[发明专利]一种地震信号检测和震相提取的方法

说明书

本发明是一种地震信号检测和震相提取的方法，用于基于边缘设备的地震检测系统。本发明的边缘设备采用Jetson Nano芯片实现，构建轻量级深度学习模型LCANet布置在边缘设备上；设备端采集的地震波形数据输入边缘设备，实时输出地震信号时间序列、纵波震相和横波震相。本发明的LCANet模型将输入的地震波形数据经基于逆向瓶颈残差块的编码器提取描述地震数据内在物理含义的特征向量序列，再经上下文感知注意模块获取三个任务下的关注时间序列上下文信息的特征向量序列，最后经多尺度异构解码器将特征向量映射到对应任务的特征空间。本发明模型非常适合部署在边缘设备上，满足地震预警系统对数据处理低延迟、高性能的要求。

技术领域

本发明属于地震预警技术领域，具体涉及一种地震信号检测和震相提取的方法。

背景技术

地震预警系统是一个大型物联网系统。根据国家地震信息中心的记录，全世界每年平均发生两万次地震。世界各地的地震台站不断地生成数据并向云端服务器传输，地震学家则通过分析地震数据进行地震研究。地震数据在地震定位、地震预警、地震信号检测、相位提取、余震位置预测等方面有着广泛的应用。当地震发生时，它以地震波的形式释放能量，地震波从震源向各个方向辐射。不同类型的能量波以不同的方式震动地面，也以不同的速度穿过地球。地震信号检测和相位拾取是地震学研究中的关键问题，是实现震源定位和震源机制解释的前提和基础。地震信号检测是指从地震传感器采集的地震信号和非地震信号中识别出地震信号。相位拾取是指提取地震信号中纵波(P波)和横波(S波)相位的到达时间。在地震学的研究中，到达时间的预测精度很高，即使时间偏差很小，也会导致震中位置预测出现较大偏差。传统的地震信号检测和相位提取都是由经验丰富的地震专家人工识别的。但随着地震数据量的增大，仅依靠人工进行数据处理是缓慢而不准确的，因此，地震学家依靠计算机进行自动化的地震数据处理。

一般来说，地震数据分析方法有两种基本类型：模型驱动方法和数据驱动方法。传统的模型驱动方法需要人为地建立数学模型来进行数据分析。由于地震数据中存在大量的噪声，检测精度较低。目前，主流的数据驱动方法都是基于深度学习的。地震数据处理被看作是一个时间序列分析问题。在时间序列分析领域有许多成熟的算法，如长短期记忆网络(LSTM)和时间卷积网络(TCN)。Ross等人提出了广义相位检测方法，利用卷积神经网络从数百万个地震数据中学习地震波的广义表示，并对P波、S波和噪声信号进行分类。Mousavi等人提出了一种卷积残差网络和双向长短期存储单元，用于在时频域检测地震信号。Zhu等人借鉴了图像分割中的全卷积神经网络，并将其应用于地震信号的检测和相位提取。这些方法都是通过可训练的深层网络进行特征提取，由于神经网络具有很强的拟合能力，在几乎所有的任务中都比传统的方法表现得更好。深度学习的深度意味着更多的网络层次和更多的参数，深网络和广泛的参数也带来梯度消失问题和高计算复杂度。

地震数据处理具有实时性要求，地震信号检测与相位提取作为地震预警系统的核心，具有时间敏感性。地震发生时，地震台站应根据地震波形数据进行地震速报。目前数据驱动的方法仍然不完善，不能满足地震数据处理的实时性要求。在图1(a)所示的传统地震数据处理方案中，地震台站生成的数据直接通过网络传输到云端服务器中。数据在云端被收集、存储和处理。这种方式不仅延迟高，还会占用云端大量存储空间，造成网络拥塞，影响地震预警的实时性和支持的应用。边缘计算则是一个更好的解决方案。边缘计算作为实时物联网任务的一种新范式，已经成为解决响应时间、需求、节省带宽成本以及数据安全和隐私等问题的趋势。如图1(b)所示，边缘设备实时收集和处理数据，并将小规模检测结果发送回云端。然而，在资源有限的情况下，边缘设备端通常只将基于模型驱动的简易算法部署到边缘设备端，但其效果较差，难以应对复杂的现实场景。而基于数据驱动的深度学习算法包含复杂的网络结果和大量可训练参数，更加适用于复杂多变的现实场景，但由于大多数深度学习算法计算复杂度高且占用大量存储空间，导致无法应用于资源受限的边缘设备。因此在边缘设备上部署深度学习算法时，必须对其进行压缩以适应计算资源有限的边缘设备。

发明内容

本发明为了满足地震数据处理的实时性要求，结合边缘计算节点进行地震数据处理，提供了一种地震信号检测和震相提取的方法。