阅读说明：本技术 基于深度学习特征融合的地震震级快速估算方法 (Earthquake magnitude rapid estimation method based on deep learning feature fusion ) 是由 潘纲 徐逸志 赵莎 刘杰 董霖 方毅 李石坚 于 2020-05-13 设计创作，主要内容包括：本发明公开了一种基于深度学习特征融合的地震震级快速估算方法,包括：(1)收集大量的地震监测台站地面震动波形记录以及相应的地震目录；(2)计算数据样本的传统参数特征以及统计特征；(3)训练深度模型,提取数据样本中的图像特征以及时序特征；(4)融合数据样本提取出的各个特征,形成向量表征,对XGBoost模型进行训练,得到地震震级快速估算模型,进而利用该模型根据地震波形记录估算得到相应的地震震级。本发明利用了传统地震学的研究成果,将其与深度学习结合起来,并利用大量地震数据学习了一个地震震级快速估算模型,提高了地震震级快速估算的准确性。(The invention discloses a method for rapidly estimating seismic magnitude based on deep learning feature fusion, which comprises the following steps: (1) collecting a large number of earthquake monitoring station ground vibration waveform records and corresponding earthquake catalogues; (2) calculating traditional parameter characteristics and statistical characteristics of the data samples; (3) training a depth model, and extracting image characteristics and time sequence characteristics in a data sample; (4) and fusing all the features extracted from the data samples to form vector representation, training the XGboost model to obtain a rapid earthquake magnitude estimation model, and estimating according to the earthquake waveform record by using the model to obtain the corresponding earthquake magnitude. The invention combines the traditional seismology research results with deep learning, learns a seismic magnitude fast estimation model by using a large amount of seismic data, and improves the accuracy of seismic magnitude fast estimation.)

基于深度学习特征融合的地震震级快速估算方法

技术领域

本发明属于地震预警技术领域，具体涉及一种基于深度学习特征融合的地震震级快速估算方法。

背景技术

地质工作者多年来利用地震监测台站所记录的连续波形数据在地震预警、地震速报、地震机制等领域进行了大量的工作和研究。其中，地震事件检测、震相自动拾取以及震级的快速估算等任务是相关研究的重点和热点。

地震震级快速估算任务在地震预警中非常重要，如果能在一次地震发生的前几秒钟，给出这次地震的震级的准确估算，那么就能给地震预警和救灾工作带来很大的帮助，争取更多的时间。

对于地震监测台站波形数据的研究本质上是数据驱动的，研究者可以从大量的监测台站的数据中挖掘、识别地震的特性、模式。传统上地质研究者多从参数拟合的角度出发，以期找到合适的参数来研究、描述地震的震级等参数与地震波形数据之间的关系；较为典型的工作例如τ_p ^max方法和τ_c方法等，这两种方法被称为是周期相关的算法，该类算法利用的是地震研究者发现地震的震级越大地震记录中长周期成分就越多的原理，计算周期参数再与震级进行线性拟合，其中τ_c方法被认为是更加优越和稳定的，相关研究给出了震级拟合的一个公式：

M_wc＝3.373lg(τ_c)+5.787±0.412

近年来，随着深度学习技术的飞速发展，越来越多的研究者开始在地震波形数据研究的各个任务上应用机器学习与深度学习。对于震级估算任务而言，比如文献《Panakkat,A.and Adeli,H.(2009)Recurrent Neural Network for ApproximateEarthquake Time and Location Prediction Using Multiple SeismicityIndicators.Computer-Aided Civil and Infrastructure Engineering,24,280-292》提出使用多个台站的观测数据和人工神经网络来给出震级；文献《Luis Hernán Ochoa,LuisFernandoV,Carlos Alberto Vargas Jiménez.Fast Determination of EarthquakeDepth Using Seismic Records of a Single Station,Implementing Machine LearningTechniques.大地测量与地球动力学(英文版)2018-01》提出使用单台的数据计算了一些特征参数，再使用SVM完成这个回归任务。但是目前对于地震级快速估算任务的深度学习应用的研究还不是很常见，仍然以传统方法为主，并且目前也缺少将深度学习技术与传统方法进行融合的研究工作。

