单词速记
专业
Seismic Arrival Time —— 地震波到时
sensor —— 传感器
seismic phase —— 震相
earthquake monitoring —— 地震监测
three-component —— 三分量
waveform —— 波形
probability distribution —— 概率分布
recall rate —— 召回率(约等于准确率)
seismology —— 地震学
earthquake catalogs —— 地震编目
scattered waves —— 散射波
threshold —— 临界值、阈值
impulsive —— 脉冲的
kurtosis —— 峰度
skewness —— 歪斜、偏度
variance —— 方差
sliding window —— 滑动窗口
algorithm —— 算法
polarization analysis —— 偏振分析
source mechanism —— 震源机制
site-effects ——场地地震效应
band-pass filtering —— 带通滤波
stratified sampling —— 分层抽样
signal-to-noise ratio (SNR) —— 信噪比
standard deviations —— 标准差
1-D time series data —— 一维时间序列数据
normalized exponential function —— 归一化指数函数
down-sampling —— 下采样
up-sampling —— 上采样
neuron —— 神经元
residuals —— 残差
evaluation indicator —— 评价指标
evaluation metrics —— 评价指标
short period —— 短周期
broad band —— 宽带
high gain —— 高增益
low gain —— 低增益
accelerometer —— 加速度计
PCA(Principal Component Analysis)—— 主成分分析
vector —— 矢量
polarization —— 极化
通用
comprehensively —— 全面地
bias —— 偏见,偏差
present —— 提出
performance —— 性能
generate —— 生成
dataset —— 数据集
demonstrate —— 证明
accelerate —— 加速
dense —— 稠密的
emerge —— 浮现,暴露
onset —— 开始 the onset of the seismic event —— 地震事件的开始
coincide —— 一致,同时发生
combination —— 组合
utilize —— 利用
distinguish —— 区分
primarily —— 主要地
primarily —— 大量的
lag —— 落后
tremendous —— 巨大的
available —— 有效的
digital —— 数字的
property —— 性能
seek to —— 寻求
category —— 种类
divergence —— 差异
raw —— 生的,未加工的,原始的
shrink —— 收缩,压缩
broadly —— 明显地;宽广地;概括地
distinctly —— 明显地,确实地
narrower —— 比较狭窄的
abrupt —— 突然的,陡峭的
subjective —— 主观的
criterion —— 标准,条件
capture —— 捕获
condensed —— 浓缩的;扼要的
implicitly —— 隐含的,含蓄的
degraded —— 退化的
论文阅读
SUMMARY
- 提出了一种基于深度神经网络的地震波到时提取方法,网络名为“PhaseNet”,该方法同时提取P波和S波的到时。
- 数据集:从30多年间的地震记录中提取的700多万个波形样本;input:未过滤的三分量地震波;output:P波、S波和噪声的概率分布
- PhaseNet能够在概率上提供P波和S波的准确到达时间,并有可能在现有的基础上大幅增加横波观测的数量
- 数据来源:经过分析师标注的P和S波到达时间的大量可用数据集,来自北加州地震数据中心
Key words
PhaseNet, deep neural network, arrival time picking, S-arrival picker, NCEDC
INTRODUCTION
- 地震编目质量受到地震波到时测量的数量和准确度影响; 地震波到时测量或相位拾取通常由分析员根据经验提取,主观性较强,且数据量过多时工作量较大。
- S波的提取较为困难,因为它们不是第一个到达的波,而是从P波尾部的散射波中出现的。S波的到达时间特别有用,因为它们可以用来减少仅基于纵波的震源深度的影响,而且横波结构对强地面运动的预测非常重要。
- 自动相位拾取现有方法:基于振幅、标准差或能量的方法;统计方法和浅神经网络
- STA/LTA法(短期平均/长期平均):跟踪短期窗口与长期窗口的能量比值,高于阈值的峰值标志着脉冲P或S波到达;缺点:容易受到噪声的影响,对到时的精度较低,特别是对横波
- 传统浅层神经网络基于四个手动定义的特征进行了测试:方差、偏度绝对值、峰度和基于滑动窗口预测的偏度和峰度组合
- 传统的自动化方法使用手动定义的特征,需要小心的进行数据处理,且目前而言精度并没有人工处理的高
- PhaseNet对P和S波选择都提供了较高的准确率和召回率,与传统的STA/LTA方法相比,取得了显著的改善。PhaseNet有潜力为标准地震监测提供全面、卓越的性能。
DATA
- 对每个分量波形进行归一化,去除其均值并除以标准差
- 所有数据都被采样到100hz
- 训练数据集中的到达时间包含错误和偏差。用概率表示它们允许算法减少这种不确定性的影响。它还有助于加速收敛
METHOD
- 网络结构,如下图所示
- 最后一层使用softmax归一化指数函数设置概率
- 损失函数是用真实概率分布p(x)和预测分布q(x)之间的交叉熵定义的
- U-net中的跳跃连接(skip connection)有助于网络收敛
- The convolution size is set to 7 points ;下采样步长为4
EXPERIMENTS
暂未解决
* 高于0.5的峰值概率被视为阳性选择(有效的选择),否则为阴性选择(无效的选择)
* 到达时间残差小于0.1s(∆t <0.1s)视为正确的阳性选择,较大的残差被视为错误的阳性选择
* Tp=正确的阳性选择;Fp=错误的阳性选择;Fn=错误的阴性选择
- 结果与Obspy中实现的开源“AR picker”(Akazawa 2004)所获得的结果进行了比较
- 评价指标: precision, recall, F1 score, mean (µ) and standard deviation (σ) of time residuals (∆t) between our picks and ground truth
DISCUSSION
- F1分数在精确度和召回率方面提供了算法性能的平衡评估
- PhaseNet不受输入长度或时间窗口内地震数量的限制
CONCLUSION
- 使用从北加州地震台网目录中手工选取的P和S到达时间建立了一个训练数据集。
- 开发了一种深度神经网络算法PhaseNet,它使用三分量波形数据来预测P波、S波和噪声的概率分布,从这些分布的峰值中提取到达时间。
- 测试结果表明,与现有方法相比,本文方法取得了显著的改进,尤其是对S波的改进。
- PCA可视化显示,压缩的神经权值包含了分离P波、S波和噪声的特征。
- PhaseNet也可以用于手动标记训练数据集可用的其他阶段