[发明专利]基于深度学习特征融合的地震震级快速估算方法

说明书

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。

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；