发明内容

鉴于上述，本发明提出了一种基于深度学习特征融合的地震震级快速估算方法，将传统参数特征与深度模型提取特征进行融合，通过大量地震监测台站的地面震动连续波形记录训练模型，提高对地震震级的快速估算能力。

一种基于深度学习特征融合的地震震级快速估算方法，包括如下步骤：

(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波到达台站的时间以及该次地震震级；

(2)通过对步骤(1)所收集到的地面震动波形记录进行预处理，得到对应的数据样本；

(3)计算提取每一数据样本的传统参数特征以及统计特征；

(4)构建并训练深度模型用以提取数据样本的波形图像特征以及波形时序特征；

(5)基于上述提取得到的特征构建每一数据样本对应的特征向量，利用特征向量训练XGBoost模型，得到用于地震震级快速估算的预测模型；

(6)对于待测的地面震动波形记录，根据步骤(2)～(4)计算提取其所有特征拼接后输入预测模型中，即可输出预测得到其地震震级。

进一步地，所述步骤(2)中通过预处理得到的每一数据样本包含了实际监测到的一次地震事件中一段长度为3s的地面震动波形数据以及该次地震的震级，其中的波形数据从P波到达台站的时间为截取起点。

进一步地，所述步骤(3)中采用P_d和τ_c算法提取数据样本的传统参数特征(即P_d参数和τ_c参数)。

进一步地，所述步骤(3)中数据样本的统计特征包括加速度最大值、速度最大值、累计速度值平方和以及地震波形的滑动窗口标准差。

进一步地，所述步骤(4)中用于提取数据样本波形图像特征的深度模型从输入至输出由六个卷积模块以及一个全连接层依次连接构成。

进一步地，所述步骤(4)中用于提取数据样本波形时序特征的深度模型从输入至输出由三个卷积模块、一个双向LSTM层以及一个全连接层依次连接构成，其中双向LSTM层中的神经元数量为64。

进一步地，每个卷积模块从输入至输出由卷积层、最大池化层以及批归一化处理模块依次连接构成，所述卷积层采用32个宽度为3的卷积核对卷积模块的输入以步长为1进行卷积操作，所述最大池化层采用大小为2的池化窗口，步长为2。

进一步地，所述全连接层的输入为前级输出摊平后的结果，其具有一层网络隐层，神经元数量为16，且采用激活函数Relu处理。

进一步地，所述步骤(5)中将数据样本的传统参数特征、统计特征、波形图像特征以及波形时序特征进行拼接得到对应的特征向量，以数据样本中地震震级作为XGBoost模型输出预测结果的真值标签。

进一步地，所述步骤(5)中采用网格搜索的方法对XGBoost模型进行训练，以确定模型最优参数，同时在模型中通过增加震级大于5的特征向量权重的方法，以缓解大震级估算低估问题。

基于上述技术方案，本发明根据地震波形数据的特点，针对性地设计了深度网络模型，综合利用卷积神经网络、循环神经网络等技术抽取地震波形数据的图像特征与时序特征，捕捉数据的特点。同时，本发明还利用了传统地震学的研究成果，将其与深度学习结合起来，并利用大量地震数据学习了一个地震震级快速估算模型，提高了地震震级快速估算的准确性。

附图说明

图1为本发明地震震级快速估算方法的流程示意图。

图2为本发明提取地震波形图像特征的深度模型结构示意图。

图3为本发明提取地震波形时序特征的深度模型结构示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明基于深度学习特征融合的地震震级快速估算方法，具体步骤如下：

(1)收集地震监测台站记录的地面震动连续波形记录，用于地震震级快速估算。具体地：从地震监测台站记录的连续波形数据中，以一次地震事件的P波到达时间为截取的起点，以该次地震事件的P波到时之后的3s为截取的终点，从而截取出长度为3s的地震事件数据样本。本实施例中样本的特征维度为3×300，其中3表示波形记录具有东西、南北以及竖直三个方向分量，300的维度则是截取数据的时间长度为3s，数据的采样频率为100Hz。

(2)本发明计算传统参数特征使用的P_d方法和τ_c方法是较为成熟的方法，其计算方式可以在相关文献中找到。本发明计算的统计特征包括加速度最大值max(a)、速度最大max(v)、累计速度值平方和以及地震波形记录的滑动窗口计算标准差；本发明中地震波形数据的物理意义为速度，所以速度最大值和累计速度值的平方和可以直接计算得到，而加速度是速度的微分，这里通过计算临近两个数据点的差值近似得到，即对于数据中第i个点，其加速度a_i为：

a_i＝100(v_i+1-v_i)

