甘肃塌陷地震震相识别研究

尹欣欣, 蔡 润, 陈文凯, 彭立顺, 李少华

(1. 甘肃省地震局, 甘肃 兰州 730000; 2.中冶成都勘察研究总院有限公司, 四川 成都 610063;3. 广东省建筑科学研究院集团股份有限公司, 广东 广州 510500)

0 引言

地震事件可以根据其产生机理分为天然地震以及非天然地震两类,人工爆破以及塌陷地震属于非天然地震中较常见的地震事件[1-2]。甘肃省测震台网记录到的甘肃华亭地区塌陷地震[3-4],给我们的研究提供了一定量的数据基础。利用甘肃数字地震台网所纪录的地震观测资料,深入研究主要矿区塌陷地震发生的规律,不但可以减轻塌陷地震所引起的各种灾害及损失,为甘肃省防震减灾工作提供决策依据,同时还可以探索和建立一种适合甘肃地区能源开发、治理和保护的方案,建立健全矿山生态环境保护长效监管机制,保证甘肃地区经济社会健康发展,人与自然和谐相处。然而,塌陷地震与天然地震的波形具有较高的相似性,图1(a)波形为典型天然地震事件,图1(b)波形为典型的平凉塌陷地震事件,直观上看二者在频率周期以及能量分布上有一定差别,但实际上在日常工作中碰到的波形比图中展示的更为复杂,分析人员根据经验和波形特征进行识别要花费时间较多,缺乏时效性,因此亟需研究一种能够及时准确地识别天然地震与塌陷地震事件的方法,建立准确的事件目录,为快速开展塌陷灾害防治工作提供重要科技支撑,为地方经济发展、国土资源规划提供依据,对开展地震学研究等也具有重要意义。

图1 典型天然地震与典型塌陷地震事件波形能量特征对比Fig.1 Comparison between waveform energy characteristics of typical natural earthquakes and collapse earthquakes

现阶段对于地震与矿区或是岩溶塌陷事件识别的研究主要是基于地震波形特征来区分的,如林怀存等[5]利用鲁中南台网所记录到的地震资料,从地震初动、波速、频率、振幅衰减以及Q值几个方面对构造地震和塌陷地震两类地震进行了区分;毛世榕等[6]以近年来广西地震台网中心记录的天然地震和岩溶塌陷为例,尝试利用基于小波包的分形和径向基函数神经网络技术对这两类事件的波形进行识别,结果表明,基于小波包分形与神经网络相结合的事件识别方法对天然地震和岩溶塌陷事件的识别率高达89.5%,可作为识别天然地震与岩溶塌陷的一个有效方法;陈润航等[7]从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别,最终得到了97.1%的正确识别率。从上述方法中不难看出卷积神经网络方法识别率较高,卷积神经网络方法是计算机模式识别领域很常见的图像识别方法,本文尝试利用该方法直接以地震波形作为研究数据来识别塌陷波形,直接利用波形进行计算可以使实时地震监测中非天然地震的识别更效率。

1 方法介绍

1.1 卷积神经网络

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。对卷积神经网络的研究始于20世纪80至90年代,时间延迟网络和LeNet-5是最早出现的卷积神经网络算法;在21世纪后,随着深度学习理论的提出和数值计算设备的改进,卷积神经网络得到了快速发展,并被大量应用于计算机视觉、自然语言处理等领域。卷积神经网络长期以来是图像识别领域的核心算法之一,并在大量学习数据时有稳定的表现。通常,一个卷积网络架构由多个阶段组成,前几个阶段包含有卷积层和池化层。图2为基本的卷积神经网络结构图。

图2 卷积神经网络结构图Fig.2 Structural diagram of convolutional neural network

在卷积层中,主要是使用可学习的卷积核与上一层输出的特征图进行卷积运算,然后通过一个激活函数传递给下一层。卷积层中各输出特征图的[8]计算公式为

池化层也称降采样层,计算某一位置相邻域的统计特征作为输出。降采样层实质是对输入的特征图进行降采样操作,例如最大池化函数给出相邻矩形区域内的最大值。降采样层的各输出特征图的计算公式为

