了人工編目且震相清晰、信噪比高。地震事件中天然地震共計80個，震級范圍為ML≥1.0。地震事件中非天然地震共計50個，其中中國地震局物探中心布設(shè)爆破產(chǎn)生的非天然地震8個；甘肅華亭塌陷區(qū)爆破產(chǎn)生的非天然地震5個；寧夏固原三關(guān)口礦區(qū)爆破產(chǎn)生的非天然地震10個，震級范圍為1.6≤ML≤2.5；寧夏中衛(wèi)水泥廠爆破產(chǎn)生的非天然地震8個，震級范圍為1.9≤ML≤2.6；寧夏中衛(wèi)礦區(qū)爆破產(chǎn)生的非天然地震15個，震級范圍為1.9≤ML≤2.8；寧夏銀川礦區(qū)爆破產(chǎn)生的非天然地震4個，震級范圍為2.5≤ML≤3.1。寧夏測震臺網(wǎng)實時傳輸臺站共計27個，為避免卷積神經(jīng)網(wǎng)絡(luò)模型的誤差率和錯誤率，本文未將多個地震臺站波形記錄的地震事件進行閹割，采用全部導(dǎo)入的方式，以此來確保AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型能夠正確識別寧夏及周邊的天然地震和非天然地震中的特征參數(shù)。

4 Ale xNe t卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

寧夏測震臺網(wǎng)實時接收地震波形的數(shù)字化臺站共計27個，當天然地震或非天然地震發(fā)生時，依據(jù)其能量大小和地震波傳播距離，至少有1個臺站或多個數(shù)字化臺站可以實時記錄到地震波，所以地震事件中至少包含1個或多個臺站波形記錄。本文將AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型中的分類器分為2個模塊：訓(xùn)練模塊和測試模塊，訓(xùn)練模塊用于訓(xùn)練單個地震事件的單個臺站波形記錄，測試模塊用于測試單個地震事件的多個臺站波形記錄，此目的是先以單條地震波進行特征參數(shù)訓(xùn)練，讓AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型進行天然地震和非天然地震特征參數(shù)智能識別，建立初步的參數(shù)集，然后導(dǎo)入多個臺站波形記錄，此方法不僅可以加快參數(shù)集的建立，也能夠加快天然和非天然地震事件的特征差異分類。

依據(jù)寧夏測震臺網(wǎng)提供的天然地震和非天然地震事件波形，本文使用MSDP地震波分析軟件對事件波形進行截取，選取震相明顯、記錄清晰、信噪比高的有效波形建立訓(xùn)練波形集；依據(jù)寧夏測震臺網(wǎng)編目結(jié)果，本文將訓(xùn)練波形集中的事件波形進行了標注，并對其添加天然地震和非天然地震的標簽；然后將標簽事件波形進行隨機分類并打亂次序；使用AlexNet卷積神經(jīng)網(wǎng)絡(luò)對上述事件波形進行訓(xùn)練和測試，每次訓(xùn)練和測試中隨機選擇代價函數(shù)Loss，用以評估預(yù)測值和真實值的差異；代價函數(shù)Loss曲線趨于穩(wěn)定或呈直線時，對迭代次數(shù)和梯度下降速度等參數(shù)進行優(yōu)化后重復(fù)訓(xùn)練；AlexNet卷積神經(jīng)網(wǎng)絡(luò)達到非天然和天然地震最優(yōu)識別效果后停止訓(xùn)練。對于多個臺站波形記錄的地震事件，本文將地震事件波形導(dǎo)入AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，讓其自動對地震事件進行綜合分類和識別。

本文采用均方根誤差值、正確率和漏檢率對AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進行評估和檢驗。均方根誤差用于檢驗?zāi)Ｐ妥詣幼R別的地震事件震相到時和人工標注地震事件震相到時；正確率用于檢驗?zāi)Ｐ椭械卣鹗录鹣嗟綍r的正確次數(shù)；漏檢率用于檢驗?zāi)Ｐ椭形醋R別地震事件震相的個數(shù)。

AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建初期，有幾處關(guān)鍵點需要著重強調(diào)：必須對選定的地震事件進行天然地震和非天然地震的劃分及標注，否則會導(dǎo)致模型識別率下降；需要選定信噪比高、記錄清晰、波形震相明顯的地震事件；此舉有助于AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型快速生成參數(shù)集；每個地區(qū)的非天然地震震相略有差異，需要根據(jù)當?shù)貙嶋H情況進行參數(shù)調(diào)整。

5 Ale xNe t卷積神經(jīng)網(wǎng)絡(luò)模型識別結(jié)果

本文將寧夏境內(nèi)及周邊130個地震事件（天然地震80個、非天然地震50個）進行拆分，生成單個臺站波形記錄后導(dǎo)入AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過此模型多次迭代訓(xùn)練后生成訓(xùn)練集和訓(xùn)練參數(shù)集，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果表明：模型訓(xùn)練集對于單個臺站波形記錄的導(dǎo)入識別準確率高達99%，且未發(fā)生不可預(yù)估的擬合現(xiàn)象，其訓(xùn)練集Loss函數(shù)為0.002。AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型針對單個臺站波形記錄的天然地震和非天然地震能夠很好的自動識別，且準確率很高。

單個臺站波形記錄的地震事件僅是理想狀態(tài)，因為現(xiàn)實情況下，天然地震或非天然地震一旦發(fā)生，會觸發(fā)多個臺站，換言之，一個完整的地震事件會包含多個臺站波形記錄，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型需要對地震事件中的多個臺站波形記錄進行逐一識別，對每條記錄進行天然或非天然地震識別定性，然后通過算法整體識別此地震事件是天然地震或非天然地震。本文將130個地震事件進行整體導(dǎo)入模型生成測試集和測試參數(shù)集，設(shè)置閾值為60%，如果地震事件中60%及以上的單個臺站波形記錄識別為非天然地震，則AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型判斷此地震事件為非天然地震，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型測試結(jié)果表明：模型測試集對于多個臺站波形記錄的地震事件識別準確率為97.01%，其測試集Loss函數(shù)為0.068。AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型在經(jīng)過單個臺站波形記錄的地震事件訓(xùn)練后，可以很好的識別多個臺站波形記錄的地震事件，且準確率很高（圖1）。

圖1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及測試結(jié)果Fig.1 Training and test results of the AlexNet

6 結(jié)論

寧夏回族自治區(qū)境內(nèi)及周邊天然地震和非天然地震頻發(fā)，不僅對人民群眾的生命財產(chǎn)安全造成威脅，而且非天然地震會造成一定的社會影響，精確快速的識別非天然地震可以第一時間為震害防御救援等相關(guān)部門提供參考依據(jù)，還可以為寧夏測震臺網(wǎng)工作人員對地震事件分析編目提供參考依據(jù)。本文基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對寧夏天然地震和非天然地震進行了訓(xùn)練和測試，結(jié)果標明，對于此次選取的130個地震事件（天然地震80個、非天然地震50個），就單個臺站波形記錄而言，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對其地震類型的識別率為99%；就多個臺站波形記錄的地震事件而言，模型對其地震類型的識別率為97.01%。

綜上所述，AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對寧夏及周邊的天然地震和非天然地震有很好的識別功能，可以作為寧夏測震臺網(wǎng)工作人員的地震分析編目輔助工具，但是本文還存在一些不足：訓(xùn)練和測試的地震事件偏少；寧夏非天然地震類型單一（目前僅有爆破），對于塌陷、核爆、滑坡等其他非天然地震類型研究不足；寧夏非天然地震多為集中爆破點，其爆破波形中的震相等參數(shù)類似，導(dǎo)致AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型易于分辨其地震類型。