在计算滑动窗口计算标准差时，设定窗口大小为0.3s，也就是30个数据点，滑动步长亦为0.3s，接着计算每个时间窗口内数据的标准差。例如使用P波到达后3s长度的数据时，就可以获得数量为10的滑动窗口标准差特征；对于第i个特征值，其计算方式如下：

其中：x_j表示数据中第j个点，f_i为计算得到的第i个特征值。

(3)本发明采用如图2所示的深度模型进行波形数据图像特征的提取，模型由输入层、六个卷积模块、全连接层以及输出层构成，每个卷积模块由一个卷积层，一个最大池化层以及批归一化操作构成，其中每个卷积层的卷积核的数量为32，卷积核宽度为3，步长为1，每个最大池化层，其池化窗口大小为2，最后使用了一个神经元数量分别为16与1的全连接网络来得到最后的输出。

本发明采用如图3所示的深度模型进行波形数据时序特征的提取，模型由输入层、三个卷积模块、双向LSTM层、全连接层以及输出层构成，模型将数据样本中长度为3s的地面震动波形数据作为输入，数据首先通过与上述模型相同设置的三个卷积层和三个最大池化层，然后将降维后的数据作为一个双向LSTM网络层的输入，最后双向LSTM层的输出将作为与上述模型相同的大小为神经元数量为16与1的两层全连接网络的输入来得到模型最后的输出。

设定上述两个模型的参数，通过大量真实的地震记录，反向传播训练网络参数，得到最后的用于抽取数据特征的网络模型。

实验数据分为训练集、验证集与测试集，测试集是在数据预处理之前就预先划分出来的大小为总数据集20％的数据集，之后也经过了与训练集相同的数据预处理过程。在训练过程中，将数据分为训练集与验证集，其比例为4:1，实验使用的优化算法为Adam，学习率为0.001，批(batch)大小设置为128；实验不设置最大训练轮数或是迭代次数，采用了早停(EarlyStopping)的训练策略，当验证集上的损失在两个训练轮次(Epoch)中没有下降时，模型便会停止继续训练；在参数初始化上，使用Xavier初始化。

模型训练完成之后，将上述两个模型的全连接层的输出分别作为抽取出来的长度为16的特征向量，即完成了对数据样本的特征抽取。

(4)上述共抽取了长度为15维的传统参数特征与统计特征以及长度为32维的深度模型特征，将它们拼接起来，就得到了总长度为47维的波形数据的融合向量表征。本发明使用该融合向量表征训练XGBoost模型，得到最终的震级快速估算模型，XGBoost的参数主要包括树的最大深度、学习率、迭代次数等等，本发明使用了网格搜索等方法来确定最优参数；对于大震级估算低估问题，本发明采取了在模型中增加震级大于5的训练样本的权重的方法来缓解这个问题。

(5)对于地震震级快速估算问题，在使用测试样本进行估算时，首先需要计算得到相应的向量表征，再输入到估算模型中，模型的输出即为估算得到的地震震级。

以下通过误差以及平均绝对误差衡量本发明地震震级快速估算问题中的效果，表1为本发明方法与经典的地震震级快速估算方法的效果比较，从中可以看出本发明方法相对其在估算误差方面有明显的降低。

表1

模型	误差	平均绝对误差
			τ<sub>c</sub>方法	-0.036±0.702	0.558
P<sub>d</sub>方法	-0.039±0.620	0.461
			本发明	-0.024±0.392	0.303

以下通过误差以及平均绝对误差衡量本发明在缓解大震级低估问题上的效果，表2为在本发明方法中使用不同大小的震级大于等于5地震训练样本权重的效果比较，从中可以看出该方法对大震级的震级估算提升效果明显，而对于整体的震级估算效果影响不大。

表2

权重	平均绝对误差(总体)	平均绝对误差(震级≥5)
			1	0.303	0.797
2	0.304	0.673
			5	0.306	0.598
10	0.308	0.589
			50	0.309	0.551
100	0.312	0.488

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。