利用深度学习进行P波到时拾取和初动极性判定

• 作者: E.Hauksson M.-A.Meier Z.E.Ross 于辰飞 王凌 高翔
• 来源期刊: 世界地震译丛
• 年，卷（期）: 2020,（2）
• 页码范围: 132-143
• 页数: 12页
• 字数: 8748字
• 语种: 中文

摘要

地震震源位置和震源机制解的确定需要精确的P波到时和初动极性信息.由于这些参数的自动化算法的精度比人工识别的要低,因而在处理大数据时是存在一定问题的.本文通过训练卷积神经网络来获取P波到时和初动极性信息,该方法直接对波形记录进行学习,而不是特征提取.我们利用南加州地区1820万条手动拾取的波形记录,来训练卷积神经网络.1200万条无关联波形记录的交叉验证显示,自动与人工拾取之间的差异的标准差为0.023s.以人工识别的初动极性做参考,分类器拾取的精度为95％.同时,在不影响质量的前提下,与人工识别相比,分类器拾取的极性数量更多,从而获得的震源机制解数量几乎翻倍.经过训练的卷积神经网络具有很好的精度,这表明它们可以与地震专家一样好,甚至更好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	Z.E.Ross		1	0	0.0	0.0
2	M.-A.Meier		1	0	0.0	0.0
3	E.Hauksson		1	0	0.0	0.0
4	王凌		4	0	0.0	0.0
5	高翔		8	0	0.0	0.0
6	于辰飞		2	0	0.0	0.0