基于深度学习的地震检测模型在区域台网的泛化性研究

• 作者: 赵明 陈石
• 来源期刊: 地震
• 学科: 地球科学
• 关键词: PhaseNet 泛化性 到时拾取 震相检测
• 年，卷（期）: 2021,（1）
• 页码范围: 166-179
• 页数: 14页
• 分类号: P315.7
• 语种: 中文
• DOI: 10.12196/j.issn.1000-3274.2021.01.013

摘要

将识别地震的深度学习算法PhaseNet应用于四川台网和首都圈台网,对该模型的泛化能力进行了测试和评估.首先利用2010年1月至2018年10月首都圈台网199个地震台站记录的29 328个事件(ML0～ML4)所对应的126761段事件波形,以及2019年4-9月四川及邻省部分台网227个地震台站记录的16595个事件(ML0～ML6.0)所对应的120233段事件波形分别建立了SC和CA测试数据集,并用预训练好的PhaseNet模型进行P、S震相自动识别和到时拾取,并将拾取结果与人工拾取结果在不同误差阈值下进行对比.测试结果表明,PhaseNet在两个数据集上具有良好的震相检测能力(误差阈值为0.5 s),其P、S震相检测的F,值都超过0.75,具有比较稳定的准确拾取P波到时能力(误差阈值0.1 s),其检测F1值均超过0.6,而S波到时拾取的F,值分别为0.33(SC)和0.53(CA).进一步分析了测试结果与震中距、震级、信噪比、台站所处地域之间的关系,为下一步继续训练更优化的模型指明了方向.研究结果表明,PhaseNet算法在区域台网地震自动检测和到时拾取方面有很大的应用潜力和提升空间,可以为区域台网的自动编目工作提供辅助.