[发明专利]一种基于SSNet模型的地震事件到时识别方法

说明书

本发明公开了一种基于SSNet模型的地震事件到时识别方法，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)提出SSNet模型解决地震事件到时识别问题；(3)利用地震事件样本以及随机采集的非地震事件地面震动样本对SSNet模型进行训练，得到用于地震事件检测的识别模型；(4)利用地震事件样本以及地震震相到时记录对SSNet模型进行训练，得到用于地震震相到时识别的识别模型。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等技术抽取地震波形数据的特征，捕捉数据的特点，提高了对地震事件检测任务的准确率和震相到时拾取任务的精度。

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SSNet模型的地震事件到时识别方法。

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。地震事件检测是指对于地震监测台站记录的连续波形数据，检测出其中某一段数据是否属于一个地震事件，从而给出某个时刻是否发生地震的判断；震相的自动拾取是指在我们已经知道某段波形数据属于地震事件之后，给出确切的地震波传播到达台站的时间。

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判断一段地面震动数据是否从属于一个地震事件，描述地震的震相、震级等参数与地震波形数据之间的关系。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深度学习。

例如2018年Perol等人在science子刊上发表的文献[Perol T,Gharbi M,DenolleM.Convolutional neural network for earthquake detection and location[J].Science Advances,2018,4(2):e1700578.]提出使用一个8层的卷积神经网络来判断一段台站地面震动数据是否为地震，并且判断地震震中的大致方位。2019年Zhou等人发表的文献[Zhou Y,Yue H,Kong Q,et al.Hybrid Event Detection and Phase-PickingAlgorithm Using Convolutional and Recurrent Neural Networks[J].SeismologicalResearch Letters,2019,90(3):1079-1087.]提出使用循环神经网络等方法来拾取震相的到时等等。这些方法将深度学习技术应用在了地震波形数据上，并取得了超过传统方法的效果，使得这个领域被越来越多人注意到，具有很重要的意义。但是这些现有技术仍然停留在套用基础的神经网络模型来解决地震领域问题，缺少针对于地震数据特点的模型设计、改进与调优。

发明内容

鉴于上述，本发明提供了一种基于SSNet模型的地震事件到时识别方法，其通过大量地震监测台站的地面震动连续波形记录，训练SSNet模型，提高对地震事件的到时识别能力。

一种基于SSNet模型的地震事件到时识别方法，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波和S波到达台站的时间；

(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；

(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；

(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。