1.2 代价函数

预测值与真实值之间总是会存在误差的,而反向传播就是通过计算这些误差,进而更新各层的权值,使得实际的网络输出更加准确。如使用交叉熵作为代价函数,计算公式为

式中:y表示目标向量;a表示输出向量;nclass表示类别数,需要强调的是a为卷积神经网络最后一层的输出向量经过Softmax函数计算后得到的向量。

2 数据处理与结果

2.1 数据选取

本文研究数据选取甘肃测震台网监测到的甘东南地区34°～37°N,104°～107°E范围内的100个地震事件,其空间分布见图3。该地区是甘肃地区内地震频发的区域,其中包括典型天然地震事件与塌陷地震事件各50个,图中绿色圆圈代表的天然地震事件,红色圆圈代表的塌陷地震事件,事件波形记录台站平均10个左右,每个台站具有3个通道,即天然地震事件与塌陷地震事件样本数据各为1 500条,总样本数为3 000。塌陷地震选取甘肃华亭地区ML1.0以上地震事件,天然地震事件选取该地区附近地震事件,为使两者在计算机进行深度学习时迭代次数接近,故选取同样数量级的样本数据。波形数据选取,P波到时前10 s到最大面波振幅出现后1分钟内。为消除噪声对信号的干扰,本研究所有数据均采用数字滤波器滤除频率低于1 Hz的信号。待测数据为天然地震事件与塌陷地震事件各15个,为保持统一性,同样采用数字滤波器滤除频率低于1 Hz的信号。

图3 样本地震事件分布图Fig.3 Distribution map of sample seismic events

2.2 卷积网络框架

卷积网络框架中各层采用的激活函数为ReLU函数,使用交叉熵作为卷积网络的损失函数,Adam算法[9]作为优化方法。网络输出为二维的浮点型向量,通过Softmax函数计算后,将该二维向量中的最大值置为1,最小值置为0,将震源波形特征对应的输出向量与该震源波形的标签进行比较,如果相同,则认为是识别正确,否则认为是识别错误。为了确定卷积网络各卷积层和其对应输出特征图的最优个数,在实验中,使用多种结构的卷积网络进行测试,结果表明:卷积层为8层,池化层为7层,经过各卷积层后最终输出特征图个数为128,且卷积网络的平均识别率较好(图4)。

具体过程为:首先从样本地震事件中挑选有效波形并进行预处理操作,该过程中为两种事件类型的各波形分量添加标签(塌陷地震用0表示,天然地震用1表示)。之后使用卷积神经网络进行训练,得到一个天然地震事件震动波形与塌陷事件震动波形分类器。对测试事件采取同样的预处理操作后再利用训练好的波形分类器对测试数据逐个以波形通道为单元进行分类识别,设定波形通道总数80%为地震事件分类阈值,即超过80%的波形通道为“0”或“1”即判定该待测事件为对应的事件类型。

图4 卷积神经网络结构图Fig.4 Structure diagram of convolutional neural network

2.3 识别结果

根据图5波形通道总数80%为地震事件分类阈值,最终准确识别地震个数分别为塌陷地震13个,天然地震为14个,即对应的最终分类准确识别率为86.7%,准确识别率为93.3%。具体分量识别详细结果列于表1。

图5 两类地震事件识别错误率Fig.5 Recognition error rate of two types of seismic events

表1 识别结果

3 结论

卷积神经网络在图像识别上具有明显的优势,本文为了区分天然地震和塌陷地震,将地震事件作为原始图像,然后对输入图像进行初始化,卷积层的卷积核对初始化的图像进行卷积,提取图像中最具代表性特征点;接着提取图像特征进入池化层后池化层会对图像特征点进行归类压缩,提取最具代表性的图像特征,最终经过8层卷积过程最终得到128个特征值从而对图像进行识别,最后输出识别图像。对应的塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,具有很好的识别率,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。

在地震事件分类阈值设定过程中是个值得注意的问题,阈值太高,会降低识别率,阈值过低又将导致结果准确度不可靠,本文靠多年震相分析积累结果设定的阈值还将在今后研究中进一步验证,另外,区域地质背景以及传播路径等方面差异会造成地震记录波形特征不同。因此,本研究获得的指标仅是在甘肃华亭地区地震类型识别中具有一定参考价值,不一定适用于其它地区。本文研究样本为已知类型事件,今后将收集更多的事件样本,进行更广泛的识别训练和研究,不断地完善和验证判定指标的普适性。