• ISSN 1003-3238
  • CN 11-2368/P

机器学习应用于地震预警中的地震波判别研究

Z. F. Li M. -A. Meier E. Hauksson Z. W. Zhan J. Andrews 王林 张红才

引用本文:
Citation:

机器学习应用于地震预警中的地震波判别研究

  • 摘要: 由于天然或人为干扰产生的局部脉冲式噪声影响,使得地震预警系统出现误报。为减少此类问题,我们利用美国南加州和日本的30万条地震波形记录,训练了一个生成式对抗网络(GAN)用于识别P波初至特征。我们将GAN判别器作为自动特征提取器,并利用70万条地震事件和噪声波形记录训练了一个随机森林分类器。结果表明,该方法可以辨别99.2%的P波和98.4%的噪声信号。其优越的性能有望极大地减少因局部脉冲式噪声而造成的误触发数量。我们的研究表明,GAN判别器能获取简洁有效的地震波形特征,可广泛应用于地震学研究。
  • [1]

    Arjovsky,M.,Chintala,S.,& Bottou,L.(2017).Wasserstein generative adversarial networks.Proceedings of the 34th International Confe-rence on Machine Learning,PMLR,70,214-223.
    [2]

    Böse,M.,Allen,R.,Brown,H.,Gua,G.,Fischer,M.,Hauksson,E.,et al.(2014).CISN Shake-Alert:An earthquake early warning demonstration system for California.In Early Warning for Geological Disasters(pp.49-69).Berlin,Heidelberg:Springer.
    [3]

    Böse,M.,Hauksson,E.,Solanki,K.,Kanamori,H.,Wu,Y.M.,& Heaton,T.H.(2009).A new trigger criterion for improved real-time performance of onsite earthquake early warning in southern California.Bulletin of the Seismol-ogical Society of America,99(2A),897-905.https://doi.org/10.1785/0120080034
    [4]

    Creswell,A.,White,T.,Dumoulin,V.,Arulkuma-ran,K.,Sengupta,B.,& Bharath,A.A.(2018).Generative adversarial networks:An overview.IEEE Signal Processing Magazine,35(1),53-65.https://doi.org/10.1109/MSP.2017.2765202
    [5]

    Goodfellow,I.,Pouget-Abadie,J.,Mirza,M.,Xu,B.,Warde-Farley,D.,Ozair,S.,et al.(2014).Genke-rative adversarial nets.In Proceedings of Neural Information Processing Systems(pp.2672-2680).
    [6]

    Ho,T.K.(1995).Random Decision Forests.Proceedings of the 3rd International Conference on Document Analysis and Recognition(pp.278-282).Montreal,QC,14-16 August 1995.
    [7]

    Ho,T.K.(1998).The random subspace method for constructing decision forests.IEEE Transac-tions on Pattern Analysis and Machine Intelligence,20(8),832-844.https://doi.org/10.1109/34.709601
    [8]

    Kohler,M.D.,Cochran,E.S.,Given,D.,Guiwits,S.,Neuhauser,D.,Henson,I.,et al.(2017).Earthquake early warning ShakeAlert system:West coast wide Production Prototype.Seismological Research Letters,89(1),99-107.
    [9]

    Kong,Q.,Allen,R.M.,Schreier,L.,& Kwon,Y.-W.(2016).Myshake:A smartphone seismic net-work for earthquake early warning and beyond.Science Advances,2(2),e1501055.https://doi.org/10.1126/sciadv.1501055
    [10]

    Krishcher,L.,& Fichtner,A.(2017).Generating seismograms with deep neural networks,abs-tract S41D-03.Presented at 2017 fall meeting,AGU,New Orleans,LA,11-15 December.
    [11]

    Meier,M.-A.,Heaton,T.,& Clinton,J.(2015).The Gutenberg algorithm:Evolutionary bayesian magnitude estimates for earthquake early warn-ing with a filter bank.Bulletin of the Seismological Society of America,105(5),2774-2786.https://doi.org/10.1785/0120150098
    [12]

    Pedregosa,F.,Varoquaux,G.,Gramfort,A.,Michel,V.,Thirion,B.,Grisel,O.,et al.(2011).Scikit-learn:Machine learning in Python.Journal of Machine Learning Research,12,2825-2830.
    [13]

    Perol,T.,Gharbi,M.,& Denolle,M.(2018).Convolutional neural network for earthquake detection and location.Science Advances,4(2),e1700578.https://doi.org/10.1126/sciadv.1700578
    [14]

    Radford,A.,Metz,L.,& Chintala,S.(2016).Unsupervised representation learning with deep convolutional generative adversarial networks.In Proceedings of the 5th International Conferen-ce on Learning Representations(ICLR)-Workshop Track,2016.
    [15]

    Rouet-Leduc,B.,Hulbert,C.,Lubbers,N.,Barros,K.,Humphreys,C.J.,& Johnson,P.A.(2017).Machine learning predicts laboratory earth-quakes.Geophysical Research Letters,44,9276-9282.https://doi.org/10.1002/2017GL074677
    [16]

    Salimans,T.,Goodfellow,I.,Zaremba,W.,Cheung,V.,Radford,A.,& Chen,X.(2017).Improved techniques for training GANs.In Proceedings of Neural Information Processing Systems(pp.2234-2242).
    [17]

    Wurman,G.,Allen,R.M.,& Lombard,P.(2007).Toward earthquake early warning in northern California.Journal of Geophysical Research,112,B08311.https://doi.org/10.1029/2006JB004830
  • [1] L. MengR. M. AllenJ. -P. Ampuero郑宁宁吕春来 . 地震台阵处理在地震预警中的应用. 世界地震译丛, 2016, 47(4): 282-294. doi: 10.16738/j.cnki.issn.1003-3238.201604002
    [2] Haruo SatoMichael C. FehlerTakuto Maeda朱维吴何珍 . 《非均匀地球中的地震波传播和散射:第二版》引言. 世界地震译丛, 2016, 47(4): 269-281. doi: 10.16738/j.cnki.issn.1003-3238.201604001
    [3] K. J. BergenP. A. JohnsonM. V. de HoopG. C. Beroza张美玲高东辉张永刚杜秋男吕春来 . 固体地球科学中基于数据驱动发现的机器学习. 世界地震译丛, 2020, 51(1): 1-21. doi: 10.16738/j.cnkii.ssn.1003-3238.202001001
    [4] H. J. LiJ. J. ZhangY. L. Tang李鸿杰张建经 . 地震预警参数τpmaxcPd在四川地区快速震级估计中的应用. 世界地震译丛, 2018, 49(4): 321-336. doi: 10.16738/j.cnkii.ssn.1003-3238.201804002
    [5] 裴顺平陈永顺郑宁宁徐沁吕春来许忠淮 . 地震波速度结构与2010年中国青海玉树MS7.1地震间的联系:来自余震层析成像的证据. 世界地震译丛, 2012, 43(6): 14-21.
    [6] Б. Г. ЛукишовΑ. А. СпивакA. A. Тер-Семенов王超王琳琳陈英方 . 经过断层的地震波对地磁场的影响. 世界地震译丛, 2013, 44(3): 53-56.
    [7] K. YamamuraO. SanoH. UtadaY. TakeiS. NakaoY. Fukao邹立晔马延路李晓帆吴何珍 . 原位地震波速度与衰减的长期观测. 世界地震译丛, 2016, 47(3): 188-210. doi: 10.16738/j.cnki.issn.1003-3238.201603002
    [8] 中原恒贾丽华李君顾娜白玲 . 利用地震波干涉法探求衰减结构的理论背景. 世界地震译丛, 2014, 45(1-2): 43-50.
    [9] E. Z. NaeiniK. Prindle汪忠德朱晓丹赵明 . 机器学习和向机器学习. 世界地震译丛, 2019, 50(5): 442-452. doi: 10.16738/j.cnki.issn.1003-3238.201905004
    [10] J. D. WestM. J. Fouch邹立晔马延路吕春来 . EMERALD:用于地震事件数据处理的网络应用软件. 世界地震译丛, 2014, 45(5-6): 101-108.
    [11] S. HoriuchiY. HoriuchiS. YamamotoH. NakamuraChangjiang WuP. A. RydelekM. Kachi王蕤吕春来 . 可用于地震早期预警的家用地震仪. 世界地震译丛, 2012, 43(4): 30-36.
    [12] W. C. YuT. R. A. SongP. G. Silver康秀平吕春来 . 与苏门答腊特大地震有关的地壳内地震波速时间变化. 世界地震译丛, 2014, 45(5-6): 85-100.
    [13] Thomas LecocqCorentin CaudronFlorent Brenguier安艳茹张莹莹马延路邹立晔吕春来 . MSNoise:利用地震背景噪声监测地震波速变化的Python程序包. 世界地震译丛, 2015, 46(4): 326-341. doi: 10.16738/j.cnki.issn.1003-3238.201504005
    [14] C. Sens-SchönfelderU. Wegler刘国明吕春来 . 印尼默拉皮火山被动成像干涉测量与季节性的地震波速变化. 世界地震译丛, 2012, 43(6): 60-66.
    [15] Peter Folger侯炳正赵仲和 . 地震:灾害风险、检测、预警和研究. 世界地震译丛, 2015, 46(5-6): 413-431. doi: 10.16738/j.cnki.issn.1003-3238.2015Z1003
    [16] A. S. AlekseevI. S. ChichininV. A. Korneev刘增祺酆少英 . 大功率低频可控震源在主动源地震学中的应用. 世界地震译丛, 2019, 50(1): 64-77. doi: 10.16738/j.cnki.issn.1003-3238.201901004
    [17] J. J. BommerM. PapaspiliouW. Price梁铁锚崔秋文 . 地震反应谱在英国核电站抗震设计中的应用. 世界地震译丛, 2012, 43(2): 49-61.
    [18] J. R. HartogV. C. KressS. D. MaloneP. BodinJ. E. VidaleB. W. Crowell周昱辰张天中 . 地震预警:ShakeAlert在太平洋西北部的应用. 世界地震译丛, 2018, 49(1): 1-18. doi: 10.16738/j.cnkii.ssn.1003-3238.201801001
    [19] Yih-Min WuTing-Li LinWei-An ChaoHsin-Hua HuangNai-Chi HsiaoChien-Hsin Chang张磊吴何珍吕春来 . 利用持续监测滤波后的垂直位移更快速短距离地震预警:2010年台湾甲仙地震典型例子研究. 世界地震译丛, 2014, 45(4): 1-10.
    [20] 功刀卓青井真中村洋光鈴木亘森川信之藤原広行杨红艳白玲 . 用于地震烈度计算的近似滤波的改进. 世界地震译丛, 2013, 44(3): 57-67.
  • 加载中
计量
  • 文章访问数:  357
  • HTML全文浏览量:  156
  • PDF下载量:  55
  • 被引次数: 0
出版历程

机器学习应用于地震预警中的地震波判别研究

摘要: 由于天然或人为干扰产生的局部脉冲式噪声影响,使得地震预警系统出现误报。为减少此类问题,我们利用美国南加州和日本的30万条地震波形记录,训练了一个生成式对抗网络(GAN)用于识别P波初至特征。我们将GAN判别器作为自动特征提取器,并利用70万条地震事件和噪声波形记录训练了一个随机森林分类器。结果表明,该方法可以辨别99.2%的P波和98.4%的噪声信号。其优越的性能有望极大地减少因局部脉冲式噪声而造成的误触发数量。我们的研究表明,GAN判别器能获取简洁有效的地震波形特征,可广泛应用于地震学研究。

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回